AI介绍系列 · 第四讲

Common AI Systems

从视觉到语言：AI的五大落地形态

当我们谈论AI时，常常聚焦于深度学习、神经网络等技术内核。但技术的价值最终要通过落地形态来体现——AI是如何真正改变我们的生活和工作的？

本讲将系统梳理AI领域的五大落地形态：从模拟人类专家决策的专家系统，到"看懂"世界的计算机视觉，从"理解"语言的NLP，到具身智能的机器人与自动驾驶。这些系统共同构成了当前AI应用的完整图景。

Expert Systems & Knowledge Graphs
专家系统与知识图谱

专家系统（Expert Systems）是AI领域最早的实用化分支之一。它模拟人类专家的决策能力，通过编码领域知识来解决特定问题。其核心架构包含两大组件：

• 知识库（Knowledge Base）：存储领域规则、事实和关系，如同专家的大脑记忆
• 推理引擎（Inference Engine）：运用逻辑规则对知识库进行推理，得出结论

1970年代的MYCIN系统是医学诊断专家系统的先驱，能够根据患者的症状和检查结果推荐抗生素治疗方案，准确率据报道可媲美人类传染病专家。而DENDRAL系统则专注于化学分子结构分析，帮助化学家推断未知化合物的分子结构。

图1：专家系统核心架构 —— 知识库、推理引擎与用户界面

随着互联网时代到来，专家系统的思想与大规模数据结合，催生了知识图谱（Knowledge Graph）这一现代形态。2012年，Google正式推出知识图谱产品，将"实体-关系-实体"的三元组结构融入搜索引擎，大幅提升了搜索结果的信息丰富度和准确性。

知识图谱的本质是语义网络的工程化实现。它不再依赖人工编写的规则，而是通过信息抽取技术从海量文本中自动构建。目前，Google Knowledge Graph已包含超过5,000亿个事实，覆盖人物、地点、事件等各类实体。

现代应用中，知识图谱支撑着智能问答（如小度、Siri）、个性化推荐、内容理解等核心场景。当你在电商平台搜索"适合程序员的礼物"时，背后正是知识图谱在关联程序员、礼物、电子产品等实体及其关系。

Computer Vision
计算机视觉

计算机视觉（Computer Vision）让机器具备"看懂"图像和视频的能力。这听起来简单——人类用十分之一秒就能识别一只猫，但对计算机而言，这曾是极其困难的任务。

视觉识别涉及多个层次的核心任务：

• 图像分类（Image Classification）：判断"这张图里有什么"——是猫还是狗
• 目标检测（Object Detection）：定位"在哪里，有什么"——标出画面中的行人、汽车
• 语义分割（Semantic Segmentation）：像素级理解——逐像素标注属于哪个类别
• 人脸识别（Face Recognition）：身份验证与人脸追踪

图2：计算机视觉四大核心任务 —— 分类、检测、分割、人脸识别

计算机视觉的技术演进经历了两个时代。早期的特征工程时代依赖人工设计的特征描述子，如SIFT（尺度不变特征变换）和HOG（方向梯度直方图）。这些方法需要领域专家精心设计特征提取算法，泛化能力有限。

深度学习彻底改变了这一领域。2012年，AlexNet在ImageNet竞赛中以压倒性优势夺冠，证明了卷积神经网络（CNN）的强大能力。此后，ResNet的残差连接、YOLO的实时检测等技术相继出现，将视觉识别推向实用化。

今天，计算机视觉已广泛应用于：

然而，计算机视觉仍面临挑战：对抗样本攻击可通过在图像中添加人眼不可见的扰动来欺骗模型；隐私争议持续存在于人脸识别应用；模型的"黑盒"特性也使得决策解释性不足。这些问题正在推动可解释AI、隐私保护计算等新方向的研究。

Natural Language Processing
自然语言处理

自然语言处理（NLP）让机器能够理解、生成和交互人类语言。从语音助手到机器翻译，从情感分析到智能问答，NLP正在重塑人机交互的方式。

NLP涵盖语言处理的多个层次：语音识别（声音→文本）、词法分析（分词、词性标注）、句法分析（依存分析、成分分析）、语义理解（意图识别、实体抽取）、语篇处理（指代消解、篇章生成）。

核心应用任务包括：

• 机器翻译：从Rule-based到Neural MT，Google Translate、DeepL
• 情感分析：判断文本的情感倾向（正面/负面/中性）
• 命名实体识别（NER）：从文本中抽取人名、地名、机构名
• 问答系统：从知识库问答到开放域问答

图3：NLP三次范式转移 —— 从规则到统计，再到神经与大模型

NLP经历了三次范式转移。1950-1980年代是规则NLP时代，依赖语言学家编写的语法规则库，但难以处理语言的多样性和歧义性。1990-2010年代，统计NLP崛起，通过大规模语料库学习语言规律，统计机器翻译成为主流。

2013年，Word2Vec将词嵌入技术带入NLP；2017年，Transformer架构横空出世；2018年，BERT以"预训练+微调"范式刷新了几乎所有NLP基准测试；2020年至今，GPT系列开启大语言模型（LLM）时代。

LLM带来了革命性的新能力：上下文学习（In-context Learning）使模型无需微调即可学习新任务；思维链（Chain-of-Thought）通过让模型"思考"来提升推理能力；思维树（Tree-of-Thought）则进一步探索解空间。

聊天机器人的进化史正是NLP发展的缩影：

Robotics & Autonomous Systems
机器人与自动驾驶

如果说前面三个领域侧重于"感知"和"认知"，那么机器人与自动驾驶则代表着AI的"具身智能"——将感知、决策、执行形成闭环，在物理世界中完成任务。

机器人AI的特殊性在于它必须处理感知-决策-执行的闭环系统：传感器获取环境信息（视觉、触觉、力矩等），AI算法进行决策规划，最终驱动机械臂、轮子等执行器完成动作。这个闭环必须在毫秒级时间内完成，且需要处理大量不确定性。

自动驾驶是机器人AI最引人注目的应用场景之一。按照SAE（国际汽车工程师学会）标准，自动驾驶分为六个等级：

图4：SAE自动驾驶等级 L0-L5 —— 从辅助驾驶到完全无人驾驶

L0-L2属于辅助驾驶，驾驶员全程负责；L3是分水岭，车辆在特定场景下可自动驾驶，但驾驶员需随时准备接管；L4在限定区域实现完全无人驾驶；L5则是终极目标——任何场景下的完全自动驾驶。

自动驾驶的技术栈极其复杂，涉及：

• 传感器融合：LiDAR（激光雷达）、摄像头、毫米波雷达、超声波传感器协同
• SLAM定位：同步定位与地图构建，在未知环境中确定自身位置
• 高精地图：厘米级精度的道路信息数据库
• 行为预测：预测行人、车辆的未来轨迹
• 运动规划：生成安全、舒适的行驶轨迹

当前自动驾驶存在两条技术路线之争：

同时，技术路线上也存在端到端与模块化的之争。端到端方案（如特斯拉FSD V12）用单一神经网络直接从传感器输入到控制输出；模块化方案则将任务拆分为感知、预测、规划等独立模块。两者各有优劣，端到端在数据足够时上限更高，模块化在可解释性和安全性上更有保障。

人形机器人是近年的新热点。将自动驾驶技术迁移到双足机器人身上，Boston Dynamics的Atlas、Figure AI的Figure 01、Tesla的Optimus正在掀起新的产业革命。具身智能被认为可能是通往通用人工智能（AGI）的必经之路。