到底什么是AI？

AI，是artificial intelligence的縮寫。

Artificial，很多同學認字認半邊，會以為是藝術（art）的什么形容詞。其實不然，artificial的意思就是“人工的、人造的”，和natural（天然的）是反義詞。Intelligence，這個不容易認錯，是“智能”的意思。英特爾（Intel）公司的名字，就是基于這個詞的前五個字母。結合起來，AI，就是“人工的、人造的智能”，用人為的手段，創造智能。關于AI的定義，行業里有很多種說法。比較學術化的一種，是這么說的：AI，是研究、開發用于模擬、延伸和擴展人的智能行為的理論、方法、技術及應用系統的一門綜合性科學。這個定義很拗口，看得都頭大。其實，對于AI，我們可以拆解來看。首先，AI的本質屬性，是一門科學，是一個技術領域。它涉及到了計算機科學、數學、統計學、哲學、心理學等多種學科的知識，但總體上，歸類于計算機學科之下。其次，AI的研究目的，是讓一個“系統”具備智能。這個“系統”，可以是一套軟件程序，也可以是一臺計算機，甚至是一個機器人。第三，什么樣的水平，才叫做真正的智能。這是問題的關鍵。目前看來，能夠像人一樣感知、理解、思考、判斷、決策，就是實現了人工智能。配合機器人、機械臂等物理載體，AI也可以實現行動能力。

綜合以上三點，理解AI的定義就比較容易了。

AI和普通計算機有什么區別？AI，目前仍然是基于計算機的基本玩法，采用的是半導體芯片技術（所以經常會被稱為“硅基”），以及計算機的一些體系和平臺。那么，它和傳統的計算機程序，有什么區別呢？傳統的計算機程序，就是一個規則的集合。程序員通過代碼告知計算機規則，計算機根據規則，對輸入數據進行判斷和處理。例如經典的“if……else……（如果……否則……）”語句——“如果大于65歲，就退休。否則，繼續上班”。然后，計算機程序會根據這個規則，對所有輸入年齡數據進行判斷和處理。但是，在現實生活中，很多要素（例如圖像和聲音）是極為復雜和多樣的，我們很難給出固定的規則，讓計算機實現高準確率的判斷和處理。例如，判斷一只狗是不是狗。狗有很多品種，每種狗有不同的顏色、體型、五官特征。狗在不同的時間，也有不同的表情、姿勢。狗還會處于不同的背景環境下。

所以，計算機通過攝像頭捕捉到的狗的影像，是無窮盡的。很難通過有限數量的規則，去幫助計算機做出判斷。想要讓計算機實現像人一樣的智能，不能采用簡單的規則驅動，而是應該像教孩童一樣，不斷輸入數據和答案，讓他自行總結特征，形成自己的判斷規則。換言之，在經典的程序設計中，人們輸入的是規則（即程序）和數據，系統輸出的是答案。而AI的計算過程，分為兩個步驟：第一個步驟，輸入的是數據和預期得到的答案，系統輸出的是規則。第二個步驟，將輸出的規則應用于新的數據，然后再輸出答案。第一步，我們可以稱之為“訓練”。第二步，才是真正“干活”。

這就是傳統計算程序和現在主流AI技術的一個典型區別。（注意，我說的是“現在主流AI”。有一些“歷史AI”和“非主流AI”，玩法不一樣。不能一概而論。）

AI，有哪些類別？

前面說了，人工智能是一個非常龐大的科學領域。

從1950年代正式誕生以來，圍繞人工智能，已經有很多科學家進行了大量的研究，也輸出了很多非常了不起的成果。這些研究，根據思路方向的不同，被分為了很多種學派。比較有代表性的，是符號主義學派、聯結主義學派、行為主義學派。這些學派并沒有對錯之分，相互之間也有一些交叉融合。早期的時候（1960-1990），符號主義（以專家系統、知識圖譜為代表）是主流。后來，從1980年開始，聯結主義（以神經網絡為代表）崛起，一直到現在，都是主流。將來，也許有新的技術崛起，形成新的學派，也不一定。除了方向路線之外，我們也可以從智能水平以及應用領域等方面對AI進行分類。按智能水平，可以分為：弱人工智能（Weak AI）、強人工智能（Strong AI）、超人工智能（Super AI）。弱人工智能只專精于單一任務或一組相關的任務，不具備通用智能能力。我們目前就處于這個階段。強人工智能更厲害一些，具有一定的通用智能能力，能夠理解、學習并應用于各種不同的任務。這個還處于理論和研究階段，還沒落地。超人工智能當然是最強的。它在幾乎所有方面都超過人類智能，包括創造力、社交技能等。超人工智能是未來的終極形態，我們假設它能夠實現。

關于按應用領域的AI分類，我們待會再說。

什么是機器學習？

其實我們前面介紹規則總結的時候，其實已經提到了機器學習。

機器學習的核心思想，是構建一個可以從數據中學習的模型，并利用這個模型來進行預測或決策。機器學習不是一個具體的模型或算法。它包括了很多種類型，例如：監督學習：算法從帶有標簽的數據集中學習，即每個訓練樣本都有一個已知的結果。無監督學習：算法從沒有標簽的數據集中學習。半監督學習：結合了少量的帶標簽數據和大量的未帶標簽數據進行訓練。

強化學習：通過試錯的方式，學習哪些行為可以獲得獎勵，哪些行為會導致懲罰。

什么是深度學習？

深度學習，具體來說，是深度神經網絡學習。

深度學習是機器學習的一個重要分支。機器學習底下有一條“神經網絡”路線，而深度學習，是加強版的“神經網絡”學習。神經網絡是聯結主義的代表。顧名思義，這個路線是模仿人腦的工作原理，建立神經元之間的聯結模型，以此實現人工神經運算。深度學習所謂的“深度”，是神經網絡中“隱藏層”的層級。經典機器學習算法使用的神經網絡，具有輸入層、一個或兩個“隱藏層”和一個輸出層。深度學習算法使用了更多的“隱藏層”（數百個）。它的能力更加強大，讓神經網絡能夠完成更困難的工作。機器學習、神經網絡和深度學習的關系，通過下面的圖可以看出：

什么是卷積神經網絡、循環神經網絡？

神經網絡從1980年代開始崛起之后，就形成了很多的模型和算法。不同的模型和算法，有著各自的特性和功能。

卷積神經網絡（Convolutional Neural Network，CNN）和循環神經網絡（Recurrent Neural Network，RNN），是1990年代左右誕生的比較知名的神經網絡模型。它們的具體工作原理比較復雜。反正大家記住：卷積神經網絡（CNN）是一種用于處理具有類似網格結構的數據（例如圖像和視頻）的神經網絡。所以，它通常用于計算機視覺中，可以用來圖像識別和圖像分類。

而循環神經網絡（RNN）是一種用于處理序列數據的神經網絡，例如語言模型和時間序列預測。所以，它通常用于自然語言處理和語音識別。

什么是transformer？

transformer也是一個神經網絡模型。它比卷積神經網絡和循環神經網絡更加年輕（2017年由谷歌研究團隊提出），也更加強大。

作為非專業人士，不需要去研究它的工作原理，只需要知道：1、它是一種深度學習模型；2、它使用了一種名為自注意力（self-attention）的機制；3、它有效解決了卷積神經網絡和循環神經網絡的瓶頸（局限性）問題；4、它很適合自然語言處理（NLP）任務。相比循環神經網絡，它的計算可以高度并行化，簡化了模型架構，訓練效率也大大提升；5、它也被擴展到了其他領域，如計算機視覺和語音識別。6、現在我們經常提到的大模型，幾乎都是以transformer為基礎。神經網絡還有很多種，我在網上找到一張圖，供參考：

什么是大模型？

這兩年AI火，就是因為大模型火。那么，什么是大模型？

大模型，是具有龐大參數規模和復雜計算結構的機器學習模型。參數，是指在模型訓練過程中，學習和調整的變量。參數定義了模型的行為、性能、實現的成本以及對計算資源的需求。簡單來說，參數是模型內部用來做出預測或決策的部分。大模型，通常擁有數百萬至數十億的參數。相對應的，參數少的，就是小模型。對一些細分的領域或場景，小模型也夠用。大模型需要依賴大規模數據進行訓練，對算力資源的消耗極大。大模型有很多種類別。通常所說的大模型，主要是指語言大模型（以文本數據進行訓練）。但實際上，還有視覺大模型（以圖像數據進行訓練），以及多模態大模型（文本和圖像都有）。絕大多數大模型的基礎核心結構，都是Transformer及其變體。按應用領域，大模型可以分為通用大模型和行業大模型。

通用大模型的訓練數據集更加廣泛，覆蓋的領域更加全面。行業大模型，顧名思義，訓練數據來自特定行業，應用于專門的領域（例如金融、醫療、法律、工業）。

GPT的本質是什么？

GPT-1、GPT-2……GPT-4o，等等，都是美國OpenAI這家公司推出的語言大模型，同樣都是基于Transformer架構。

GPT的全稱，叫做Generative Pre.trained Transformer，生成式-預訓練-Transformer。Generative（生成式），表示該模型能夠生成連續的、有邏輯的文本內容，比如完成對話、創作故事、編寫代碼或者寫詩寫歌等。這里剛好提一下，現在常說的AIGC，就是AI Generated Content，人工智能生成內容。內容，可以是文本、圖像、音頻、視頻等。GPT系列面向文本，谷歌也推出過競品BERT。文生圖，比較有代表性的是DALL·E（也來自OpenAI）、Midjourney（知名度大）和Stable Diffusion（開源）。文生音頻（音樂），有Suno（OpenAI）、Stable Audio Open（由Stability.ai開源）、Audiobox（Meta）。文生視頻，有Sora（OpenAI）、Stable Video Diffusion（由Stability.ai開源）、Soya（開源）。圖也可以生視頻，例如騰訊的Follow-Your-Click。

AIGC是一個“應用維度”的定義，它不是一個具體的技術或模型。AIGC的出現，擴展了AI的功能，打破了此前AI主要用于識別的功能限制，拓寬了應用場景。好了，繼續解釋GPT的第二個字母——Pre.trained。Pre.trained（預訓練），表示該模型會先在一個大規模未標注文本語料庫上進行訓練，學習語言的統計規律和潛在結構。通過預訓練，模型才有了一定的通用性。訓練的數據越龐大（如網頁文本、新聞等），模型的能力就越強。大家對于AI的關注熱潮，主要源于2023年初的ChatGPT爆火。ChatGPT的chat，是聊天的意思。ChatGPT是OpenAI基于GPT模型開發的一個AI對話應用服務（也可以理解為GPT-3.5）。通過這個服務，人們才可以親身體驗到GPT模型的強大，有利于技術的宣傳和推廣。

事實證明，OpenAI的策略成功了。ChatGPT充分吸引了公眾關注度，也成功推動了AI領域的發展熱潮。

AI，究竟能做什么？

AI的作用，極為廣泛。

概括來說，AI和傳統計算機系統相比，能提供的拓展能力，包括：圖像識別、語音識別、自然語言處理、具身智能等方面。圖像識別，有時候也被歸類為計算機視覺（Computer Vision，CV），讓計算機具備理解和處理圖像和視頻的能力。常見的是攝像頭、工業質檢、人臉識別之類的。

語音識別，就是理解和處理音頻，獲得音頻所搭載的信息。常見的是手機語音助手、電話呼叫中心、聲控智能家居之類的，多用于交互場景。自然語言處理，前面介紹過，就是使計算機能夠理解和處理自然語言，知道我們到底在說什么。這個很火，多用于創造性的工作，例如寫新聞稿、寫書面材料、視頻制作、游戲開發、音樂創作等。具身智能，就是把人工智能搭載在一個物理形態（“身體”）上，通過與環境互動，來獲得和展示智能。帶AI的機器人，屬于具身智能。斯坦福大學年初推出的“Mobile ALOHA”，就是一個典型的家用具身機器人。它可以炒菜、煮咖啡甚至逗貓，火爆全網。值得一提的是，并不是所有的機器人，都是人形機器人。也不是所有的機器人，都用到了AI。

AI特別擅長對海量數據進行處理，一方面通過海量數據進行學習和訓練，另一方面，基于新的海量數據，完成人工無法完成的工作。或者說，找到海量數據中潛在的規律。目前AI在社會各個垂直行業的應用，主要是圍繞上面的能力進行延展。我們舉一些常見的例子。在醫療領域，AI已經可以用于分析X光片、CT掃描、MRI圖像等，幫助識別識別異常區域，甚至做出診斷判斷。AI還可以用于識別組織切片中的細胞變異，輔助病理學家進行癌癥篩查和其他疾病的診斷。AI還可以分析患者的基因組數據，確定最適合的治療方案。AI也可以根據患者的病史和生理指標，輔助預測病情趨勢。在藥品研發方面，AI可以幫助模擬化學成分的相互作用，縮短新藥研發周期。發生嚴重的公共衛生事件時，AI可以分析流行病數據，預測疾病傳播的趨勢。在金融領域，AI可以實時監測市場動態，識別潛在的市場風險，并制定相應的風險對沖策略。AI還可以通過分析借款人的信用記錄、收入情況、消費行為等多維度數據，評估信貸風險。當然，AI也可以結合投資者的個人財務情況、風險偏好和收益目標，提供最合適的投資組合建議。類似的例子實在是數不勝數。在工業制造、教育文旅、商業零售、農林牧漁、公共安全、政府治理等幾乎所有領域，AI都已經有了實際的落地場景和案例。

AI正在改變社會，改變我們每一個人的工作和生活。

我們應該如何看待AI？

AI的商業和社會價值，是毋庸置疑的。它的崛起趨勢，也是不可阻擋的。

從企業的角度來說，AI能夠自動化重復性、繁瑣的任務，提高生產效率和質量，同時降低生產成本和人力成本。對于制造業和服務業來說，這個優勢至關重要，直接影響了企業的競爭力，甚至是生存。從政府的角度來說，AI不僅可以提升治理效率，也能夠帶來新的商業模式、產品和服務，刺激經濟。強大的AI，也是一種國家競爭力。在科技博弈和國防事業方面，如果AI技術不如別人，可能會帶來嚴重后果。從個人的角度來說，AI可以幫助我們完成一些工作，也可以提升我們的生活品質。從整個人類的角度來說，AI在疾病治療、災害預測、氣候預測、消滅貧窮方面，也可以發揮重要的作用。但事物都是有兩面性的。AI作為工具，既有利，也有弊。最現實的一個弊，就是可能會威脅到大量的人類工作崗位，導致大量失業。根據麥肯錫的研究，到2030年至2060年之間，大約50%的職業可能會逐步被AI取代，特別是對于知識工作者而言。

圖片來自《紐約客》雜志除此之外，AI被用于發動戰爭、欺詐（模仿聲音或換臉，進行詐騙）、侵犯公民權益（信息過度采集、侵犯隱私）。如果只有少數公司擁有先進的AI技術，可能會加劇社會的不公平現象。AI的算法偏見，也可能導致不公平。AI變得越來越強大，也會讓人們產生對AI的依賴，失去獨立思考和解決問題的能力。AI的強大創造力，有可能讓人類失去創造的動力和信心。圍繞AI的發展，還有安全（數據泄露、系統崩潰）、道德倫理等一系列問題。

所有這些問題，我們目前都沒有靠譜的解決方案。所以，只能在發展AI的過程中，一點點去探索、思考和解決。對于AI的警惕和防范之心，是一定要有的。作為我們普通人，目前最現實的做法，就是先了解它、學習它。先學會使用常見的AI工具和平臺，幫助自己提升工作效率，改善生活品質。有句話說的好：“未來，淘汰你的不是AI，而是掌握了AI的人”。與其焦慮，不如勇敢面對和積極擁抱，盡早掌握主動權。好啦，以上就是今天文章的全部內容。對于一個普通人來說，知道這些AI常識，就是擁抱AI的第一步。至少和別人聊天的時候，談到AI，就不會一頭霧水了。

作者：小棗君

來源：鮮棗課堂