2026 夏季 InfiniTensor 训练营推理引擎 1：《AI 模型导论与推理基础原理》

7 月 13 日， 2026 夏季 InfiniTensor 大模型与人工智能系统训练营推理引擎方向第一课《AI模型导论与推理基础原理》开讲。本节课面向零基础学员，不涉及复杂推理实操，完整梳理人工智能底层基础概念，搭建 AI 基础认知框架。

重新定义智能与人工智能

什么是人工智能？底层统一逻辑

1.生物智能举例：草履虫应激反应

• 营养液环境下，草履虫主动向营养液移动
• 高盐不适环境下，草履虫主动远离有害水体
• 生物根据环境变化做出对应反馈，是最基础的智能表现

2.人工智能各类智能场景

• 图像识别系统，区分人脸性别、对应身份
• AlphaGo 依据当前棋盘局势，输出最优落子方案
• 对话类大模型，读懂用户需求，输出匹配回答，支持本地文件操作

3.数学抽象：AI 等价于黑盒函数 f (x)=y

• x 代表输入，即当前场景、特征信息
• y 代表输出，也就是模型给出的智能反馈
• 图灵测试是一种行为测试。如果模型在限定条件下与人对话，评测者无法稳定区分人与机器，则说明模型具有接近人类的对话表现能力，可作为衡量人工智能的一种经典测试方法。

AI 两大核心发展路线：符号主义与联结主义

符号主义：早期人工智能，代表产物专家系统

1.符号主义核心思想

• 认定智能本质是符号逻辑处理，全部认知均可通过固定逻辑表达式描述
• 以阴天、潮湿推断下雨、出门带伞为例，人脑依靠多层逻辑推导完成判断
• 人类所有思考行为，都能拆解为标准化逻辑公式

2.专家系统两大核心模块

• 知识库：由行业专家手动录入全部逻辑规则，系统无法自主新增知识
• 推理机：读取知识库规则，结合输入信息自动推导对应结论
• 经典应用 MYCIN：面向医生的辅助疾病诊断系统，通过症状逻辑完成初步诊断

3.符号主义与专家系统固有缺陷

• 不具备自主学习能力，环境发生变化后，只能依靠人工手动更新规则库
• 大量现实规律无法用简单逻辑描述，例如中医脉象、细微感官差异，难以符号化表达

联结主义：模仿人脑神经元，神经网络理论基础

1.连接主义核心思路

• 人类智能根源为人脑神经元网络，复刻神经元联结模式即可实现人工智能
• 人脑依靠海量神经元、突触完成电信号、化学信号并行传递，这是智能的底层载体

2.感知器：单神经元简易数学模型

• 基础计算分为两步：线性加权运算 + 非线性激活判断
• 线性计算：输入特征搭配对应权重，叠加偏移值完成数值汇总
• 非线性计算：判断神经元是否激活，区分输出结果

3.案例：水果识别感知器

• 提取水果标准化特征：尺寸、颜色、口味，转化为数值向量输入模型
• 感知器接收连续数值特征，区别于专家系统非黑即白的逻辑判断
• 仅调整权重参数、不改动整体结构，即可切换识别目标（苹果、西瓜等）

4.单层感知器的局限：无法解决异或问题

• 异或逻辑属于线性不可分问题
• 单层感知器仅能在高维空间绘制一条分割直线，无法区分对角分布样本点
• 该缺陷曾让联结主义研究长期陷入发展低谷

多层感知器解决线性不可分问题

1.两层感知器实现异或逻辑

• 两层神经元分别绘制分割线，划分空间局部区域
• 最后一层神经元做 “与逻辑” 判断，整合两层输出结果，完成异或运算

2.多层感知器通用能力

• 两层感知器：可拟合空间内任意形状决策边界
• 三层感知器：输入层、隐藏层、输出层，理论可模拟任意复杂决策边界
• 多分类任务采用 one hot 编码，多输出神经元对应不同类别判定

3.深度神经网络由来

• 多层三层神经网络相互串联堆叠，形成深度神经网络
• 输入层维度匹配特征数量，输出层维度匹配分类数量，隐藏层自由扩充神经元数量

神经网络训练核心原理

最优参数求解：损失函数与梯度下降

1.损失函数作用

• 量化模型预测结果与真实结果的差距
• 识别准确率越低，损失函数数值越大；识别精准，损失数值趋近于 0
• 训练目标：寻找一组参数，让损失函数数值最小

2.梯度下降法底层逻辑

• 通过求导计算损失函数梯度，判断参数调整方向
• 类比山谷寻最低点：沿下坡方向持续调整权重参数，不断降低整体损失

3.训练完整流程

• 将参数优化转化为函数求极值数学问题
• 持续迭代更新权重，自动拟合最优函数，整套自动化流程即为机器学习

激活函数：神经元非线性计算单元

1.符号函数缺陷

• 除零点外导数均为 0，梯度下降无法更新参数，无法用于模型训练

2.通用激活函数特点

• 输出不再局限 0、1，存在中间连续数值
• 分类任务通过取最大值（argmax）、随机采样完成类别判定
• 大模型主流使用 SwiGLU 函数，后续课程详细讲解

神经网络核心计算：矩阵乘法

1.线性计算数学表达

• 单样本输入：向量与权重矩阵相乘，叠加偏移值
• 批量样本输入：矩阵与矩阵相乘，一次性完成全部样本并行计算

2.矩阵乘硬件优势

• 计算逻辑高度并行，适配 AI 芯片算力架构
• 循环逐次计算无法充分利用硬件性能，批量矩阵运算算力利用率更高

3.大模型硬件算力挑战

• 千亿、万亿级别参数需要大容量内存存储权重
• 海量矩阵运算对芯片并行算力、低延迟、高能效提出硬性要求

特殊神经网络结构设计逻辑

通用深度网络存在的短板

单纯堆叠多层神经元，拟合复杂特征需要大量参数、算力与训练时间，效率偏低。

专用结构核心优势

提前结合数据固有特征设计网络架构，用更少参数捕捉关键特征，降低算力、内存、训练耗时。

1.卷积神经网络（视觉专用）

• 通过卷积核提取图像局部特征，类似七段灯拆解数字轮廓
• 图像识别场景参数更少、训练速度更快、识别精度更高

2.残差结构

• 拷贝浅层原始信息传递至深层，缓解多层网络信息丢失、特征弱化问题

3.层归一化

• 统一每层数值区间，避免浮点数计算累积溢出
• 大语言模型常用简化版 RmsNorm，仅缩放数值、不做中心化处理
• 优化向量区分度，提升模型收敛速度

AI 模型任务类型

按输入数据形态分类

1. 向量：固定长度一维数值，如手写数字展平特征
2. 矩阵：二维结构化数据，典型代表图片
3. 序列：长度不固定的向量组合，文字、语音、视频均属于序列输入

按输出任务目标分类

1. 回归任务：输出单一连续数值，例如气温预测、数值预估
2. 分类任务：划分固定类别，例如手写数字 0-9 识别
3. 生成任务：基于输入生成全新内容，例如文生图、文本续写

加入训练营

InfiniTensor 官网报名/听课： [https://www.infinitensor.com]

B站直播： InfiniTensor 官方直播间

答疑交流： 训练营官方社群⬇️

Description

2026 夏季 InfiniteTensor 大模型与人工智能系统训练营推理引擎第一课，完整搭建了人工智能与深度神经网络的零基础核心认知体系，串联了 AI 发展迭代、网络原理、训练逻辑、特殊结构及模型任务五大核心内容，为后续大模型学习扫清基础认知障碍。

关注与交流