父级与支柱页面：从 AI 入门到 AI Context Workspace。
关键要点
- 认识 AI 不等于从数学公式开始，也不等于把它当成什么都懂的聊天对象。
- AI 是一个领域，生成式 AI 是其中一类技术，大语言模型是当下许多文本应用的能力基础。
- 普通使用者需要的是概念地图与能力边界感，而不是完整算法课程。
- 能否选择任务、准备资料、发现错误和控制风险，是判断入门知识够不够的标准。
- 模型能力不能代替项目事实，项目事实也不能代替人工验收。
这一部分解决什么问题？
认识 AI，不等于从数学公式开始，也不等于把 AI 当成什么都懂的聊天对象。普通使用者首先需要一张概念地图：AI 是一个领域，生成式 AI 是其中一类技术，大语言模型是当下许多文本应用的能力基础。
本篇章只建立使用所需的基础，不展开完整算法课程。判断标准是：这些知识能否帮助你选择任务、准备资料、发现错误和控制风险。
本篇章的定位是导读，而不是教材。它不追求覆盖面，而是为后面几篇划定共同语言。遇到不确定的概念，可以先回到这里的定义，再进入具体篇章。
这里先固定几个后续反复出现的基础定义，便于在阅读其它篇章时对齐含义：
- 人工智能（AI）：研究和构建能够完成识别、推理、学习、生成等智能任务的系统的领域。
- 生成式 AI：AI 中强调“生成内容”这一能力的一类技术，可用于生成文本、图像等内容。
- 大语言模型：主要处理和生成语言的模型，是当下许多文本应用的能力基础。
以上定义来自本系列的 什么是 AI：从发展脉络认识生成式 AI，那里给出更完整的脉络与概念区分。
为什么需要一张概念地图？
初学者常见的问题不是“知道得太少”，而是知道得太零散：把某个产品的功能当成 AI 的普遍能力，把生成式 AI 当成 AI 的全部，把流畅表达当成事实正确。这些误解不会在闲聊中暴露，却会在真正交付任务时造成损失。
一张稳定的概念地图不要求背下术语，而是让你能判断：当前这个需求属于哪一类任务，模型在此类任务中可能擅长什么、容易出错什么。例如，识别与排序更接近分类和判断，生成草稿更接近内容创作，两者的验收方式并不相同。
有了这张地图，你在最需要 AI 的时候就不容易用错方式：该提供资料时却要求它“更聪明”，该核查时却选择直接相信，该由人确认的动作却交给自动执行。
常见的三种误解
把 AI 当成一个含义固定的词，往往会导致预期错位。下面把三种常见说法与更准确的理解放在一起对照。
| 常见说法 | 更准确的理解 | 对使用的影响 |
|---|---|---|
| “AI 就是那个聊天机器人。” | AI 是领域，聊天产品只是它的应用形式之一 | 不会把某个产品的功能误当成 AI 的天然能力 |
| “生成式 AI 已经覆盖了 AI。” | 生成式 AI 只是其中一类技术，识别、排序等也是 AI 任务 | 遇到分类、排序需求时，不会只想到生成文本 |
| “它答得流畅，说明它知道。” | 文字流畅不等于事实正确，缺少资料时可能给出看似合理的错误答案 | 重要事实要回到原始材料核对 |
这张表不涉及模型实现细节，却直接决定你用 AI 做事时的取舍。
能力边界感意味着什么？
能力边界感不是给 AI 的能力划一条固定上限，而是知道哪些结论需要额外证据。模型可以流畅地组织语言，却可能在事实层面出错；它可以给出方案，却不能为方案在现实中的后果负责。
因此，本篇章反复强调两条边界：模型能力不能代替项目事实，项目事实也不能代替人工验收。前者提醒你要主动提供经过确认的资料，后者提醒你最终判断仍要由人完成。
这两条边界会在后面几篇反复出现：资料如何进入上下文，见 AI 上下文导读；如何为任务准备资料并验收，见 AI 应用导读。
阅读顺序
- 什么是 AI：从发展脉络认识生成式 AI：理解 AI 为什么不等于聊天机器人，建立简要发展脉络。
- 普通人需要学习 AI 底层知识吗：按使用者、应用开发者和模型研究者区分学习深度。
两篇合起来回答两个入门问题：AI 是什么，以及我需要学到多深。建议按顺序阅读：先建立概念，再决定投入。若时间有限，至少读完其中一篇并完成文末的完成标准。
用一个问题检查理解
假设你要请 AI 写一篇介绍自家产品的文章。它很擅长写作，但不知道产品最新价格。此时，优先提供经过确认的价格资料，比要求它“变得更聪明”更直接。
不过，提供资料只能解决信息缺失，不能保证它不会误读。你仍要对照原文核查价格和条件。这同时体现了两条边界：模型能力不能代替项目事实，项目事实也不能代替人工验收。
这个例子也说明，“会生成”与“会应用”是两种能力。把概念转成可执行任务的方法，见 AI 应用导读 与 什么是 AI 应用：模型、工具与工作流。
本篇章的完成标准
- 能举出一个非生成式 AI 的例子和一个生成式 AI 的例子。
- 能说明训练模型与给模型补充资料不是同一件事。
- 能指出一个不适合直接采纳 AI 答案的高风险场景。
达到这三条，就具备了继续学习应用与上下文所需的起点。完成标准不是考试，而是自我检查：如果某一条无法举例，说明对应的概念还没有真正进入可用的程度。
常见问题
学 AI 需要先学数学吗？
不需要把数学当作入门前提。只有目标转向研究或优化模型时，才需要逐步深入数学与模型原理；目标是用 AI 写作、整理资料或辅助办公，需要的则是能力边界、资料管理和结果验证。关于不同目标对应的学习深度，可继续阅读 普通人需要学习 AI 底层知识吗。
生成式 AI 就是 AI 的全部吗？
不是。AI 是领域，机器学习是其重要分支，深度学习属于机器学习，生成式 AI 强调生成内容这一能力。识别、排序等任务同样属于 AI，只是不强调“生成内容”。完整的关系见 什么是 AI：从发展脉络认识生成式 AI。
AI 会自己知道我公司的业务事实吗？
不会自动知道。模型能力不能代替项目事实，缺少资料时它可能给出看似合理但不正确的答案。涉及价格、政策等事实时，应提供经过确认的资料并回查原始来源。
入门要学到什么程度才算够？
看这些知识能否帮助你选择任务、准备资料、发现错误和控制风险。能满足这四件事，就够用了。随着任务变复杂，需要补充的往往是如何组织上下文，而不是先学完所有术语。
接下来阅读 AI 应用导读，把概念转成可执行的任务。