我对 AI 的一点基础认识（一）：AI 开发可以再分两层

Fri, 10 Jul 2026 01:05:00 +0800

写在前面

这是一篇"主观认识"系列的开篇。我是一个做了十年游戏 / 客户端开发的工程师，今年才开始认真碰 AI，水平大致在"能调 API、看得懂科普、论文还吃力"的初级阶段。

这个系列不追求严谨，也不打算教别人什么——只是把我自己对 AI 的一些粗浅但真实的认识记下来，既是梳理，也方便以后回看自己当时有多 naive。

第一篇，先聊一个对我来说很重要的"分法"：把"AI 开发"再拆成两层。

一、AI 开发可以再分两层：算法侧 vs 应用侧

概念：我以前把"做 AI"想简单了

很长一段时间里，我默认"做 AI" ≈ “训练模型”。直到自己真上手去用 AI 做事，才发现这个词底下其实藏着两条几乎不相交的路：

AI 算法（模型侧 / Algorithm side）：研究怎么"造出那个会思考 / 会生成的东西本身"。它关心模型架构、训练、微调、推理优化、底层框架（PyTorch / JAX 那一套）、数据和数学。这一侧的产出物是"模型 / 能力"。
AI 应用开发（工程侧 / Application side）：拿到现成的、或别人微调好的模型，把它真正塞进产品和工作流里用起来。它关心 API 调用、Prompt 工程、RAG、Agent 编排、向量数据库、评估与线上监控。这一侧的产出物是"能用的功能 / 产品"。

🔧 技术校准（AI 专家视角）：这个二分法在业界有对应的说法。研究 / 模型侧常叫 ML Research / Deep Learning；把模型落地成系统的那一侧，近年被 Chip Huyen 等人明确称为 AI Engineering，也叫 Applied ML / ML Engineering。需要注意：两层之间并没有一道墙——微调（fine-tuning）、MLOps、模型压缩这些恰好卡在中间，所以"算法"和"应用"更像光谱的两端，而不是非黑即白。

对比：两条路的难度维度根本不同

	AI 算法（模型侧）	AI 应用开发（工程侧）
像什么	科研：深、窄、靠硬功	工程：广、快、靠整合
核心门槛	懂模型、懂数学 / 系统	懂产品、懂怎么把模型用出价值
周期	长，迭代慢	短，能快速出 demo
我的位置	门外，只浅尝过	正在摸门

我自己是游戏 / 客户端工程师出身，天然更靠近应用侧：我不需要从零训一个大模型，但我能用"API + RAG"很快把一个知识库变成能对话的东西。一度我因此产生一种错觉——“原来我也能做 AI 了”。后来才意识到，我做的只是应用侧里很薄的一层。

Ai-Engineering on DaVinci-13's Blog

我对 AI 的一点基础认识（一）：AI 开发可以再分两层

写在前面

一、AI 开发可以再分两层：算法侧 vs 应用侧

概念：我以前把"做 AI"想简单了

对比：两条路的难度维度根本不同