AI70年就绕不开150个概念？其实核心就这几类你有没有这种感觉：AI行业每几个月就冒出一堆新名词——Transformer、Diffusion、RAG、Agent、MCP、CoT、RLHF……每次看到新词都觉得自己"又落后了"。这种焦虑很真实，但也大可不必。AI虽然看起来概念爆炸，但底层只需要一张"认知坐标图"就能看懂。这个坐标图把AI的所有概念分成几大类，每一类你只需要理解"它要解决什么问题"和"它怎么解决"，就够了。一、一个简单的分类框架AI从1956年达特茅斯会议发展到今天，70年的演进可以归纳为四个阶段：符号主义 → 机器学习 → 深度学习 → 大模型重要的是：这些不是替代关系，是递进关系。每一波浪潮都解决了前一波的某些问题，但也带来了新的挑战。阶段时间范围核心方法解决了什么局限是什么符号主义1956-1980s人手写规则形式化推理规则写不完，遇到例外就崩机器学习1980s-2010s从数据中找规律自动发现模式需要人工设计"特征"深度学习2010s-2020s神经网络自动特征提取不需要手工特征需要大量数据和算力大模型2020s-现在Transformer+海量数据零样本、少样本泛化幻觉、可控性差、成本高一个重要的洞察：被淘汰的不是"AI"这个目标，而是"上一种实现AI的方法"。二、AI核心概念分类把150多个概念按类别拆分，其实就六大类：类别包含哪些概念核心问题模型架构RNN、CNN、Transformer、Mamba模型怎么设计？训练方法监督学习、自监督、RLHF、强化学习模型怎么学？数据技术RAG、向量数据库、上下文压缩、知识图谱模型怎么获取信息？推理策略CoT（思维链）、ToT（思维树）、MoC模型怎么思考？评估对齐Benchmark、红队测试、价值观对齐模型做得对不对？应用框架Agent、MCP、Function Calling、Workflow模型怎么用？理解每个类别的"核心问题"，比记忆所有概念名称重要100倍。2.1 模型架构类——模型怎么搭？架构出现时间核心想法主要局限RNN1990s按顺序处理序列，有记忆长序列时前面的会"遗忘"CNN2000s用滑动窗口提取局部特征不适合序列任务Transformer2017自注意力机制：同时看所有位置计算量随序列长度平方增长Mamba2024状态空间模型，线性复杂度生态不够成熟Transformer为什么是里程碑？Transformer之前，主流的架构（RNN/LSTM）是从左到右逐字处理文本。这个顺序依赖带来了两个致命问题：不能并行——处理第100个字之前必须处理完前99个长距离遗忘
