Layers of AI & DNN/CNN/RNN/GAN

Layers of AI

最底层是 传统 AI（Classical AI），靠的是规则、逻辑和专家系统。它不“聪明”，但稳定、可控，在早期工业系统和规则引擎里非常常见。

再往上是 机器学习（Machine Learning），开始从数据中总结规律，做分类、回归、强化学习，这是“让系统自己学”的起点。

接下来是 神经网络（Neural Networks）。这一层解决的是“怎么学得更好”，包括损失函数、反向传播、激活函数、隐藏层等核心机制。很多人直接跳过这层学大模型，其实很容易只会调参、不懂原理。

再往上是 深度学习（Deep Learning），也就是我们熟悉的 CNN、RNN、Transformer。这一层让模型具备了处理图像、语言、时序数据的能力，是大模型爆发的技术基础。

然后才是现在最火的 生成式 AI（Generative AI）：LLM、扩散模型、多模态模型。它们擅长“生成”——写文本、画图、做总结、对话，但本质上仍然是“一次性输出”，并不具备长期目标和自主行为。

最上面这一层，才是最近大家频繁提到的 Agentic AI（智能体）。它关注的已经不只是生成能力，而是： 有没有记忆？会不会规划？能不能调用工具？能否自动执行并持续调整？ 也正是在这一层，AI 的“行为”开始发生变化，不再只是回答问题，而是像一个能做事的系统。

DNN

原理

把图片、文字等数据，丢进多层神经元，每层神经元都和上下层相连接,通过调参数让网络自己从数据里找规律。层数越多，能找的规律越复杂。

主要应用场景

• 看图片/听声音：识别图片，语音转文字
• 处理文字：翻译句子，判断评论情感
• 预测：猜股票涨跌，看病人检查结果

算法优缺点

优点：能处理复杂问题，如识别模糊图片比传统方法准。

缺点：内部黑盒，训练大模型消耗大

CNN

原理

局部看：用卷积核扫描一小块

共享参数：同一个卷积核重复使用

缩小图：用池化层把图片缩小

RNN

专门处理序列数据，能记住前面的信息，能根据前面信息猜测后面结果。

主要场景

• 写东西：根据前面句子接龙
• 翻译：跨语言翻译
• 听语音：把语音转文字
• 预测：猜测明天的天气、股票涨跌

优缺点：

• 优点：能处理任何长度的序列，能记住上下文
• 缺点：记不住太久远的信息（100个词）

GAN