一、什么是人工智能？

人工智能 的核心目标是让机器能够模拟、延伸和扩展人类的智能，执行通常需要人类智能才能完成的任务，简单说，就是让机器“像人一样思考”和“像人一样行动”。

我们可以从两个层面理解这个目标：

1. 思维能力：学习、推理、规划、决策、解决问题。
2. 行为能力：感知环境（看、听）、理解语言、操控物体。

区分两组重要概念

强人工智能 vs 弱人工智能

• 弱人工智能：也称为 狭义人工智能，这是我们现在所处的阶段，AI系统专精于某一特定任务，并在该任务上表现出色甚至超越人类，但它没有真正的意识、自我或理解能力。
  • 例子：AlphaGo下围棋、Siri/小爱同学对话、人脸识别、推荐算法、自动驾驶汽车。
• 强人工智能：也称为 通用人工智能，这是一种假想的AI，它拥有与人类同等或超越人类的全面智能，可以理解、学习并完成任何人类能够完成的智力任务，具备自我意识、情感和跨领域学习能力。
  • 例子：电影中的机器人角色，如《西部世界》里的hosts，目前尚未实现,是长远研究目标。

人工智能 > 机器学习 > 深度学习

这是三个层层包含的核心技术范畴,关系如下图所示：

flowchart TD
    A[人工智能<br>让机器展现智能行为的广阔领域] --> B[机器学习<br>AI的核心实现途径<br>让机器从数据中学习]
    B --> C[深度学习<br>机器学习的重要分支<br>使用深度神经网络]

• 人工智能：最上层的、最宽泛的概念。
• 机器学习：是实现AI的最主要、最核心的方法，其核心思想是：不通过硬编码的固定规则，而是让计算机利用数据和统计方法“自己学习”规律。
  • 如何学习？ 提供大量数据（如带有“猫/狗”标签的图片），算法会自动找出区分猫狗的特征模式，学成后的模型,就可以识别新的图片。
• 深度学习：是机器学习的一个重要分支，它模仿人脑的神经元结构，使用深度神经网络（有很多“层”）来处理数据。
  • 为什么强大？ 它能自动从原始数据（如图像像素、文字）中学习到非常复杂和抽象的特征，特别擅长处理图像、语音、自然语言等非结构化数据。

AI的三大核心支柱

任何AI系统的运行都离不开这三要素：

1. 数据：AI的“燃料”，高质量、大规模的数据是训练出好模型的基础。
2. 算法：AI的“菜谱”，指机器学习/深度学习的模型和数学方法（如卷积神经网络CNN用于图像，Transformer用于语言）。
3. 算力：AI的“发动机”，强大的计算资源（特别是GPU）是处理海量数据和复杂模型训练的保障。

主流技术分支与应用

1. 计算机视觉：让机器“看”和理解图像/视频。
   • 应用：人脸识别、医疗影像分析、工业质检、自动驾驶。
2. 自然语言处理：让机器理解、生成和交互人类语言。
   • 应用：机器翻译、智能客服、情感分析、文本摘要。
3. 语音技术：让机器“听”和“说”。
   • 应用：语音助手、实时字幕、语音合成。
4. 大语言模型：基于海量文本数据训练的、参数规模巨大的深度学习模型。
   • 特点：具备强大的生成能力和上下文理解能力。
   • 代表：ChatGPT、文心一言、通义千问等，它们能进行对话、写作、编程等,是当前AI发展的前沿。
5. 机器人过程自动化：用软件机器人自动化重复的规则性办公流程。
   • 应用：自动处理表格、邮件、报销单等。
6. 强化学习：让智能体通过与环境互动、根据“奖励”信号来学习最优策略。
   • 应用：AlphaGo、机器人控制、游戏AI、资源调度。

关键特点与发展意义

• 自动化：替代重复性劳动。
• 智能化：提供决策支持（如金融风控、个性化推荐）。
• 交互方式革新：通过语音、手势等与机器自然交互。
• 赋能产业：与各行各业结合，提升效率，催生新业态（如AI+医疗、AI+制造）。

人工智能是一个宏大的领域，其核心是让机器具备智能，当前我们广泛使用的是弱人工智能，主要通过机器学习（尤其是深度学习）的方法，依靠数据、算法和算力三大支柱来实现，它正以 CV（视觉）、NLP（语言）、语音和大模型 等技术，深刻地改变着我们的工作和生活，理解这些基本概念,是认识这个AI时代的第一步。

标签： 人工智能 机器学习