这节课解决什么问题

AI 不是一个单一工具，而是一组让机器完成感知、判断、生成与行动的能力集合。学习 AI × Web3 之前，先把最基础的概念边界弄清楚，后面才不会把模型、Agent、自动化脚本和区块链应用混成一团。

先建立一张最小地图

可以先把 AI 相关能力分成四层：

1. 数据层：模型训练和推理所依赖的文本、图片、语音、行为数据。
2. 模型层：负责学习规律并输出结果的核心系统，例如分类模型、生成模型或多模态模型。
3. 应用层：把模型封装成产品能力，例如问答、检索、摘要、代码补全、图像生成。
4. 执行层：让模型不只“回答”，还能“做事”，例如调用工具、发起交易、写入数据库或操作链上合约。

核心概念

AI

AI 是让机器表现出类似智能行为的方法总称，重点不在“像人”，而在“能完成原本需要人判断的任务”。

Machine Learning

Machine Learning 是 AI 中最常见的一类方法。它不是手写一整套规则，而是让模型从数据里学习规律。

Deep Learning

Deep Learning 是 Machine Learning 的一个分支，擅长处理高维和复杂数据。当前大模型、图像识别、语音识别，大多建立在这条路线之上。

模型

模型是学习后的参数集合。训练阶段负责“学会”，推理阶段负责“使用”。

Prompt

Prompt 是你给模型的输入说明。模型能力再强，输入模糊，输出通常也会变差。

Agent

Agent 是在模型之上再加一层任务编排能力。它通常具备目标、记忆、工具调用和执行反馈，不只是一次性生成答案。

生成式 AI 为什么重要

过去很多 AI 系统偏向识别和分类，例如判断图片里是不是猫，或者某笔交易是不是异常。生成式 AI 把能力往前推了一步：它不仅能判断，还能写、画、总结、规划、调用工具，甚至可以在规则约束下持续完成多步任务。

对 AI × Web3 来说，这很关键，因为链上应用需要的不只是“理解信息”，还包括：

• 读取链上状态
• 整理合约和交易数据
• 生成决策建议
• 按规则执行链上动作

AI × Web3 里最常见的误解

误解 1：模型就是产品

模型只是能力底座。真正的产品还需要数据流、权限控制、执行逻辑、失败处理和用户体验。

误解 2：有了 Agent 就等于自动赚钱

Agent 只是自动执行系统，不自带正确策略。链上环境里，错误执行通常比错误回答更昂贵。

误解 3：AI 一定需要上链

不是。是否上链，取决于是否真的需要公开验证、资产结算、权限协作或不可篡改记录。

学这一部分时要记住的判断标准

• 这个系统是在识别、预测，还是在生成？
• 模型只是输出建议，还是能实际调用工具？
• 数据来源是否可信、可追溯、可更新？
• 失败成本是在聊天窗口里，还是会影响资产和权限？

这一节的最小收获

学完这一节，至少要能说清楚下面四件事：

• AI、Machine Learning、Deep Learning 的关系
• 模型、应用、Agent 不是同一层东西
• 生成式 AI 为什么更适合与 Web3 场景结合
• 在链上环境中，执行能力比单纯生成文本更敏感

下一节会接什么

下一节进入 Machine Learning 的基本工作方式，重点看模型如何从数据中学习、为什么会过拟合，以及为什么训练集和验证集必须分开。

编辑此页