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。

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

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]forkeywordin spam_keywords:ifkeywordin email_text:returnTruereturnFalse# 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 inzip(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 +=1else:                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_probreturn"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"""importrandom# 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 _ inrange(hidden_size)]for _ inrange(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 _ inrange(output_size)]for _ inrange(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 inrange(len(x)))for j inrange(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 inrange(len(hidden)))for j inrange(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。