人工智能

人工智能处理的是一类很宽的问题：怎样让机器根据环境和数据作出判断，怎样从经验中改善表现，怎样用语言、图像、声音或动作完成原本需要人参与的任务。搜索、规划、机器学习、知识表示、自然语言处理和机器人都属于这个范围。它们并不共享一套万能方法，也不能简单地用“像不像人”来判断水平。

“模型”“算法”“系统”和“能力”经常被混为一谈。模型只是系统的一部分。一个能够工作的人工智能系统还包括数据、特征或表示、训练与评估过程、运行环境、人工操作以及失败后的处置办法。模型在测试集上取得高分，并不等于整个系统在真实环境中可靠。

从规则到学习

早期人工智能大量依赖明确写出的知识和规则。规则方法适合边界清楚、因果关系稳定、需要解释每一步判断的任务；它的困难在于知识获取和维护，现实世界中的例外很快会让规则数量膨胀。统计学习换了一条路线：不逐条写出判断条件，而是从样本中估计规律。机器学习因此成为现代人工智能的重要基础，但并没有让规则、搜索和规划失去价值。许多生产系统仍然把学习模型与业务规则、约束求解或人工审核组合在一起。

深度学习进一步减少了人工设计特征的工作。多层神经网络能够从数据中形成逐级表示，在视觉、语音和语言任务中表现突出。Transformer 的提出改变了序列建模方式，自注意力让模型可以直接处理序列中相距较远的关系，也为后来的大规模语言模型提供了关键结构。不过，网络结构只是结果的一部分；数据构成、训练目标、计算规模和评估方法同样决定模型最终具有什么能力。

能力总是带着条件

谈论一个模型“会什么”时，需要同时说明输入范围、评价标准和失败条件。分类器可能在训练分布附近很准确，换到新的地区、传感器或业务流程后却明显退化。语言模型可以生成通顺文本，但通顺不是事实正确的保证。视觉模型能识别训练过的目标类别，却可能对成像季节、分辨率和标注方式十分敏感。

NIST 的 AI 风险管理框架把可信问题放进系统设计、开发、部署和使用的全过程，而不是在模型完成后补一份检查表。可靠性、安全、隐私、公平、透明和可解释性之间还可能发生冲突。高风险场景要先明确谁承担决策责任、错误会造成什么后果、何时必须交给人处理，再决定是否使用模型以及采用怎样的评估标准。

这套知识体系怎样展开

学习人工智能可以沿着三条线并行推进。第一条是数学和学习理论，理解概率、优化、泛化与误差；第二条是模型与方法，从经典机器学习进入神经网络、语言、视觉、强化学习和多模态；第三条是工程与治理，处理数据、实验、部署、监控、成本和风险。只走其中一条都会留下明显缺口：会调模型但不能解释结果，会推导算法但无法处理数据，或者能部署服务却不知道指标是否可信。

GeoAI 是人工智能与地理信息、遥感相遇的地方。空间自相关、尺度、坐标参考、观测误差和时间变化会让普通机器学习假设受到挑战。一个在随机划分数据上表现很好的模型，按地区划分后可能暴露出严重的泛化问题。后续页面会把这些空间条件放回模型设计和评估中，而不是把 GeoAI 处理成普通算法的应用清单。

这套 Wiki 从基础概念出发，逐步进入机器学习、深度学习、大模型、视觉、多模态、强化学习、MLOps 和风险治理。阅读不必严格按顺序，但遇到陌生概念时应回到它的前置页面。每个专题都会说明依据的资料版本；快速变化的模型和平台内容会单独标记复核日期。

主要资料

Deep Learning，用于机器学习、表示学习和深度网络的基础概念。
NIST Artificial Intelligence Risk Management Framework 1.0，用于可信人工智能与全生命周期风险框架。
Attention Is All You Need，用于 Transformer 和自注意力方法的原始技术依据。