2026 年 1 月 12 日，2025 冬季 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》正式开讲。
本节课面向零基础学员，介绍人工智能模型的基本概念与推理基础原理，为后续推理系统与训练方向奠定理论基础。
智能的本质与AI模型基础
1. 什么是智能？
- 定义：针对不同情景给出合理输出反应
- 生物实验案例：草履虫应激性实验
- AI应用实例：图像识别、AlphaGo、聊天机器人
2. 人工智能的基本概念
- 图灵测试原理
- AI模型的黑盒子比喻
- 函数表示法：输入情景→输出反应
人工智能发展历程
1. 符号主义（上世纪50年代）
- 核心思想：智能是对符号的处理
- 专家系统架构：知识库+推理机
- 成功案例：MYCIN医疗诊断系统
- 局限性分析
2. 联结主义与感知器
- 核心思想：智能源于人脑神经元结构
- 感知器原理：模拟生物神经元
- 线性计算与非线性计算结合
感知器与神经网络基础
- 感知器工作原理
- 特征权重分配原理
- 阈值判断机制
- 实例分析：水果识别系统
- 感知器的优势与局限
- 数值表示的灵活性
- 参数可调性
- 异或问题：线性不可分性
多层感知器（MLP）
1. 解决线性不可分问题
- 多层结构原理
- 异或问题的多层解决方案
- 区域划分策略
2. 万能近似定理
- 三层神经网络近似任意复杂决策边界
- 输入维度与输出种类的关系
- 深度神经网络的形成原理
神经网络训练原理
1. 损失函数与参数优化
- 损失函数的作用
- 梯度下降法原理
- 高维空间优化比喻
2. 激活函数
- 符号函数的局限性
- 常用激活函数类型
- 连续性与可导性要求
特殊神经网络结构
1. 卷积神经网络（CNN）
- 特征提取效率优化
- 图像识别中的应用
2. 残差连接
- 信息损失问题
- 跨层连接原理
3. 层归一化
- 解决内部协变量偏移
- LayerNorm与RMSNorm
- 加速模型收敛并提高训练稳定性
核心计算算子与硬件支持
1. 矩阵乘法
- 神经网络中的核心计算
- 并行计算特性
2. 神经网络与智能芯片
- 专用硬件优化
- 主流芯片介绍（A100、昇腾等）
AI模型的任务类型分类
1. 输入类型
- 向量输入
- 矩阵输入
- 序列输入
2. 输出任务类型
- 回归任务（regression）：气温预测、概率
- 分类任务（classification）：图像识别
- 生成任务（generation）：文本翻译、图片生成
总结与展望
这节课搭建了理解AI模型的理论基石，接下来我们将深入大模型内部，学习如何优化其推理性能。
💡 学习贴士
更多细节及完整课程内容，请观看直播或查看课程回放。
链接：https://www.infinitensor.com/camp/winter2025
📚 训练营报名持续进行中
扫码报名与加入群聊，或点击 「阅读原文」 直达官网报名
