这节课解决什么问题

Machine Learning 说明了“模型如何学习”。这一节要回答的是：为什么 Deep Learning 能成为这一轮 AI 爆发的核心方法，以及它和今天的大模型到底是什么关系。

可以先这样理解 Deep Learning

Deep Learning 是建立在多层神经网络上的学习方法。
“深”不是抽象概念，而是网络层数更多、表达能力更强，能够自动从复杂数据里提取更高层次的特征。

和早期大量依赖人工设计特征的方法相比，Deep Learning 更擅长直接处理：

• 文本
• 图片
• 音频
• 视频
• 多模态混合输入

神经网络在做什么

神经网络本质上是在做一连串可学习的变换。

你可以把它想成多层过滤器：

• 第一层学到较浅的模式
• 中间层逐步组合信息
• 更深层形成更抽象的表示

在图像里，浅层可能识别边缘和纹理；在文本里，浅层可能识别词与词的关系，深层则开始理解上下文和语义。

为什么算力、数据和模型规模一起变大后，效果会突然好很多

Deep Learning 的能力不是只靠“方法更新”来的，而是三件事共同推动：

1. 数据规模变大
2. 算力成本下降
3. 模型参数规模持续提升

当这三件事叠加后，模型不再只适合做单点任务，而开始表现出更强的通用能力。

从神经网络到大模型

今天常说的大模型，本质上仍然属于 Deep Learning 的范畴。它们不是完全不同的物种，而是神经网络路线在数据、参数和训练方式上大幅扩展后的结果。

你可以把关系理解成：

• 神经网络：基本结构
• Deep Learning：基于多层神经网络的学习方法
• 大模型：Deep Learning 在大规模数据和算力条件下的产物

Transformer 为什么重要

当前文本与多模态大模型大多建立在 Transformer 架构上。它的重要性在于：

• 更擅长处理长距离上下文关系
• 更适合大规模并行训练
• 更容易扩展到大参数规模

你不需要现在就掌握内部公式，但需要知道：
今天绝大多数 AI × Web3 场景里用到的语言模型、代码模型和多模态模型，背后都离不开这条技术路线。

Deep Learning 的优势和代价

优势

• 能处理复杂、非结构化数据
• 特征工程依赖更低
• 在生成、识别、理解任务上表现强

代价

• 训练和推理成本高
• 对数据规模和质量敏感
• 可解释性相对较弱
• 错误可能更隐蔽，不容易一眼看出

放到 Web3 语境里怎么看

Deep Learning 适合做的事情包括：

• 处理链上交易行为序列
• 分析治理讨论文本
• 生成研究摘要和策略草稿
• 做链上风险识别和模式发现
• 为 Agent 提供决策与执行前的理解能力

但它不适合被神化。
在链上场景里，模型再强，也仍然需要：

• 明确权限边界
• 明确触发条件
• 明确失败回滚逻辑
• 明确人工监督机制

这一节的最小收获

学完后，至少要能说清楚：

• Deep Learning 是什么
• 它与神经网络、大模型之间的关系
• Transformer 为什么重要
• Deep Learning 的优势和代价分别是什么

下一节会接什么

下一节进入 AI 工具与平台。重点从“原理”转向“怎么上手”，把常见的模型服务、开发框架和实际工作流放进一张更实用的地图里。

编辑此页