01 AI 是什么

这是一篇写给所有人的 AI 入门。你不需要会编程也不需要先学高等数学。先弄懂 AI 能做什么、不能做什么以及怎样把一个真实问题变成 AI 项目。先观察各环节之间的关系再阅读下面的详细解释。一句话讲明白 AIAI人工智能就是让机器完成一些过去需要人类智能才能完成的任务。例如看懂一张图片里有没有猫听懂你说的话并转成文字判断一封邮件是不是垃圾邮件根据历史销量预测下个月卖多少根据问题生成文字、图片、代码或视频帮助汽车识别道路、行人和交通标志。但 AI 并不是一个真的“电子人脑”。目前大多数 AI 更像一个在某项任务上通过大量例子训练出来的高级工具。传统程序人写规则 数据 → 答案 机器学习数据 正确答案 → 学出规则 生成式 AI大量内容 → 学会内容规律 → 根据指令生成新内容用生活中的例子理解 AI假设你想让电脑判断照片中是不是猫。传统编程怎么做程序员需要自己写规则如果有尖耳朵、胡须、四条腿……可能是猫。问题是猫的姿势、颜色、光线千变万化人很难把所有规则写完。机器学习怎么做我们给电脑看大量标注好的图片这张是猫 这张不是猫 这张是猫 ……模型会从数据里自动寻找规律。训练完成后再给它一张没见过的图片它就能给出“像猫的概率”。[!important]机器学习不是把每张猫图背下来而是从大量例子中学习可用于新数据的规律。这个过程叫泛化。AI、机器学习、深度学习、生成式 AI 是什么关系这些词不是并列关系而是一层套一层人工智能 AI让机器表现出智能机器学习 ML让机器从数据中学习深度学习 DL使用多层神经网络学习生成式 AI生成文字、图片、音频、代码等大语言模型 LLM理解和生成语言名称通俗理解例子人工智能AI最大的总称只要让机器表现得“聪明”都可归入其中下棋程序、推荐系统、语音助手机器学习ML不把规则全部写死而是让机器从数据中学规律垃圾邮件识别、销量预测深度学习DL用多层神经网络处理更复杂的数据人脸识别、语音识别生成式 AIGenAI不只判断和预测还能生成新内容ChatGPT、AI 绘图、AI 视频大语言模型LLM专门学习语言规律的生成式 AI 模型问答、总结、翻译、写代码AI 不等于 ChatGPT。ChatGPT 属于生成式 AI生成式 AI 属于 AI。AI 最常见的三种能力1. 预测和判断输入一条数据输出一个答案或概率输入AI 输出一封邮件垃圾邮件 / 正常邮件一张 X 光片某种异常的概率用户浏览记录用户可能喜欢的商品设备运行数据是否可能发生故障这种 AI 通常追求一个相对明确的“正确答案”。2. 识别和理解计算机视觉识别图片和视频语音识别把声音转成文字自然语言处理理解文本含义信息抽取从合同、发票、简历中提取字段。3. 生成和创作生成式 AI 可以根据 Prompt 生成文字文章、总结、方案、邮件图片插画、海报、产品效果图代码函数、测试、网页音频语音、音乐视频镜头、动画、数字人。它生成的不是从数据库里原样找出的固定答案而是根据学到的规律组织新内容。因此它也可能生成看起来合理但实际错误的内容。AI 是怎样学会的可以把训练 AI 类比成教一个学生准备教材 → 做练习 → 对答案 → 调整错误 → 反复练习 → 参加新题测试对应到机器学习收集数据 → 训练模型 → 计算误差 → 调整模型参数 → 验证效果 → 上线使用训练和使用是两个阶段阶段做什么类比训练Training用大量数据调整模型内部参数学生长期学习推理Inference用训练好的模型处理新输入学生参加考试你每天与大模型聊天通常是在进行推理不是从零训练模型。三种常见学习方式监督学习数据中包含正确答案房屋信息 → 实际房价 邮件内容 → 是否垃圾邮件 图片 → 猫 / 狗适合分类和预测是企业中非常常见的机器学习方式。无监督学习只给数据不给标准答案让模型自己寻找结构把相似客户自动分组从大量行为中发现异常找出数据中隐藏的模式。强化学习模型采取行动后得到奖励或惩罚通过反复尝试学会策略游戏 AI机器人控制路径规划根据人类反馈改善模型行为。大语言模型为什么像“什么都懂”大语言模型阅读了海量文本在训练中反复做一件事根据前面的内容预测接下来最可能出现什么。输入法国的首都是 模型预测巴黎当模型规模、数据量和训练计算足够大时它不只学到词语搭配还会学到语法、概念、写作方式、知识关联和一定的推理模式。详细原理见 [[LLM 工作原理]]。但要记住大模型擅长生成“最像正确答案的内容”不等于它自动保证事实正确。所以重要结论要通过可靠资料、工具或人工复核。AI 擅长什么不擅长什么AI 擅长输入和输出都能说清楚的任务有足够高质量的数据或上下文大量重复、模式相似的工作允许通过概率给出结果人容易判断结果好坏但亲自制作很耗时的工作辅助人类搜索、整理、总结、生成初稿和发现模式。AI 不擅长缺少必要信息却要求绝对正确从未出现过、没有规律可学的随机事件目标非常模糊连人都不知道什么算成功错一次就会造成严重伤害又没有人工复核需要真实责任、价值判断、同理心和组织协调的工作把相关性直接当成因果关系。[!warning] AI 的结果通常是概率不是承诺医疗、法律、金融、生产控制等高风险场景需要专业人员、可靠数据、严格测试和人工审批不能因为 AI 回答得自信就直接执行。AI 不会像人一样“知道”1. AI 可能产生幻觉它可能编造不存在的事实、论文、链接或函数。语言越流畅不代表越正确。2. AI 会继承数据中的偏差如果训练数据本身不平衡或带有偏见模型输出也可能不公平。3. AI 不一定知道最新信息模型内部知识来自训练数据。要获得最新天气、价格或新闻需要联网搜索或调用外部工具。4. AI 没有天然的业务权限模型可以建议“发送邮件”但真正发邮件还需要程序给它工具和权限。加入工具和执行循环后就进入了 [[Agent 到底是什么以及如何从零写出来|Agent]] 的范围。5. AI 不替人承担责任使用 AI 的个人和组织仍要为最终决策、数据安全和造成的影响负责。一个 AI 项目是怎么做出来的真正的 AI 项目不是“找个模型就结束”而是一个完整闭环业务问题定义目标与指标准备数据或上下文选择模型与方案开发原型测试评估部署给用户监控与改进第 1 步从业务问题开始不要先问“我们能不能用 AI”而要先问现在什么工作耗时、昂贵或容易出错谁会使用结果输入是什么期望输出是什么做对了能带来什么价值第 2 步定义成功标准例如“做一个客服 AI”太模糊可以改成对常见售后问题自动生成回复草稿80% 的草稿经客服简单修改后即可发送并且不得泄露客户隐私。好的指标可能包括准确率、处理时间、人工采纳率、成本、用户满意度和安全事故数。第 3 步判断用哪种方案固定规则能解决 → 普通程序 需要从历史数据预测 → 机器学习 需要理解或生成内容 → 生成式 AI / LLM 需要查询公司知识 → LLM RAG 需要自主调用多个工具 → Agent第 4 步先做小原型选择一个边界清晰、结果容易检查、失败成本低的场景快速验证价值。不要一开始就追求“替代整个部门”。第 5 步测试真实案例不能只测试几个漂亮示例还要测试正常输入信息缺失模糊、错误或恶意输入少见的边缘情况数据隐私和权限成本、速度和稳定性。第 6 步让人进入闭环初期常见方式是AI 生成建议 → 人工审核 → 人决定是否采用 → 结果用于继续改进这通常比一开始就追求完全自动化更安全、更容易落地。AI 如何影响工作AI 更常见的影响不是“一次替代整个职业”而是改变职业中的一部分任务。例如产品经理的工作包含用户访谈数据分析写 PRD画原型组织评审协调团队做产品决策。AI 可能很擅长整理访谈、生成 PRD 初稿和制作原型却很难独立承担组织协调、利益权衡和最终责任。职业 很多不同任务的组合 AI 先改变其中适合自动化或辅助的任务 人把更多精力放在目标、判断、沟通和责任上因此更实际的问题不是“AI 会不会取代我”而是我的工作由哪些任务组成哪些任务 AI 能做得更快哪些任务必须由人判断和负责我怎样学会与 AI 协作产出更好的结果每个人都应该具备的 AI 素养不一定要成为算法工程师但应该具备以下能力问题意识能判断什么问题适合 AI。清晰表达能说清目标、背景、限制和输出要求。结果判断不盲信 AI知道如何验证。数据意识理解数据质量、隐私和授权的重要性。协作能力把 AI 当成助手通过多轮反馈改进结果。风险意识识别幻觉、偏见、泄密、版权和自动化风险。会写 Prompt 很有帮助但AI 素养不等于只会写 Prompt。真正重要的是能把问题拆清楚、选择合适工具并对结果负责。常见误区误区更准确的理解AI 就是机器人机器人是有物理身体的系统AI 可以只是软件AI 就是 ChatGPTChatGPT 只是生成式 AI 的一种产品AI 什么都知道AI 会过时、会缺信息也会编造数据越多越好错误、重复、带偏见的数据可能让模型更差上了 AI 就能降本还需要数据、集成、评估、人员和维护成本AI 一定替代整个岗位更常见的是先自动化岗位中的部分任务模型越大越适合还要考虑成本、速度、隐私和任务难度做 Demo 成功就能上线生产系统还要处理安全、边界情况和持续监控学完后应该记住1. AI 是让机器完成需要智能的任务不等于真正的人类大脑。 2. 机器学习让机器从数据中找规律生成式 AI 能根据规律创造新内容。 3. AI 的输出通常是概率结果流畅不等于正确。 4. 好的 AI 项目从业务问题和成功标准开始不是从模型开始。 5. AI 更常改变工作中的任务而不是瞬间替代整个职业。 6. 每个人都需要学会提出问题、验证结果、保护数据并承担最终责任。