AI 知识图鉴
八大知识域、四十八个核心概念。每个概念都从定义讲到直觉，从工作原理讲到常见误区，并配以 SVG 图解与可交互图表——无论你是第一次听说神经网络，还是每天在读论文。
STRUCTURE
从上到下是一条自然的依赖链：数学给机器学习地基，机器学习给深度学习骨架，深度学习支撑起语言、视觉、强化学习与生成模型，最后是让它们落地为产品的工程与治理。
PATHS
同一个站点，三种读法。不必按顺序，随时可以横向跳转。
不懂数学、没写过代码。从「什么是向量」「模型怎么学习」这类最朴素的问题开始，用比喻建立直觉。
知道梯度下降、听过 Transformer，但知识是碎片化的。按知识域顺序通读，把零散概念接成一张网。
需要在十分钟内回忆起某个方法的准确表述与边界条件。直接查词条、看公式、跳到延伸阅读。
DOMAINS
向量、矩阵、概率与导数 —— AI 的语言
让程序从数据里总结规律，而不是被逐条写死
把特征工程交给多层网络自己完成
从分词到 Transformer，再到“会说话”的大模型
让机器把像素读成物体、场景与三维结构
在试错与延迟奖励中学会一连串决策
从判别“这是什么”到合成“这该长什么样”
把一个能跑的模型，变成一件能用、可信、可问责的产品
SELECTED
如果只读六个词条，读这六个。
AI 把一切——词、图、声音、用户——都变成同一件事：一串数字
整个深度学习，归根到底只有一件事：沿着下坡的方向走一小步
用「全体同时开会」取代「逐字传话」，让长距离依赖一步可达
学会上千次微小的去噪，就学会了从纯噪声里造出一张图
当「好答案」写不成公式时，就让人类来当那个奖励函数
与其把知识硬塞进参数，不如让它留在外面、需要时再查——像开卷考试而非闭卷考试
USAGE
每一个知识域内部按难度递进排列，读完一个域就建立起一块完整的认知。
知识图谱页把四十八个概念画成一张关系网，一眼看清谁支撑谁、谁替代谁。
读到不认识的词，直接查术语表，比翻回前面的章节快得多。
从「向量与向量空间」开始——那是现代 AI 真正的地基。