人工智能的本质是函数：**y=F(x) **。其中，F 是人工智能， x 是人类给人工智能的输入，y 是人工智能在给定指令的输出。输入的形式很多，当前流行的 Prompts 是其中 之一；输出的形式也很多，如 Deepseek 打印出的的生成式文本。
如何构建人工智能，即如何找到函数 F？
我们假设最简单的函数形式：y=ax+b 是人工智能，那么构建这个人工智能实际上是确定 a 和 b 的值。确定 a 和 b 的值非常简单，只需要两个样本点。通常，人类的生产、生活经验产生很多样本点（数据），那么，只有唯一的 y=ax+b 能最佳代表这些样本点。从一堆样本点中，找到最佳 a、b 值的过程叫拟合。
上述人工智能只有 2 个参数。而现代人工智能 F 的形式不可能形如 y=ax+b，它有非常复杂的形式。Deepseek 满血版的参数个数是 671B，B 是 Billion(10 亿)。确定 Deepseek 满血版 6710 亿个参数的过程也是拟合，这特定的拟合过程在人工智能领域叫机器学习。所谓模型“训练”，是机器学习过程在大语言模型 LLM 领域一个通俗叫法。
如何实现这个人工智能函数 F？
答：深度神经网络，是模拟人脑建立的软硬件计算机系统。其最基本单元叫神经元(neuron)，神经元层层叠叠连接起来，具有层次结构，形成深度。只要深度足够深，就能表达任何形式的函数 F。
神经元
起初，深度神经网络的实践有效果，但不惊艳。直到大语言模型 LLM 领域提出 Transfomer 机制实现深度神经网络，人工智能才突然不再“智障”，表现出实质用途的智能性。
深度神经网络
晨光熹微里，人类看见通用人工智能（AGI）的曙光。
本文使用 mdnice 排版
