AI入门

AI 简介

资料核对与更新:2026-11-17 · 阅读约19分钟

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

)

print

(

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

)

print

(

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

)

print

(

"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

。

本文新增价值
CSS独立储备