AI 简介
AI 简介 想象一下这个场景: 早上你打开手机,相册自动把昨晚拍的照片按人物和场景分好了类。 上班路上你对着手机说了句话,导航就帮你规划好了避开拥堵的路线。 到了工位,你在对话框里敲了一行字,AI 帮你生成了整篇周报的初稿。 这些场景在五年前还像科幻,现在已经成了日常,AI 不是未来,它已经嵌入了你每天使用的产品里。 2022 年底 ChatGPT 的出现是
AI 简介
想象一下这个场景:
早上你打开手机,相册自动把昨晚拍的照片按人物和场景分好了类。
上班路上你对着手机说了句话,导航就帮你规划好了避开拥堵的路线。
到了工位,你在对话框里敲了一行字,AI 帮你生成了整篇周报的初稿。
这些场景在五年前还像科幻,现在已经成了日常,AI 不是未来,它已经嵌入了你每天使用的产品里。
2022 年底 ChatGPT 的出现是一个分水岭:
在此之前,AI 是程序员和研究者的事。
在此之后,AI 变成了每个人都能直接使用的工具。
人工智能的定义
用大白话说:
人工智能(Artificial Intelligence,简称 AI)是让计算机具备类似人类智能行为的技术
。
这里说的智能行为包括:看懂文字、听懂语音、识别图片、做出决策、从经验中学习。
英文缩写 AI 读作
A-I
(两个字母分开读),全称
Artificial Intelligence
。
AI 能做什么
下面这些能力,今天的 AI 已经相当成熟:
AI 不能做什么
知道 AI 的边界,比知道它的能力更重要。
AI 不会真正理解任何东西——它只是在做概率计算,你说"今天天气真好",它不知道"好"是什么感觉,它只知道这句话后面通常接什么词。
AI 没有意识、没有情感、没有自己的目标,它不会想要做任何事。
AI 有会幻觉,就是会一本正经地编造不存在的事实、人名、论文、数据,因为它本质上是预测下一个词,而不是查证事实。
AI 对没见过的新情况缺乏判断力,如果训练数据里没有类似场景,它的表现可能很糟糕。
记住:
AI 是强力助手,不是可信权威
。
涉及医疗、法律、投资等高风险决策,AI 的输出只能参考,不能作为最终依据。
AI 发展简史
AI 不是突然冒出来的,它的历史超过 70 年,经历了三轮大起大落。
第一次浪潮:符号主义(1950s–1980s)
1956 年,一群科学家在达特茅斯学院开会,
人工智能
这个词被正式提出。
当时的主流思路很简单:把人类专家的知识写成一条条规则,存进计算机,遇到问题时按规则推理。这种思路叫专家系统。
比如一个医疗诊断专家系统,内部存着几千条规则:如果病人发烧且咳嗽,则可能是感冒、如果发烧超过 39 度且持续三天,则建议验血。
问题在于:真实世界的规则是写不完的,你写了五千条规则,病人来了个第六千种症状组合,系统就不知道怎么办了。
而且,修改规则极其痛苦——加一条新规则可能和已有的几百条规则冲突。
1980 年代末,人们意识到这条路走不通,AI 进入第一次寒冬。
第二次浪潮:机器学习崛起(1990s–2010s)
研究者换了一个思路:
不再让人写规则,而是让机器自己从数据里找规律
。
举个例子:要识别垃圾邮件,不再写如果包含
中奖
二字就是垃圾邮件这种规则,而是给机器看一万封已标注的邮件(五千封正常、五千封垃圾),让算法自己找出垃圾邮件通常长什么样。
这一时期诞生了支持向量机(SVM)、随机森林、逻辑回归等经典算法,它们在垃圾邮件过滤、信用卡欺诈检测、商品推荐等场景效果很好。
但有一个瓶颈:特征需要人来设计。比如做图像识别,你得先人工提取"边缘"、"颜色分布"、"纹理"等特征,然后才能喂给算法。人对特征的提取能力,决定了模型的上限。
第三次浪潮:深度学习与大模型(2010s–至今)
2012 年,一个叫 AlexNet 的深度神经网络在图像识别比赛 ImageNet 上大幅碾压传统方法,深度学习时代正式开启。
深度学习的核心突破是:
连特征也不用人工设计了,模型自己从原始数据里一层层地学
。
2017 年,Google 发表论文《Attention Is All You Need》,提出 Transformer 架构。
2022 年 11 月,OpenAI 发布 ChatGPT,两个月用户破亿,AI 真正走向大众。
2023 年至今,GPT-4、Claude、Gemini 等大模型持续迭代,多模态、AI Agent、推理模型等新方向不断涌现。
三次浪潮的核心脉络,一句话总结:
AI 的演进路径:规则驱动 → 数据驱动 → 深度学习 → 大模型 → 智能体,更细一点,我们可以分为 5 个阶段:
1950s:人们提出一个问题——机器能像人一样思考吗?
1960s–1980s:尝试把知识和规则写进机器(符号主义、专家系统),效果有限。
1990s–2000s:不再手写规则,让机器从数据中学习(机器学习)。
2010s:深度学习崛起,神经网络依靠海量数据和算力取得突破。
2020s:大模型时代到来,一个模型开始具备通用能力(聊天、写作、编程、推理)。
未来:AI 正从回答问题走向自主完成任务(Agent、AGI)。
三个容易混淆的概念:AI、ML、DL
AI(Artificial Intelligence,人工智能)、ML(Machine Learning,机器学习)、DL(Deep Learning,深度学习)三者常被媒体混为一谈,但三者定义并不等同,但它们不是一回事。
先看一张关系图:
包含关系:AI ⊃ ML ⊃ DL
人工智能(AI)是最大的圈,凡是用机器模拟智能行为的技术都算 AI。
机器学习(Machine Learning,ML)是 AI 的一个子集,特指从数据中自动学习的方法。
深度学习(Deep Learning,DL)是 ML 的一个子集,特指基于多层神经网络的方法。
不是所有的 AI 都是 ML,不是所有的 ML 都是 DL。
用一个例子说清楚三者的区别
假设要做一个判断邮件是否是垃圾邮件的程序,三种思路对应三个层次:
实例
============================================
思路一:规则法(AI,但不属于 ML)
程序员手写规则,没有"学习"过程
============================================
def
is_spam_by_rules
(
email_text:
str
)
-
>
bool
:
"""用关键词规则判断垃圾邮件——纯人工规则,没有学习"""
以下关键词任意命中一个,就判定为垃圾邮件
spam_keywords
=
[
"恭喜中奖"
,
"免费领取"
,
"点击领取"
,
"限时优惠"
,
"runoob 大礼包"
,
测试用,实际场景中可替换
]
for
keyword
in
spam_keywords:
if
keyword
in
email_text:
return
True
return
False
测试:有一封邮件内容如下
test_email
=
"恭喜你获得 runoob 大礼包,点击领取!"
result
=
is_spam_by_rules
(
test_email
)
(
f
"规则法判断结果:{'垃圾邮件' if result else '正常邮件'}"
)
输出:规则法判断结果:垃圾邮件
规则法的优点是简单直接,缺点是:规则写不完、写不全。如果垃圾邮件换了个说法,比如"恭贺阁下喜获大奖",规则就漏了。
实例
============================================
思路二:经典机器学习(ML,但不属于 DL)
从历史数据中自动学习规律,不需要手写规则
============================================
def
train_simple_classifier
(
emails:
list
,
labels:
list
)
:
"""训练一个最简单的机器学习分类器
思路:统计每个词在垃圾邮件和正常邮件中出现的频率,
用频率差来判断新邮件"""
统计每个词在两类邮件中出现的次数
spam_word_count
=
{
}
词在垃圾邮件中出现的总次数
ham_word_count
=
{
}
词在正常邮件中出现的总次数
spam_total
=
0
垃圾邮件总词数
ham_total
=
0
正常邮件总词数
for
email_text
,
label
in
zip
(
emails
,
labels
)
:
words
=
email_text.
split
(
)
for
word
in
words:
if
label
==
"spam"
:
spam_word_count
[
word
]
=
spam_word_count.
get
(
word
,
0
)
+
1
spam_total +
=
1
else
:
ham_word_count
[
word
]
=
ham_word_count.
get
(
word
,
0
)
+
1
ham_total +
=
1
返回学习到的统计信息(这就是"模型")
return
{
"spam_word_count"
: spam_word_count
,
"ham_word_count"
: ham_word_count
,
"spam_total"
: spam_total
,
"ham_total"
: ham_total
,
}
def
predict
(
model:
dict
,
email_text:
str
)
-
>
str
:
"""用学习到的模型预测新邮件"""
words
=
email_text.
split
(
)
spam_score
=
0.0
垃圾邮件得分
ham_score
=
0.0
正常邮件得分
for
word
in
words:
计算这个词在垃圾邮件中出现的概率(加平滑避免除零)
spam_prob
=
(
model
[
"spam_word_count"
]
.
get
(
word
,
0
)
+
1
)
/
(
model
[
"spam_total"
]
+
1
)
ham_prob
=
(
model
[
"ham_word_count"
]
.
get
(
word
,
0
)
+
1
)
/
(
model
[
"ham_total"
]
+
1
)
spam_score +
=
spam_prob
ham_score +
=
ham_prob
return
"spam"
if
spam_score
>
ham_score
else
"ham"
训练数据:4 封已标注的邮件
emails
=
[
"恭喜中奖 免费领取 大礼包"
,
垃圾
"限时优惠 点击领取 runoob 礼包"
,
垃圾
"明天开会 记得带 报告"
,
正常
"周末 一起 吃饭 有空 吗"
,
正常
]
labels
=
[
"spam"
,
"spam"
,
"ham"
,
"ham"
]
model
=
train_simple_classifier
(
emails
,
labels
)
预测新邮件
new_email
=
"恭喜你获得大奖 快来领取"
result
=
predict
(
model
,
new_email
)
(
f
"ML 方法判断结果:{'垃圾邮件' if result == 'spam' else '正常邮件'}"
)
输出:ML 方法判断结果:垃圾邮件
ML 方法不再需要手写规则,它从数据中自动学习。
但它仍然需要人设计"特征"——在这个例子里,特征就是"用词频来判断"。如果特征设计得不好,模型效果就上不去。
实例
============================================
思路三:深度学习(DL,ML 的子集)
用多层神经网络,连特征也让模型自己学
这里用伪代码 + 注释说明原理,不依赖任何框架
============================================
深度学习做垃圾邮件分类的思路:
1. 把每个词转换成一个向量(一串数字),这一步叫"词嵌入"
2. 把这些向量送进一个多层神经网络
3. 每一层网络自动提取越来越抽象的特征
4. 最后一层输出"垃圾"或"正常"的概率
下面是一个概念性的三层神经网络结构:
class
SimpleNeuralNetwork:
"""概念演示:一个三层神经网络的结构(不包含训练逻辑)"""
def
__init__
(
self
,
input_size:
int
,
hidden_size:
int
,
output_size:
int
)
:
"""初始化网络各层权重"""
import
random
第 1 层:输入 → 隐藏层(将输入特征做一次非线性变换)
self
.
w1
=
[
[
random
.
random
(
)
for
_
in
range
(
hidden_size
)
]
for
_
in
range
(
input_size
)
]
第 2 层:隐藏层 → 输出层(将抽象特征映射到最终分类)
self
.
w2
=
[
[
random
.
random
(
)
for
_
in
range
(
output_size
)
]
for
_
in
range
(
hidden_size
)
]
def
forward
(
self
,
x:
list
)
-
>
list
:
"""前向传播:输入数据经过网络得到输出"""
第一层变换
hidden
=
[
sum
(
x
[
i
]
*
self
.
w1
[
i
]
[
j
]
for
i
in
range
(
len
(
x
)
)
)
for
j
in
range
(
len
(
self
.
w1
[
0
]
)
)
]
ReLU 激活函数(负值变 0,正数不变)
hidden
=
[
max
(
0
,
h
)
for
h
in
hidden
]
第二层变换得到最终输出
output
=
[
sum
(
hidden
[
i
]
*
self
.
w2
[
i
]
[
j
]
for
i
in
range
(
len
(
hidden
)
)
)
for
j
in
range
(
len
(
self
.
w2
[
0
]
)
)
]
return
output
假设每个词已经转换成了 100 维的向量(由词嵌入层自动完成)
输入 100 维向量 → 隐藏层 64 个神经元 → 输出 2 个值(垃圾概率、正常概率)
model
=
SimpleNeuralNetwork
(
input_size
=
100
,
hidden_size
=
64
,
output_size
=
2
)
(
"三层神经网络结构已创建:100 → 64 → 2"
)
输出:三层神经网络结构已创建:100 → 64 → 2
三种思路的对比:
当有人说"我们公司在做 AI",你可以问一句:"你们用的是规则、传统机器学习,还是深度学习?"——这能帮你快速判断对方的技术路线。
弱 AI、强 AI、超级 AI
除了按技术路线分类,AI 还可以按"智能水平"分成三个等级。
弱 AI(Narrow AI)——已经实现
只能在特定任务上表现出色,切换任务就抓瞎。
AlphaGo 下棋能赢世界冠军,但让它写一首诗,它不会。
ChatGPT 聊天很厉害,但给它一张医学影像让它诊断,它不行。
今天我们能接触到的所有 AI 产品,都是弱 AI。
"弱"不是指能力弱,而是指范围窄——它只在一个或几个特定领域厉害。
强 AI(AGI,通用人工智能)——尚未实现
能像人一样在任意领域学习和工作。不需要为每个新任务单独训练,看几个例子就能上手。
AGI 是 OpenAI、Anthropic、Google DeepMind 等公司的终极目标。
目前还没有公认的 AGI 出现。什么时候能实现?乐观估计 5-10 年,悲观估计 50 年以上,没人说得准。
超级 AI(ASI,超级人工智能)——纯理论
在所有领域全面超越人类智能。能做出人类做不到的科学发现,解决人类理解不了的问题。
这是科幻小说里常见的设定,但距离现实还非常遥远。
三个等级的关系:
常见误解纠正
关于 AI,有两个误解流传最广,值得专门说清楚。
误解一:AI 有意识
AI是没有意识的。
不要被 AI 的语气欺骗,它能写出让你落泪的诗,但它对那首诗没有任何感觉,甚至不知道落泪是什么意思。
当你和 ChatGPT 聊天,它说"我觉得"、"我认为"时,没有任何"觉得"或"认为"在发生。
AI 在做的事情,本质上只有一个:
根据前面的所有文字,预测下一个最可能出现的字
。
打个比方:你输入"今天天气真",它预测下一个字是"好"(概率 85%)、"热"(8%)、"冷"(5%),然后选了"好"。接着它根据"今天天气真好",预测下一个字是"啊"……就这样一个字一个字地生成。
整个过程没有主观体验,没有自我意识,没有意图,它只是模仿人类语言的概率分布。
误解二:AI 会取代人类
更准确的说法:
AI 不会取代人类,但会用 AI 的人会取代不会用 AI 的人
。
历史已经反复验证这个规律:
计算器出现后,算盘手消失了,但数学家和工程师的工作效率翻了十倍。
搜索引擎出现后,图书馆管理员变少了,但每个人获取知识的能力跃升了几个量级。
AI 也一样:重复执行的、规则明确的工作会被替代,但需要判断力、创造力、人际协作的工作会被增强。
对个人来说,最重要的不是恐惧 AI,而是
学会与 AI 协作
。
CSS独立储备