人工智能训练师理论考试，看着要背的东西一大堆，其实考点就那么几块：发展史、机器学习怎么分类、深度学习啥意思、Transformer是个啥、几个评估指标怎么算、AI伦理。这篇按考试重点一块块讲，你照着复习不跑偏。

一、AI发展史和层级关系

先把三个词的层级关系搞清楚，这是送分题。人工智能AI是最大的圈，让机器像人一样能看能听能判断。机器学习是AI下面的一个分支，它不让人一条条写规则，而是让机器从数据里自己学规律。深度学习又是机器学习下面的分支，用多层神经网络来学，特别吃数据。

所以关系是：AI最大，机器学习在中间，深度学习最里面。考试常出图让你选谁包含谁，记住这个嵌套关系就行。

发展史这块不用背年代，但几个里程碑要有印象。1956年达特茅斯会议正式提出"人工智能"这个词，这是AI的出生证明。后来经历过两次冬天，资金和热情都冷下去，直到2012年前后深度学习起来，加上算力和数据都够了，AI才真正火到今天。

还有弱AI和强AI的区分。弱AI也叫专用AI，只干一件事，比如人脸识别、语音助手、下棋，现在我们用的全是弱AI。强AI是那种什么都会、跟人一样有通用智能的，目前还没实现。考试爱拿AlphaGo问你，它是弱AI，因为它只会下棋。

再补一个图灵测试的常识。图灵当年提过一个想法：人隔着墙跟机器聊天，如果分不清对面是人还是机器，那这机器就算有智能。这是评判机器有没有智能的早期思路，理论题可能顺手考一句。知道它跟图灵有关、是个"聊天辨真假"的测试就够。

二、机器学习三大流派

机器学习按学习方式分三种：监督学习、无监督学习、强化学习。这是理论考试超高频考点，几乎每次都考，你必须能一句话说清三者区别。

监督学习最好懂。给的数据是带标签的，就像学生做带答案的练习题。输入一张标了"猫"的图片，模型学猫长啥样，下次没标过的图它也能认出是猫。监督学习又分两种：分类是输出离散类别，比如这封邮件是不是垃圾邮件；回归是输出连续数值，比如这套房子能卖多少钱。

无监督学习反过来，数据没标签，让模型自己找规律。最典型的是聚类，给一堆客户消费数据，让它自动把相似的人分成几群，营销时好区别对待。降维也类似，把一大堆特征压缩成几个主要的，方便看。考试就考你："没标签自己找结构"是哪种，答无监督。

强化学习是第三种。有个智能体在环境里做动作，做对了给奖励，做错了给惩罚，它靠不断试错来学怎么拿到最大奖励。AlphaGo下棋就是这么练出来的。这个跟前面两种不一样，它不靠现成标签数据，靠跟环境互动攒经验。

考试怎么考你？给个场景让你判断用哪种学习。"用历史带标签的数据预测房价"，有标签又是连续值，监督学习里的回归。"把用户自动分群"，没标签找结构，无监督聚类。"训练机器人走路"，靠试错和奖励，强化学习。把这几个例子记住，题就不会判错。

这块还有个易混点：分类和回归别搞反。输出是"这是猫还是狗"这种类别，叫分类；输出是"房价多少万"这种数，叫回归。一个离散一个连续，记这个就够。

无监督学习里还有个常见算法叫PCA降维。特征太多算着费劲，PCA把一堆相关特征揉成少数几个主要成分，信息还留住，计算量下来。考试一般不考怎么算，知道"降维是无监督、用来简化数据"就行。

强化学习里有几个术语顺带认识一下：智能体就是做决定的那个，环境是它待的地方，奖励是它拿到的反馈，策略是它做决定的套路。考试不会让你推导，知道这几个词各指啥，碰到英文名词不发懵。

三、深度学习和Transformer

深度学习的核心是神经网络。你把它想成一堆叠起来的层，每层从原始数据里提取特征：浅层认边缘，中层认形状，深层认整个物体。层叠得越深，能学到的东西越抽象。这就是"深度"两个字的意思。

神经网络有个词叫参数，就是那些可以调的旋钮，调的过程就是训练。参数越多，模型能学的越复杂，但也越容易过拟合、越吃数据吃算力。这个前面训练那篇讲过，这里串起来。

现在火得不行的大语言模型，底座叫Transformer。考试不考你推导，但Transformer和Attention这俩词你得知道大概啥意思。Attention就是注意力机制，模型看一句话时，知道该把注意力放在哪几个词上，而不是每个词平均看待。比如"小明把书给了小红，他很高兴"，模型要知道"他"指谁，靠的就是注意力。

Transformer就是靠Attention搭起来的架构，2017年那篇论文出来后，彻底改变了自然语言处理。现在的GPT、Qwen、GLM这些大模型，全是Transformer这一套。你不用会算，知道"大模型的核心架构是Transformer，它靠注意力机制理解上下文关系"就够应付理论题了。

深度学习还有个概念叫表示学习，意思是模型不用人手工设计特征，自己从原始数据里把有用特征学出来。这是它比传统机器学习强的地方，传统方法要人工想该提取什么特征，深度学习省了这一步。

神经网络训练靠的是反向传播。简单说就是：先正向算出预测和真实差多少，再把这个误差从后往前一层层传回去，每层都知道自己该往哪个方向调参数。反复这么来，参数就越调越准。你不用会推导，知道"误差从后往前传、逐层调参"这一句，碰到这个词不慌。

四、评估指标和AI伦理

模型好不好，不能光说"准"，得有指标衡量。理论考试里这几个指标最爱考，特别是精确率和召回率，很多人到死都分不清。

先讲最好理解的准确率：所有预测里猜对的比例。一百张图认对八十张，准确率百分之八十。但这个指标有个坑——数据不平衡的时候会骗人。比如一万人里只有十个病人，模型全猜没病，准确率百分之九十九点九，可它一个病人都没找出来，废得很。

这时候就得看精确率和召回率。精确率是模型说"有病"的人里，真有病的比例，怕的是冤枉好人。召回率是真有病的人里，被模型揪出来的比例，怕的是漏掉真凶。一个是别误报，一个是别漏报，方向正好相反。

F1是把精确率和召回率捏成一个分，两者的调和平均。一个高一个低，F1就上不去，它逼你两头都得顾。考试经常给你一张混淆矩阵的数，让你算这几个值。公式不用死背，知道每个指标衡量啥、什么时候用，选择题就能选对。

最后说AI伦理，这几年考试越来越爱考。AI能带来方便，但也有坑：数据隐私，你的数据被拿去训练你知不知情、同不同意；算法偏见，训练数据本身有歧视，模型就学成了偏见；责任归属，自动驾驶撞了人算谁的；还有深度伪造、隐私泄露这些。考试不会让你写论文，就考你知不知道这些风险存在、大概怎么应对。

应对伦理问题的大方向就几条：数据用之前先获得授权、把个人信息脱敏、监控模型有没有歧视、出了事能追到是谁的责任。这些不是空话，考试真会考"下列哪项是正确的数据使用方式"，你选那个"先授权再用、不泄露隐私"的准没错。

复习建议很简单：别一上来就扎进公式，先把上面这些概念的"一句话定义"和"典型例子"背熟。选择题考的就是概念辨析，你能把场景对应到概念上，分数就到手了。

考试题型全是客观题，单选加多选加判断，机考，当场出成绩。没有主观大题让你写论文，所以复习的核心是认得出、判得对，而不是背一大段原文。你看到选项里的概念，能在脑子里对号入座，这分就拿到了。

刷题比看书见效快。先过一遍课程把概念建立起来，马上刷真题，错的地方翻回去补。哪块错得多，哪块就是你的薄弱点，集中火力攻那块，比平均用力强。这么刷两三轮，理论基本稳过。

这些考点看着散，其实有逻辑：从AI是什么，到机器怎么学，到深度学习怎么搭，到怎么衡量好坏，再到怎么管住风险。优培东方的理论课就是按这条线串的，老师把精确率召回率这种易混点用"抓逃犯"的例子一讲，你当场就记住了，比自己硬背强太多。

优培东方背后是广州慧翔企业管理咨询有限公司，2011年成立，全国都有班。理论考点、易混点、历年真题都给你整理成题库，刷两遍心里就有底。广州2380元、深圳3020元，考完领3120元补贴，两年学籍免费重学，七天无理由退费。

想早点开始的，打400-956-6153问当期开班，或上www.hxtdpx.com看资料和课程介绍。理论这块报个班跟着划重点，比自己啃书少走半年弯路。

问题1：AI、机器学习、深度学习什么关系？

答1：AI最大，机器学习是AI的分支，深度学习又是机器学习的分支，一层套一层。

问题2：监督、无监督、强化学习怎么分？

答2：有标签是监督，没标签自己找结构是无监督，靠试错拿奖励是强化。

问题3：精确率和召回率啥区别？

答3：精确率怕误报，召回率怕漏报。一个看报的准不准，一个看找的全不全。

问题4：Transformer是干啥的？

答4：靠注意力机制理解上下文，是现在大语言模型的核心架构。