23 集完整知识骨架与 L2 原创清洗稿

打开“23 集知识骨架＋30 讲补充知识点小视频”合并总览 →

本文的“完整”指原视频涉及的公共知识点、关键原理、主要步骤、局限和学习目标全部有落点，不表示复制原视频逐字表达。原视频页面明确禁止未经授权转载，因此原始机器转写只用于内部研究，不作为课程附件发布。我们的课程重新编写语言、顺序、案例、图片、练习和安全说明。

清洗方法

每一集都经过四步：

1. 保留知识骨架：记录定义、原理、步骤、区别、局限和学习目标。
2. 删除不适合直接使用的内容：删除宣传口播、品牌导流、独特人物与作业、未经核实的数字和不恰当类比。
3. 补基础解释：增加初中生可以理解的前置概念、术语解释和因果关系。
4. 进入我们的稿件：重新安排到 L2 原创 30 讲，并用工作场景、安全边界和新插图表达。

原第 01 集：什么是 AI

必须完整保留的知识骨架

• AI 是人造的智能系统，不等于所有自动运行的设备。
• 判断一个系统是不是 AI，可以观察它是否具备感知、学习、推理、规划、交互和影响现实的能力。
• 固定程序只按照提前写好的步骤运行；AI 可以根据数据和环境变化调整结果。
• AI 既能带来医疗、交通和服务方面的帮助，也可能产生偏差、失业和安全问题。

清洗与基础补充

• 不沿用原视频的设备猜题、品牌助手和科幻角色。
• 补充“不是所有 AI 都同时拥有全部能力”，避免把定义讲成固定检查表。
• 增加训练数据有偏差、输出也会有偏差的说明。

进入我们的稿件

进入第 01 讲“AI 到底是什么”、第 06 讲“具身智能”和第 07 讲“AI 对齐”。我们用“固定值日表”和“做过很多例题的学生”区分普通程序与 AI，再把现实行动和安全边界拆成独立课程。

原第 02 集：机器是怎么学习的

必须完整保留的知识骨架

• 人会利用过去经验预测新情况，机器则利用数据寻找模式。
• 训练数据可以是文字、图片、声音、视频和行为记录。
• 标签是样本的参考答案，特征是模型用于判断的线索。
• 数据的数量、多样性和准确性都会影响模型面对新样本时的表现。
• 机器学习的目标不是只记住训练样本，而是对新样本作出合理预测。

清洗与基础补充

• 不使用原视频的猜画工具、宗教人物和具体数据集数量对比。
• 补充有监督学习、无监督学习、强化学习和“泛化”的大白话定义。
• 强调数据多不等于数据好，错误标签会教出错误模型。

进入我们的稿件

进入第 21 讲“机器是怎样学习的”。我们用投篮练习解释“预测、计算错误、调整参数、再次预测”的训练循环。

原第 03 集：什么是算法

必须完整保留的知识骨架

• 算法是为了解决问题而设计的一组明确步骤和规则。
• 一个算法可以检查输入、执行步骤和输出三部分。
• 代码是把算法写成计算机能够执行的形式。
• 传统算法主要执行人提前写好的规则；机器学习算法可以根据数据调整参数。
• 算法思维的价值，是把复杂需求拆成可以执行和检查的小步骤。

清洗与基础补充

• 不沿用原视频的做蛋糕全过程、机器人老师走到门口和家庭作业。
• 增加“算法不仅存在于代码，工作流程也可以表达成算法”。
• 补充步骤明确不等于目标正确，算法还需要验收标准。

进入我们的稿件

进入第 22 讲“算法和模型不是一回事”和第 30 讲“AI 编程”。我们保留输入、步骤、输出，同时增加测试、版本和回滚。

原第 04 集：什么是模型

必须完整保留的知识骨架

• 模型是对现实对象或规律的简化表示，会根据目标保留关键特征。
• 地图、天气预测和科学公式都可以看作不同形式的模型。
• AI 模型是算法使用数据完成训练后的成果。
• 语言模型模拟语言中的规律，大语言模型拥有更大的训练数据、参数和计算规模。
• 模型可以用于理解、分类、生成和预测，但不是现实本身。

清洗与基础补充

• 不沿用原视频的沙盘、飞机模型和具体模型参数数字。
• 明确“大”不等于每项任务都更准确，仍要看训练质量和评测。
• 补充模型版本、训练数据和上线日期属于企业评估信息。

进入我们的稿件

进入第 22 讲“算法和模型不是一回事”、第 03 讲“大语言模型”和第 27 讲“大模型训练”。

原第 05 集：训练一个模型

必须完整保留的知识骨架

• 先定义类别和任务，再收集训练数据。
• 同一类别需要不同角度、环境和表现形式，提高数据多样性。
• 模型经过训练后要用新样本测试，不能只看训练数据表现。
• 模型遇到训练中没有定义的类别时，仍可能被迫在已有类别中选择。
• 数据、训练、测试和迭代共同构成模型实验。

清洗与基础补充

• 不复制原视频的具体在线工具、三种水果和点击流程。
• 补充训练集、验证集、测试集及数据泄漏。
• 增加隐私清理、漏判、速度、稳定性和上线监测。

进入我们的稿件

进入第 23 讲“训练一个小模型的六个步骤”。案例改为企业工单分类等可脱敏场景。

原第 06 集：什么是生成式 AI

必须完整保留的知识骨架

• 分类式 AI 判断输入属于哪个类别。
• 生成式 AI 学习数据模式后生成新的文字、图像、声音、代码或视频。
• 两类 AI 都依赖数据，但训练目标、模型结构和输出形式不同。
• 分类和生成能力可以在同一系统中配合工作。
• 生成式 AI 能扩大创意范围，也会带来事实、版权和质量风险。

清洗与基础补充

• 不使用原视频的动物混合体、产品清单和判断题。
• 增加“生成不等于复制，也不等于事实正确”。
• 补充提示词、参考资料和人工审核的作用。

进入我们的稿件

进入第 02 讲“生成式 AI”和第 29 讲“扩散模型生图”。

原第 07 集：大语言模型运作原理

必须完整保留的知识骨架

• 大语言模型根据已有上下文预测接下来最可能出现的语言单位。
• 新生成的内容会加入上下文，继续影响后续预测。
• 海量语料帮助模型学习语法、表达、搭配和常见知识模式。
• 模型追求上下文中的合理与连贯，并不会自动验证现实事实。
• “幻觉”是模型生成看似可信但实际错误或不存在的内容。

清洗与基础补充

• 不沿用多人故事接龙、原句续写、法律案例讲法和无来源的产品幻觉率。
• 用 Token 替代不准确的“每次预测一个词”。
• 增加来源、证据、不确定性声明和 RAG。

进入我们的稿件

进入第 03 讲“大语言模型”、第 24 讲“Token”和第 12 讲“RAG”。

原第 08 集：什么是推理模型

必须完整保留的知识骨架

• 推理是从条件出发，通过中间步骤得到结论。
• 推理模型更倾向于拆解问题、生成中间计划、比较路线或调用工具。
• 把大问题拆成常见小问题，可以提高处理新问题的能力。
• 推理过程仍然建立在模型生成和计算之上，不代表拥有人的意识。
• 思考步骤多不等于答案一定正确，关键结论仍要验证。

清洗与基础补充

• 不使用原视频的水果算术题、减肥计划和原哲学讨论顺序。
• 不要求模型向用户暴露所有隐藏内部推理，而是输出可检查的计划、依据和结论。
• 补充推理会消耗更多时间和算力，简单任务无需使用复杂模式。

进入我们的稿件

进入第 04 讲“推理模型为什么要先拆步骤”，用项目预算、人员和期限的组合问题重新讲解。

原第 09 集：什么是 Token

必须完整保留的知识骨架

• 模型不会直接按照人的字数概念处理文字，而是先把内容切成 Token。
• Token 可能是一个字、一个词的一部分、标点或者其他符号。
• 不同模型使用的切分表可能不同，同一句话的 Token 数也可能不同。
• 模型根据前面的 Token 预测下一个 Token。
• Token 数量影响上下文容量、计算量、响应速度和费用。

清洗与基础补充

• 不复制原视频的具体中文词、英文后缀和外部切词工具作业。
• 增加历史对话、工具结果和模型输出都会占用上下文窗口。
• 解释为什么 RAG 比每次塞入整个资料库更节省 Token。

进入我们的稿件

进入第 24 讲“Token 是模型阅读的小积木”，并在第 03 讲首次出现时先给出简单解释。

原第 10 集：什么是智能体

必须完整保留的知识骨架

• 普通模型主要回答或生成内容，Agent 会围绕目标继续行动。
• Agent 能拆分任务、制定计划、调用工具、观察结果并调整下一步。
• 自主性不是只有“有或没有”，而是从低到高的连续范围。
• Agent 越能影响现实，权限与责任风险越高。
• 使用 Agent 时，人仍需保留目标、控制和危险动作确认权。

清洗与基础补充

• 不沿用感冒预约买药、购物下单和具体产品热度案例。
• 不把某一个会推理的聊天模型直接等同于完整 Agent。
• 增加模型、工具、记忆、循环和权限五个工程组成部分。

进入我们的稿件

进入第 05 讲“Agent 如何完成任务”和第 16 讲“提示词、Skill、MCP 与 Agent 的关系”。

原第 11 集：什么是具身智能

必须完整保留的知识骨架

• 具身智能让 AI 通过身体和环境交互，在行动反馈中学习。
• 身体可以是机器人、机械臂、车辆、无人机或其他设备。
• 传感器负责感知，模型负责规划，控制系统负责执行动作。
• 只会按照固定程序运动的机械设备，不一定属于具身智能。
• 现实世界具有噪声、变化、碰撞和安全风险，比纯文字环境更复杂。

清洗与基础补充

• 不沿用具体人形机器人、仿生机器人品牌和未来家庭剧情。
• 补充安全停止、急停、减速和人工接管。
• 把“身体经验”解释为感知—行动—反馈循环，不暗示机器人拥有人的感受。

进入我们的稿件

进入第 06 讲“具身智能”和第 11 讲“世界模型”。

原第 12 集：什么是对齐技术

必须完整保留的知识骨架

• 对齐让 AI 的行为尽量符合人的真实意图、规则和价值边界。
• 未经对齐的模型可能学习数据中的暴力、偏见、欺骗和冒犯表达。
• 人类反馈可以帮助模型区分更合适与更不合适的回答。
• 对齐需要面对不同文化、不同群体和不同场景的价值差异。
• 安全与创造力、服从与自主之间需要持续测试和平衡。

清洗与基础补充

• 不沿用机器人三定律、早期聊天机器人事件和“思想品德课”的完整叙事。
• 用“基于人类反馈的强化学习”说明一种方法，但不把它说成唯一方法。
• 增加模型外部权限、沙箱、审计和审批，避免把安全全部交给训练。

进入我们的稿件

进入第 07 讲“AI 对齐”和第 20 讲“长任务安全”。

原第 13 集：什么是认知外包

必须完整保留的知识骨架

• 认知外包是把记忆、计算、搜索、整理或部分思考交给外部工具。
• 文字、笔记本、计算器、导航和 AI 都可以成为认知工具。
• 延展心智观点认为工具有时会成为人思考过程的一部分。
• 认知外包能提高效率，也可能让方向感、表达、推理和判断能力退化。
• 关键问题是哪些任务适合外包，哪些核心能力必须自己保持。

清洗与基础补充

• 不沿用原视频的作业讨论顺序、紧急重要四象限和无来源预测数字。
• 使用“AI 汇总访谈，人检查原话和分类标准”的工作案例。
• 增加“为了效率还是为了逃避努力”的自我检查。

进入我们的稿件

进入第 08 讲“健康的认知外包”，并在课程练习中要求学员分成 AI 完成、人机合作和人必须决定三类。

原第 14 集：AI 会让人们失业吗

必须完整保留的知识骨架

• 历次技术变化都会让部分任务和职业消失，也会创造新任务和新职业。
• 重复性强、规则明确、输入输出稳定的任务更容易自动化。
• 一个岗位包含很多任务，AI 通常先改变任务组合。
• 新岗位可能出现在 AI 测试、数据治理、隐私、安全、机器人维护等领域。
• 真正困难的是旧岗位人员能否及时转移技能，社会是否提供培训与保障。
• 技能半衰期缩短，终身学习越来越重要。

清洗与基础补充

• 不照搬历史职业故事串、替代岗位清单和未经核验的就业数字。
• 从“岗位会不会消失”改为“哪些任务自动化、增强或保留人工”。
• 增加流程设计、责任划分和再培训。

进入我们的稿件

进入第 09 讲“AI 改变的是任务组合”，用财务票据处理说明自动化、增强与责任。

原第 15 集：以人为中心的人工智能

必须完整保留的知识骨架

• AI 的最终价值应该是改善人的生活，而不是让人失去理解、选择和尊严。
• 系统应当可解释、可控制、可修改、可退出和可转人工。
• 老人、儿童、残障人士等真实用户应该参与产品设计与测试。
• 评价 AI 不只看效率，还要看公平、安全、可持续和社会影响。
• 人应该保留重要决定和责任。

清洗与基础补充

• 不使用原视频机构宣传、个人项目故事和未提供来源的改善数据。
• 把理念落实为界面和流程要求，而不是停留在口号。
• 增加申诉、更正和撤销机制。

进入我们的稿件

进入第 10 讲“以人为中心的 AI”，用招聘辅助系统说明依据、偏差、人工决定和候选人申诉。

原第 16 集：AI 编程

必须完整保留的知识骨架

• AI 可以把自然语言需求转换成页面、功能和代码草稿。
• 用户可以继续用自然语言修改界面与功能。
• AI 编程结合大语言模型、工具调用、代码执行和多步任务能力。
• 不懂全部代码也能参与创作，但仍需把需求说明清楚。
• 生成应用只是开始，真实上线还要测试、部署和维护。

清洗与基础补充

• 不复制原视频的特定平台、逐步点击过程、作品选题和社区导流。
• 明确“一句话生成”不等于“一句话安全上线”。
• 增加测试、安全扫描、权限检查、版本、回滚和人工审查。

进入我们的稿件

进入第 30 讲“AI 编程不等于一句话上线”，从产品演示升级为工程闭环。

原第 17 集：神经网络

必须完整保留的知识骨架

• 人工神经网络是受大脑启发的数学结构，不是真正的人脑。
• 网络通常由输入层、隐藏层和输出层组成。
• 前面的层提取较简单的特征，后面的层组合成更复杂的表示。
• 权重、偏置等参数决定信息怎样在网络中传递。
• 不同神经网络结构适合不同类型的数据和任务。

清洗与基础补充

• 不照搬从视网膜到多个大脑区域的识车全过程和具体模型参数数字。
• 用“多人传球队”解释分层协作。
• 增加激活函数，并明确节点多不代表拥有意识。

进入我们的稿件

进入第 25 讲“神经网络是很多小计算的合作队”。

原第 18 集：动手编写神经网络

必须完整保留的知识骨架

• 一个简单神经网络可以接收输入，通过隐藏层计算，再输出预测。
• 权重表示输入对结果的影响程度，偏置表示额外的基础量。
• 激活函数决定计算结果怎样继续传递，并能表达非线性关系。
• 训练模型就是根据预测误差调整参数，使预测逐渐接近目标。
• 手动调整只适合极小示例，真实训练通常使用反向传播与优化算法。

清洗与基础补充

• 不复制在线 Python 平台、预测考试分数的代码、参数数值和数学表达式。
• 保留初中生能理解的基础公式：“输出等于输入乘权重，再加偏置”。
• 将编程演示改为概念图，避免把手工调几个数字误解为完整训练工程。

进入我们的稿件

进入第 23 讲“小模型训练”和第 25 讲“神经网络”，后续实操可以使用自有数据与代码重新设计。

原第 19 集：什么是 Transformer

必须完整保留的知识骨架

• Transformer 是现代大语言模型的重要神经网络架构。
• 文字先被转换成数字向量，这个过程叫词嵌入。
• 向量空间可以表达词语之间的相似性和关系。
• 自注意力机制会计算当前 Token 与其他 Token 的相关程度。
• 多头注意力可以同时关注语法、含义和远距离关系。
• 注意力帮助模型利用上下文，但不保证理解一定正确。

清洗与基础补充

• 不沿用原视频的餐馆、代词句、国王王后和国家首都向量公式。
• 用“语言地图”和“多束阅读聚光灯”解释词嵌入与注意力。
• 不把高维向量关系描述成绝对精确的人类知识地图。

进入我们的稿件

进入第 26 讲“Transformer 为什么能联系上下文”。

原第 20 集：大模型怎么训练

必须完整保留的知识骨架

• 预训练让模型通过大量文本和 Token 预测学习通用语言模式。
• 指令微调使用问题与优质答案，训练模型按照任务要求回答。
• 偏好与安全对齐让模型更倾向于有用、诚实和安全的行为。
• 训练通过误差反馈不断调整大量参数。
• 训练后的参数不是可以逐条查询的资料库，模型仍可能记错和过期。

清洗与基础补充

• 不复制原视频的首都填空、医生客服回答和具体数据规模。
• 分清“指令微调”和更广义的领域微调。
• 增加普通团队通常从基础模型开始，而不是从零预训练大模型。

进入我们的稿件

进入第 27 讲“大语言模型怎样训练”，并与第 28 讲的选型方法衔接。

原第 21 集：实战微调大模型

必须完整保留的知识骨架

• 微调需要少量但高质量、与目标任务一致的训练样例。
• 数据要整理成模型或平台要求的格式。
• 训练需要设置轮数、学习率、模型大小等参数。
• 训练完成后必须使用未参加训练的样例测试。
• 微调可以改变模型风格和任务习惯，但不适合保存频繁更新的事实。
• 文字、声音和人物形象的模仿涉及隐私、肖像、人格与授权。

清洗与基础补充

• 不复制采访爷爷、模仿语气、克隆声音、生成数字人和具体训练平台流程。
• 用获得授权并完成脱敏的企业工单、格式转换等数据举例。
• 增加训练数据来源记录、隐私清理、独立评测和失败回退。

进入我们的稿件

进入第 28 讲“微调、RAG 和 Skill 怎样选”。我们先教选型，再决定是否需要真正训练。

原第 22 集：AI 生图与扩散模型

必须完整保留的知识骨架

• 扩散模型训练可以理解为学习正向加噪与反向去噪。
• 生成时从随机噪点开始，根据文字条件逐步形成图像。
• 随机起点让同一提示多次生成得到不同结果。
• 模型学习的是图像分布规律，并不等于真正理解物体结构。
• 手指、文字、对称和复杂结构容易出错。
• 风格提示、参考图、结构引导、多次生成和人工筛选可以改善结果。

清洗与基础补充

• 不沿用原视频的猫图逐步加噪镜头、产品清单和原技巧顺序。
• 增加课程配图工作规范：AI 生成无字底图，中文由 HTML 或 PPT 排版。
• 补充品牌、肖像、参考图和生成素材的权利检查。

进入我们的稿件

进入第 29 讲“扩散模型怎样从雪花噪点生成图片”，并实际用于 30 张原创课程插图。

原第 23 集：什么是世界模型

必须完整保留的知识骨架

• 世界模型表示环境状态、物体、动作、变化和可能结果。
• 物体暂时被遮挡时仍然存在，这叫物体持续存在。
• 世界模型需要理解运动、物理约束、因果关系和时间连续性。
• 视频生成中的人物变形、物品消失和动作断裂，反映模型对世界规律掌握不足。
• 世界模型可用于视频生成、自动驾驶、机器人和行动规划。
• 更明确的起始状态、结束状态和动作限制，可以减少生成时的自由猜测。

清洗与基础补充

• 不照搬杯子、小狗遮挡等开场，也不使用与精神疾病、自闭症的不恰当类比。
• 不使用未经核验的公司项目列表和“通往通用智能”的确定性表达。
• 增加“模拟不等于现实”，必须小范围验证、监控和人工接管。

进入我们的稿件

进入第 11 讲“世界模型像脑内模拟器”，并与第 06 讲具身智能的安全行动连接。

23 集之后新增的 L2 热点内容

原始 23 集没有完整覆盖、但当前 L2 学员必须理解的内容，被单独加入原创课程：

最终课程加工链

原视频音轨，仅内部研究 → 机器转写，仅内部校对 → 23 集知识骨架 → 删除不可直接使用内容 → 补基础解释和安全边界 → 重新组织为 L2 原创 30 讲 → 原创配图 → 补充知识点小视频口播稿（可用于 TTS 配音）→ 人工事实与版权审核

当前交付状态

• 23/23 集公共知识点已建立完整骨架。
• 23/23 集均记录了清洗内容与原创课程落点。
• L2 原创课程已扩展为 30 讲。
• 30/30 讲已有补充知识点小视频图文口播稿、记忆公式和发音提示。
• 原始完整转写不进入公开课程文件；如以后取得权利人的明确授权，可另行建立受控的授权原稿档案。