五大概念与相关术语

完成本节后，你将能够：

• 用「五大概念」框架说明人工智能如何感知世界、表示知识并学习改进；
• 准确区分 AGI、AIGC、大语言模型、智能体等常见术语；
• 解释 token 计费逻辑与 MCP 作为统一接口协议的意义。

先观看概览短片，再落到三个核心问题。

课堂上最常需要讲清的，往往是其中三点：

1. 感知如何实现？
人工智能的感知，依赖摄像头、麦克风等传感器，把视觉、听觉等物理信号转化为计算机可处理的数据，并从中提取意义。例如：摄像头用于图像识别与路标检测；麦克风用于语音识别与智能音箱响应。

2.「表示与推理」是什么意思？
智能系统通过构建环境模型（如地图、规则、知识结构）来「表示」世界，再基于逻辑或概率做决策。以医院运输机器人为例：表示——存储楼层地图与障碍物位置；推理——路径被封锁时改道，保证药物送达。

3. 机器学习 在自动驾驶中做什么？
从数据训练一侧：用大量图像训练模型识别行人、车辆、路标。从应用一侧：根据实时路况（红灯、障碍物）做出减速、转向等决策，并在持续数据中改进策略。

五大概念是入门地图，不是考试清单。教师备课时，可用它们帮助学生把「会聊天的软件」还原为：先感知、再表示、再学习与行动。

你可能已经听过这些词：生成式人工智能、大模型、AIGC、token、MCP……它们经常混在一起说。下面按「能力目标 → 内容形态 → 系统角色 → 计量与接口」来理清。

AGI（Artificial General Intelligence）
指具备广泛智能能力、能像人类一样理解、学习并执行多种任务、适应不同领域与情境的 AI 系统。今天的专用系统与大模型仍远未达到这一目标；把它当作「方向性概念」，而不是现成产品标签。

AIGC / 生成式人工智能
AIGC（Artificial Intelligence Generated Content）指利用人工智能技术生产新内容：文本、图像、音频、视频等。系统学习已有数据中的模式，再生成类似但不同于原始样本的输出。教育场景里的教案草稿、插图试稿、示范对话，多属这一类。

大语言模型（LLM）
通过海量文本训练、具备理解与生成自然语言能力的通用模型。「大」主要指参数规模大、训练资源消耗高（大量 GPU/TPU 与电力）。训练数据常跨领域、跨语言、跨形态；模型擅长处理自然语言，但并不自动等于「无所不知」。

AI Agent（智能体）
OpenAI 等机构常将 AI Agent 描述为：以大语言模型为「大脑」驱动，具备自主理解、感知、规划、记忆与使用工具的能力，能自动化完成复杂任务的系统。可以把大模型比作厨房（厨具与食材齐备），智能体比作会用工具做菜的厨师——模型提供基础能力，智能体在特定任务上编排步骤并调用工具。

token
大模型处理文本的最小计量单位，由分词器（tokenizer）切分得到；它不等于汉字、也不等于英文单词，长度取决于具体模型规则。费用通常按「输入 tokens + 输出 tokens」合计。按 token 计费，是为了更精准地对应计算成本。

MCP（Model Context Protocol）
一种技术标准，在 AI 与各类应用之间建立统一沟通方式：遵循协议的 AI 作为 Client，可访问遵循协议的 App（Server）。好比把千差万别的设备接口统一成 USB——意义在于减少「一对一硬接」的成本。例如：编程助手通过 MCP 接入地图服务后，可根据两人位置推荐中间地带的咖啡馆，而不必为每个 App 手写专用插件。

• 五大概念帮助把 AI 拆成感知、表示与推理、学习等可讲解的部件。
• AGI 是广泛能力的目标概念；AIGC/生成式 AI 侧重「生成新内容」；LLM 是大规模语言建模；Agent 在模型之上编排工具与任务。
• token 是计量与计费粒度；MCP 是 AI 与应用之间的统一接口协议。
• 下一节转向应用图景：医学、科学、艺术与运动中的真实案例。