AI vs 机器学习
AI 是更大的目标和问题域，机器学习只是其中一种实现方法，不是全部。
AI、机器学习与大模型地图
这一页先不讲公式，而是先建立一张稳定的“技术地图”。如果一开始没有地图，后面学 Token、Attention、Transformer、RAG 时就会像在记散碎名词；有了地图，就知道每个概念处在整条技术链路的哪里。
先点一层，再看细节
点击左侧卡片，右侧会显示这一层主要解决什么问题、典型任务是什么，以及它和后续大模型学习的关系。
学习提示： 以后遇到新术语，先问自己它是在讲数据表示、模型结构、训练方法、推理策略，还是应用系统。能先归层，理解会快很多。
推荐的学习路线
1
先有地图
先知道自己到底会学到哪几层，防止一上来就被术语淹没。
2
再看表示
先理解文本如何变成 token、向量和矩阵，再去看 Attention 才不会空转。
3
再进 Transformer
进入 QKV、位置编码、Mask、Transformer Block 这些核心机制。
4
最后看系统
再去理解 RAG、Tool Use、Agent、评测、安全和部署。
最容易混淆的 4 组概念
机器学习 vs 深度学习
深度学习是机器学习中的一个重要分支，擅长从高维数据中学习复杂表示。
深度学习 vs 大模型
大模型不是独立世界，而是建立在深度学习之上的规模化预训练模型路线。
模型原理 vs 产品系统
“会检索”“会调用工具”“像助手一样回答”往往来自模型与系统共同作用，而不只是单个网络结构。
常见误区： 很多人一听“大模型技术”，脑子里只剩下 Transformer 或 Attention。其实那只是模型结构层，真正的落地能力还要看训练、推理和系统层。
这一页学完后，接下来该看什么
如果你完全零基础
推荐下一步进入“字符、Token 与向量”，先把文本表示这条线打通。
如果你想先看现有交互实验
可以直接进入当前已经上线的 Transformer 自注意力实验，再回来补齐路线图和基础页。
一句话总结： 大模型不是一个孤立点，而是一张从数据表示、模型结构、训练、推理到应用系统逐层展开的技术地图。