1.人工智能概念（AI:Artificial Intelligence ）

-概念-
人工智能即让机器像人一样智能处理事务，具备感知、学习、推理、决策、创造等认知能力、控制能力及行动能力。

-等式表示-
人工智能 = 感知（传感器） + 体能（算力） + 认知（算法/大模型） + 行动（执行器与控制逻辑） + 生命（能源）

-什么是AGI（通用人工智能）？-
指达到甚至超越人类水平、能完成任何智力任务的AI，目前尚未出现。
当前我们使用的所有 ChatGPT、文心一言、行业大模型都属于窄人工智能（ANI），只能完成单一 / 限定领域任务；AGI 通用人工智能是具备跨领域自主学习、通用逻辑、自主目标规划的智能，学界普遍认为短期内无法实现。

-分类及现状-
AI 三大分类
窄人工智能 ANI：现有全部商用 AI，单一领域专用（聊天、画图、自动驾驶）
通用人工智能 AGI：通用跨领域自主智能（未实现）
超人工智能 ASI：智力全面碾压人类，仅理论设想

1.1 算力

-算力是什么？-
算力 = GPU芯片的“数量” × 芯片的“利用率” × 互联的“效率”。

-算力的角色？-
没有算力，大模型也能跑——但可能跑一次需要几百年。
极小参数量模型（百万参数）普通 CPU 即可运行，只有千亿、万亿大模型训练 / 推理才依赖高性能 GPU 集群。
缩放定律（Scaling Law） ：模型性能跟参数规模和训练数据量，基本遵循幂律增长。 简单说，参数翻10倍，智能可能翻3倍，但需要的算力翻100倍。

-GPU了解-
GPU（图形处理器）：GPU 擅长并行矩阵运算，但串行逻辑运算弱；是最核心的算力来源。它内部有数千个"小计算核心"，可以同时做大量简单乘加运算——正好契合大模型的矩阵乘法需求。
除 GPU 外，行业专用算力芯片：**谷歌 TPU、移动端 NPU、国产 AI 专用 ASIC 芯片，**针对大模型做了架构优化，训练 / 推理能效比高于通用 GPU。

1.2 大模型（AI程序）

1.-大模型的组成与分类-
主流大模型基于 Transformer 深度学习架构，以海量文本 / 图像 / 音频多模态数据为训练素材，通过神经网络拟合数据分布，核心能力为序列预测（文本模型预测下一个文字，多模态模型预测图像、音频片段）。

2、大模型会思考吗？
不会“思考”，而是通过数学算法“计算概率”，比如“窗前明月”后面是“光”的概率更高，当前它存储了词与词之间的数学关系。
3、什么是预训练和微调
**预训练：**基础底座训练，用全网海量无标注原始数据，让模型学习通用语言、常识、基础逻辑；成本最高，消耗绝大多数算力；
**有监督微调 SFT：**人工标注高质量指令问答数据，教模型听懂人类指令、规范输出格式；
RLHF 人类反馈强化学习：在微调基础上，生成多条答案，人工打分排序，训练奖励模型，反向优化大模型输出对齐人类价值观、拒绝有害提问。
4、大模型的推理
推理阶段依靠预训练学到的海量文本关联概率，结合输入上下文，逐一生成文字；所谓逻辑只是数据中统计出来的语言关联，并非自主推导。
5、大模型的缺点
幻觉：因为大模型只算概率，不讲事实，当拿不准“高概率”词是什么时，它会编造一个看着像真话的假话。
数学短板：计算时是背出来的，算复杂乘法，它容易算错，必须调用外部计算器（插件）。
上下文窗口限制：超长文本会丢失前置信息，出现遗忘；
价值观偏见：复刻训练数据中人类自带的性别、地域、认知偏见；
举例：
计算8674 × 3251：
拆成了它“见过无数次的微模式”：
它见过 8×3=24（模式）
它见过 六千×三千≈一千八百万（量级模式）
它见过竖式乘法的“进位描述”（语言模式）
于是它拼凑出一个看起来合理的答案。

1.3 智能体是什么？

以大模型为核心大脑，具备感知输入、自主规划、工具调用、多步骤任务执行、结果复盘修正能力的软件系统，可自主拆解复杂长任务，而非仅单次问答。
本身是一个软件。例如：OpenClaw。
智能体 = 大模型（大脑） + “执行”，也就是：大模型大脑 + 记忆模块（短期上下文 / 长期知识库） + 规划模块 + 工具调用模块 + 反思模块。OpenClaw是基于大模型的智能体，能做简单规划，调用工具完成任务。

目前，高级智能体正在研发中，智能体是通往AGI的必经之路。

1.4 具身智能体是什么？

具身智能 = 大模型（大脑） + 机器人（身体） + 物理环境（工厂），能通过传感器感知物理世界、并通过执行器在物理世界中行动和学习的智能系统。
物理环境不限工厂，家庭、道路、实验室都属于；
纯数字具身智能：虚拟数字人、游戏智能体，无实体机器人