什么是 AI

AI 基础 · 第 1 站 AI（Artificial Intelligence，人工智能）可以先理解成一组能力，让计算机在某些任务上表现出「类似智能」的行为。

目标
让机器完成智能任务

能力
识别、预测、生成、规划

定位
机器学习和 LLM 都在其中

图1：1956 年达特茅斯会议的八位参会者

「人工智能」这个词诞生于 1956 年。那年夏天，一群科学家在美国达特茅斯学院开了两个月的会，第一次把「让机器像人一样思考」这件事正式命名为人工智能。参会的人里包括 John McCarthy、Marvin Minsky、Claude Shannon、Herbert Simon——每一个名字后来都影响了计算机科学的走向。

AI 到底怎么定义？这个问题从 1956 年一路吵到今天，学界和产业界各有说法。

AI 发展里程碑：七十年走了多远

从达特茅斯会议到现在，AI 经历了「三起两落」——三次浪潮之间夹着两次寒冬。每次低谷都是对技术路径的反思，每次爆发都离不开算法、数据、算力三要素的共振。

几个值得记住的关键节点：

年份	事件	为什么重要
1950	图灵测试（Turing Test）	第一次给出「机器能不能思考」的判据
1956	达特茅斯会议	AI 正式成为一门学科
1966	ELIZA 聊天机器人	世界上第一个聊天程序，用模式匹配模拟心理治疗对话。它的创建者 Weizenbaum 后来反而成了 AI 伦理的批评者——他发现用户居然会对一个这么简单的程序产生情感依赖
1969	感知机 XOR 困境	Minsky 等人证明单层感知机无法解决异或问题，直接导致神经网络研究被冷落近 15 年
1997	深蓝击败卡斯帕罗夫	AI 首次在正式比赛中战胜人类世界冠军。但深蓝靠的是暴力穷举，它并不理解棋局
2012	AlexNet 夺冠	深度学习第一次在大规模竞赛中碾压传统方法，引爆了工业界的关注
2016	AlphaGo 击败李世石	围棋被认为是最复杂的棋类，AlphaGo 用深度学习 + 强化学习攻破了这个「人类最后的堡垒」
2022	ChatGPT 发布	2 个月月活破亿，成为历史上增长最快的消费者应用，AI 从学术圈正式走向大众

💡 规律：每一次低谷都是对技术路径的反思，每一次爆发都是算法、数据、算力三要素协同共振的结果。

别纠结定义，先看 AI 能做什么

别把 AI 绑定到某个具体产品上。只要能让计算机表现出「像智能一样」的能力，都可以放进 AI 这张大地图里。

常见的 AI 任务：

• 识别

  识别人脸、识别语音、识别图片中的物体

• 分类

  判断垃圾邮件、标记恶意样本、给用户打标签

• 预测

  预测天气、预测故障、预测用户可能点击什么

• 推荐

  视频推荐、商品推荐、内容推荐

• 生成

  写文字、画图、生成代码、合成语音

• 规划与对话

  路径规划、资源调度、任务拆解、问答、客服、翻译、总结

你手机上的人脸解锁是 AI，外卖 App 猜你今天想吃什么的算法是 AI，ChatGPT 也是 AI。

它们都属于 AI，但走的技术路线并不一样。

AI 就是一张大地图，上面每一项任务对应不同的分支和路线。

AI 就在你身边：真实案例

上面六类任务，每一类都能在日常生活中找到你已经在用的产品：

AI 任务	你可能在用的产品	背后的技术
识别	手机人脸解锁、支付宝刷脸支付	计算机视觉（Computer Vision）
分类	邮箱自动过滤垃圾邮件	文本分类（Text Classification）
预测	天气预报、高德地图预估到达时间	时序预测、回归模型
推荐	抖音推荐、淘宝「猜你喜欢」、B 站推荐页	协同过滤、深度推荐模型
生成	ChatGPT 写文案、Midjourney 画图、Suno 生成音乐	大语言模型、扩散模型
规划与对话	小爱同学 / Siri 语音助手、高德路线规划	语音识别 + NLP、路径规划算法

你不需要理解这些技术名词——后面会逐个展开。现在只要意识到：AI 已经渗透到你的日常生活里了，只是很多时候你没注意到。

AI 有很多条技术路线

图2：ChatGPT

很多人第一次接触 AI，是从 ChatGPT 开始的。时间一久，就很容易把 AI 和聊天机器人画上等号——这可太窄了。

AI 这门学科已经发展了几十年，里面积累了很多路线。Hello-AI 里你会主要接触到以下几条：

规则系统

关键词：人写条件，系统照着执行。

最早的 AI 实现方式，直白到不能再直白。

• 人写好条件 → 系统执行
• 如果用户名为空，提示「不能为空」
• 如果金额超过阈值，走人工审核

规则系统好处明显：稳定、可控、好解释。麻烦也明显：一遇到复杂场景，规则会爆炸。你没法为每一种可能的情况提前写好规则。

机器学习

关键词：把大量样本交给模型，让它自己从数据里找规律。

给它大量带标签的样本，模型自己学会：

• 哪些特征更像垃圾邮件
• 哪些行为更像异常登录
• 哪些商品更可能被点击

它比规则系统灵活很多。代价也很明确：非常依赖数据质量。数据有偏见，学出来的模型就会有偏见。

深度学习

关键词：机器学习里的重要路线，用多层神经网络处理复杂模式。

深度学习是机器学习里的一条重要路线。它用多层神经网络来处理更复杂的模式。

它的突破让 AI 在以下领域大幅超越了之前的水平：

• 图像识别：2012 年 AlexNet 在 ImageNet 竞赛中把错误率从 26% 降到 15.3%，直接引爆了工业界对深度学习的关注
• 语音识别：端到端的神经网络模型让语音转文字的准确率有了质的提升
• 自然语言处理：从翻译到问答，深度学习方法逐步取代了传统的统计方法

今天大家口中说的「大模型」，底层基本都走的是深度学习这条路。

大模型 / LLM

关键词：在海量文本上训练，擅长问答、总结、改写、抽取和生成草稿。

LLM 是 Large Language Model 的缩写，中文叫「大语言模型」。它是深度学习里偏语言方向的一类模型。

特点是在海量文本上训练，参数规模动辄几百亿到几千亿。你熟悉的 ChatGPT、Claude、DeepSeek、通义千问，都是 LLM 往上再包一层的产品。

LLM 擅长文本类任务：问答、总结、改写、抽取、生成草稿、在上下文中推理。

LLM 有三个明显的边界：

• 正确性没法自动保证：它生成的是「最可能的回答」，跟「经核实的事实」还有距离
• 知识有截止线：训练结束之后发生的事情，需要搜索或其他外部工具补上
• 长链条精确逻辑不稳定：算账、审计、严格的因果推理，需要额外验证

一张图理清关系

把这些概念串起来，关系是这样的：

AI（人工智能总称）
└─ 机器学习（从数据里学规律）
   └─ 深度学习（用深层神经网络处理复杂模式）
      └─ LLM（大语言模型，偏语言方向）
         └─ ChatGPT 等产品（LLM + 产品包装）

LLM 只是 AI 这张大地图里的一条路线——记住这个定位就好。

如果你在跟别人聊 AI 时，对方默认「AI = ChatGPT」，大概率是被产品宣传带偏了。AI 这张地图远比聊天机器人宽。

AI 的三个层次：你现在看到的，只是起点

AI 研究里还有一个常用的分层框架，把 AI 分成三种级别。这个框架做了简化，用来帮新人建立坐标系足够了。

ANI：弱人工智能 / 窄人工智能

ANI 就是现在你每天在用的所有 AI。

它在某一个特定任务上可以做到非常强——AlphaGo 能赢李世石，医学影像 AI 能比放射科医生更快找到肿瘤，GPT-4 能通过律师资格考试——但它的能力无法迁移到别的领域。

会下围棋的系统，换成麻将就要重新设计；能写代码的模型，放到看病场景也要重新训练和校准。每次换任务，都要重新适配。

当前 AI 的真实水平就是这样：单任务可以很强，通用的理解和适应能力还差得远。

注意，当前最强大的 LLM 仍然停在 ANI 这一层，离 AGI 还有距离。

AGI：通用人工智能

AGI 是一个还没实现的目标：让机器在任何认知任务上达到甚至超过人类的水平。

它需要的能力远超单任务表现，还要能跨领域迁移学习。学了棋，能把某些思路用到医疗诊断；学了翻译，能迁移到法律推理；还能从少量样本中泛化，做因果推理，跳出单纯的统计相关性，甚至自主设定目标、分解任务、在环境变化时调整策略。

AGI 什么时候能实现？没人知道。乐观的人说十几年，悲观的人说永远。但无论时间线如何，它目前仍然停留在科研前沿，离日常可用的产品还有距离。

ASI：超级人工智能

ASI 是比 AGI 更远的概念：在所有领域都远超人类的智能。

它在理论上可能具备递归自我改进的能力——自己修改自己的架构，越改越聪明，最终引发「智能爆炸」。但这一切都是高度推测性的，目前没有任何实现路径。

对新人来说，理解这三个词就够了：

• ANI：现在的 AI

  专精特定任务，迁移不了。你今天接触到的所有 AI，基本都在这一层。

• AGI：未来的目标

  能像人类一样通用地思考和解决问题，目前还没有实现。

• ASI：更远的假设

  在所有领域都远超人类的智能，目前属于高度推测。

这三个词不用背学术定义，抓住一个判断就行：今天接触到的 AI，基本都在 ANI 这一层。ChatGPT 看起来很「聪明」，跟人的大脑走的是两套机制。

AI 的能力边界

搞清楚 AI 的能力边界，比记一百个名词管用。

LLM 很擅长：

• 总结长文本
• 改写润色
• 翻译
• 按模板生成内容
• 在已知知识范围内回答问题
• 代码补全和简单调试

LLM 需要谨慎使用的场景：

• 稳定给出事实正确的答案（它会自信地胡说，这叫「幻觉」）
• 处理训练截止时间之后的新信息
• 严格的数学计算和精确逻辑推理
• 在长链条任务中保持一致性
• 理解情感和语境中的微妙含义
• 需要常识判断的开放式场景

经验法则：把 AI 当成一个读过很多书但没见过真实世界、而且偶尔会瞎编的助手。它很强，但需要你监督。

动手试试：在线体验 AI

光看概念不如上手试一试。以下是几个免费的在线体验，不需要安装任何软件，打开浏览器就能玩：

🎨 Quick, Draw! —— 让 AI 猜你画什么

地址：quickdraw.withgoogle.com

你有 20 秒时间画一个物体（猫、自行车、杯子……），AI 会实时猜你画的是什么。

背后的技术：神经网络图像识别。AI 从数百万张简笔画中学会了「猫大概长什么样」的模式。

试试看：故意画得潦草一点，观察 AI 还能不能认出来。想想：为什么有时候 AI 猜得比你朋友还准？

🧠 Teachable Machine —— 训练你自己的 AI 模型

地址：teachablemachine.withgoogle.com

用摄像头拍几张照片作为「类别 A」，再拍几张作为「类别 B」，几秒钟就能训练出一个能区分它们的 AI。

背后的技术：迁移学习（Transfer Learning）。AI 已经在海量图片上预训练过，你只需要提供少量样本就能让它识别新类别。

试试看：分别拍「举手」和「不举手」两组照片，然后用举手来控制网页播放/暂停。体会一下「少量数据就能训练」是什么感觉。

📊 TensorFlow Playground —— 可视化神经网络学习过程

地址：playground.tensorflow.org

在网页上直接调整神经网络的层数、神经元数量、激活函数，然后点击播放，看模型如何一步步学会分类数据点。

背后的技术：前馈神经网络 + 反向传播。

试试看：先用默认设置跑一次，然后把隐藏层从 2 层改成 6 层，观察训练速度和效果的变化。这就是「模型越深越强，但也越容易过拟合」的直观感受。

💬 和一个 1966 年的聊天机器人对话

地址：masswerk.at/elizabot/eliza.html

ELIZA 是 1966 年 MIT 的 Joseph Weizenbaum 写的程序，用模式匹配模拟心理治疗师。你说话，它回话，看起来好像能理解你——但它的代码总共不到 200 行。

试试看：和它聊几句，然后问自己：你有没有那么一瞬间觉得它「真的在听」？这就是 ELIZA 效应——人类天生倾向于把理解投射到机器上。

八个常见误解

下面这些误解，是从大量 AI 科普中反复出现的问题里整理出来的。

误解 1：AI 像人一样思考

AI 没有意识、没有情绪、没有自我认知。它做的事情说到底就是：在数据里找模式，然后输出最可能的结果。它也能模拟对话，背后可没有什么「理解」和「感受」。

误解 2：AI 很快会有意识

意识来自极其复杂的生物演化，写几段代码离这件事还差得很远。当前 AI 底下跑的还是数学函数，谈不上真正拥有「想要」和「知道」。

误解 3：AI 会取代所有工作

历史上每次技术革命都会淘汰一些岗位，也会创造新的岗位。AI 会先接管工作里机械、重复的部分；创造力、同理心、批判判断，这些还得人来兜底。

误解 4：AI 始终客观公正

AI 从数据里学，数据又是人造的，里面经常带着人的偏见。这就会带来算法偏见。

一个真实的例子：2014 到 2017 年间，Amazon 开发了一套 AI 招聘工具，用 10 年的历史简历数据训练模型，自动给候选人打 1–5 星。结果发现，简历中包含「women's」（如"女子象棋俱乐部"、"女子学院"）等词汇时，系统会自动降分。原因很简单：过去技术岗位的录用者大多是男性，模型忠实地学到了这个偏见模式。

Amazon 后来想删掉明确的性别字段来修正问题，结果没用。教育背景、用词选择这些变量，照样可能带着性别信息。深层偏见根除不了，这个项目最终被放弃。

⚠️ 核心教训：删掉性别字段，删不掉性别偏见。如果训练目标本身有缺陷，AI 即使在技术上「正确运行」，输出依然是有偏差的。

误解 5：AI 会毁灭人类

当前 AI 最大的风险，主要来自人类对它的错误使用：深度伪造、自主武器、大规模监控。机器自己没有动机和目标，危险往往出在用机器的人身上。

误解 6：AI 比人类聪明

AI 在某些任务上可以碾压人类，比如下围棋、算大数。这些都属于窄智能。人类智能更通用，能适应、推理、感受、想象，还能在不同场景间迁移。两者的「聪明」不是一个维度。

误解 7：AI 能自己学习进步

即使是现在最前沿的模型，也需要大量人类参与：设计算法、选择数据、标注样本、评估结果、调整参数。离开这些持续输入，AI 就谈不上自动「进化」。

误解 8：AI 能解决我们所有的问题

AI 是工具，担不起救世主这个角色。那些源于贪婪、不平等和道德缺失的问题，最后还得人类社会自己处理。用得好，它是帮手；用不好，它会放大问题。选择权在人。

这章学完之后，你应该能做什么

读完这一章，你当然还不是 AI 专家。先做到这几件事就够了：

• 分清概念关系

  能说清 AI、机器学习、深度学习、LLM 之间是什么关系。

• 看懂当前阶段

  知道现在所有的 AI 都是弱人工智能（ANI），包括你用的 ChatGPT。

• 判断适用边界

  能判断哪些问题适合交给 AI，哪些问题最好自己把关。

• 看穿标题党

  遇到「AI 即将觉醒」「AI 要取代全人类」这类标题，能先停一下，判断它到底在说技术事实，还是在制造情绪。

练习题 / 小实验

练习 1：概念分类

以下哪些属于 AI？哪些不属于？为什么？

• (a) 手机计算器算 123 × 456
• (b) 微信语音转文字
• (c) Excel 排序一列数字
• (d) 高德地图预测到达时间
• (e) 自动贩卖机投币出货

参考思路

(b) 和 (d) 属于 AI。(b) 用了语音识别模型，(d) 用了时序预测模型。计算器 (a) 和 Excel 排序 (c) 是确定性算法，输出固定可预测，不需要从数据中学习。贩卖机 (e) 是机械逻辑，和 AI 无关。判断依据：是否需要从数据中学习模式。

练习 2：技术路线判断

下面这些场景分别更适合用规则系统还是机器学习？为什么？

• (a) 电梯按楼层停靠
• (b) 判断一封邮件是不是垃圾邮件
• (c) ATM 检查密码是否正确
• (d) 预测用户明天会不会打开某个 App

参考思路

• (a) 规则系统——楼层逻辑简单确定，无需从数据学习
• (b) 机器学习——垃圾邮件的形式千变万化，无法穷举规则
• (c) 规则系统——密码匹配是确定性判断
• (d) 机器学习——用户行为复杂多变，需要从历史数据中学习模式

练习 3：偏见识别

假设你要训练一个模型来预测「谁更适合担任 CEO」，训练数据是一家公司过去 20 年的 CEO 任命记录。这家公司历史上 95% 的 CEO 都是男性。

• (a) 模型可能会学到什么偏见？
• (b) 如果删除性别字段，能解决问题吗？
• (c) 你会怎么改进？

参考思路

• (a) 模型很可能学到「男性更适合当 CEO」的偏见模式
• (b) 不能。其他字段（如职业经历、教育背景、社交网络）可能仍然携带性别信息，就像 Amazon 招聘工具的案例
• (c) 可以：审视训练数据是否具有代表性、在评估阶段专门检测偏见指标、引入人工审核环节、定期审计模型输出的公平性

练习 4：动手实验

打开 Quick, Draw!，完成以下任务：

1. 正常画 5 个物体，记录 AI 猜对几个
2. 故意画得非常潦草，记录 AI 猜对几个
3. 找一个你觉得 AI 不太可能认识的词（比如「emoji」或「wifi」），试试 AI 能不能认出来

思考：AI 的识别能力来自哪里？它为什么会「认识」或「不认识」某个东西？

参考思路

AI 的识别能力来自训练数据。训练集中有大量「猫」的简笔画，它就更容易认出你画的猫；训练集中很少出现某个概念，它就大概率认不出来。这也解释了为什么 AI 的表现会受文化和地区影响：训练数据覆盖不了所有人的经验。

延伸阅读

• 人工智能发展简史：从图灵测试到 GPT-5 —— 腾讯云开发者社区，完整梳理 70 年「三起两落」
• 微软 AI For Beginners 课程 —— 12 周 24 节课的免费入门课程，含动手实验
• Google ML Crash Course —— 谷歌出品的机器学习速成课，含浏览器内编程练习
• Why a 1960s Chatbot Left Its Creator Deeply Unsettled —— ELIZA 创建者 Weizenbaum 的故事，关于技术伦理的早期反思

下一步

分清了 AI 的大概范围之后，下一站建议看：

机器学习 →
了解 AI 如何从数据里学习规律，以及它和规则系统的区别。