AI，是artificial intelligence的缩写。

Artificial，很多同学认字认半边，会以为是艺术（art）的什么形容词。
实在不然，artificial的意思便是“人工的、人造的”，和natural（天然的）是反义词。

Intelligence，这个不随意马虎认错，是“智能”的意思。
英特尔（Intel）公司的名字，便是基于这个词的前五个字母。

结合起来，AI，便是“人工的、人造的智能”，用人为的手段，创造智能。

关于AI的定义，行业里有很多种说法。
比较学术化的一种，是这么说的：

AI，是研究、开拓用于仿照、延伸和扩展人的智能行为的理论、方法、技能及运用系统的一门综合性科学。

这个定义很拗口，看得都头大。

实在，对付AI，我们可以拆解来看。

首先，AI的实质属性，是一门科学，是一个技能领域。

它涉及到了打算机科学、数学、统计学、哲学、生理学等多种学科的知识，但总体上，归类于打算机学科之下。

其次，AI的研究目的，是让一个“系统”具备智能。

这个“系统”，可以是一套软件程序，也可以是一台打算机，乃至是一个机器人。

第三，什么样的水平，才叫做真正的智能。

这是问题的关键。
目前看来，能够像人一样感知、理解、思考、判断、决策，便是实现了人工智能。

合营机器人、机器臂等物理载体，AI也可以实现行动能力。

综合以上三点，理解AI的定义就比较随意马虎了。

█ AI和普通打算机有什么差异？

AI，目前仍旧是基于打算机的基本玩法，采取的是半导体芯片技能（以是常常会被称为“硅基”），以及打算机的一些体系和平台。

那么，它和传统的打算机程序，有什么差异呢？

传统的打算机程序，便是一个规则的凑集。
程序员通过代码奉告打算机规则，打算机根据规则，对输入数据进行判断和处理。

例如经典的“if……else……（如果……否则……）”语句——“如果大于65岁，就退休。
否则，连续上班”。

然后，打算机程序会根据这个规则，对所有输入年事数据进行判断和处理。

但是，在现实生活中，很多要素（例如图像和声音）是极为繁芜和多样的，我们很难给出固定的规则，让打算机实现高准确率的判断和处理。

例如，判断一只狗是不是狗。

狗有很多品种，每种狗有不同的颜色、体型、五官特色。
狗在不同的韶光，也有不同的表情、姿势。
狗还会处于不同的背景环境下。

以是，打算机通过摄像头捕捉到的狗的影像，是无穷尽的。
很难通过有限数量的规则，去帮助打算机做出判断。

想要让打算机实现像人一样的智能，不能采取大略的规则驱动，而是该当像教孩童一样，不断输入数据和答案，让他自行总结特色，形本钱身的判断规则。

换言之，在经典的程序设计中，人们输入的是规则（即程序）和数据，系统输出的是答案。

而AI的打算过程，分为两个步骤：

第一个步骤，输入的是数据和预期得到的答案，系统输出的是规则。

第二个步骤，将输出的规则运用于新的数据，然后再输出答案。

第一步，我们可以称之为“演习”。
第二步，才是真正“干活”。

这便是传统打算程序和现在主流AI技能的一个范例差异。
（把稳，我说的是“现在主流AI”。
有一些“历史AI”和“非主流AI”，玩法不一样。
不能一概而论。
）

█ AI，有哪些种别？

前面说了，人工智能是一个非常弘大的科学领域。

从1950年代正式出身以来，环绕人工智能，已经有很多科学家进行了大量的研究，也输出了很多非常了不起的成果。

这些研究，根据思路方向的不同，被分为了很多种学派。
比较有代表性的，是符号主义学派、联结主义学派、行为主义学派。

这些学派并没有对错之分，相互之间也有一些交叉领悟。

早期的时候（1960-1990），符号主义（以专家系统、知识图谱为代表）是主流。
后来，从1980年开始，联结主义（以神经网络为代表）崛起，一贯到现在，都是主流。

将来，大概有新的技能崛起，形成新的学派，也不一定。

除了方向路线之外，我们也可以从智能水平以及运用领域等方面对AI进行分类。

按智能水平，可以分为：弱人工智能（Weak AI）、强人工智能（Strong AI）、超人工智能（Super AI）。

弱人工智能只专精于单一任务或一组干系的任务，不具备通用智能能力。
我们目前就处于这个阶段。

强人工智能更厉害一些，具有一定的通用智能能力，能够理解、学习并运用于各种不同的任务。
这个还处于理论和研究阶段，还没落地。

超人工智能当然是最强的。
它在险些所有方面都超过人类智能，包括创造力、社交技能等。
超人工智能是未来的终极形态，我们假设它能够实现。

关于按运用领域的AI分类，我们待会再说。

█ 什么是机器学习？

实在我们前面先容规则总结的时候，实在已经提到了机器学习。

机器学习的核心思想，是构建一个可以从数据中学习的模型，并利用这个模型来进行预测或决策。

机器学习不是一个详细的模型或算法。
它包括了很多种类型，例如：

监督学习：算法从带有标签的数据集中学习，即每个演习样本都有一个已知的结果。

无监督学习：算法从没有标签的数据集中学习。

半监督学习：结合了少量的带标签数据和大量的未带标签数据进行演习。

强化学习：通过试错的办法，学习哪些行为可以得到褒奖，哪些行为会导致惩罚。

█ 什么是深度学习？

深度学习，详细来说，是深度神经网络学习。

深度学习是机器学习的一个主要分支。
机器学习底下有一条“神经网络”路线，而深度学习，是加强版的“神经网络”学习。

神经网络是联结主义的代表。
顾名思义，这个路线是模拟人脑的事情事理，建立神经元之间的联结模型，以此实现人工神经运算。

深度学习所谓的“深度”，是神经网络中“隐蔽层”的层级。

经典机器学习算法利用的神经网络，具有输入层、一个或两个“隐蔽层”和一个输出层。

深度学习算法利用了更多的“隐蔽层”（数百个）。
它的能力更加强大，让神经网络能够完成更困难的事情。

机器学习、神经网络和深度学习的关系，通过下面的图可以看出：

█ 什么是卷积神经网络、循环神经网络？

神经网络从1980年代开始崛起之后，就形成了很多的模型和算法。
不同的模型和算法，有着各自的特性和功能。

卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN），是1990年代旁边出身的比较有名的神经网络模型。

它们的详细事情事理比较繁芜。
反正大家记住：

卷积神经网络（CNN）是一种用于处理具有类似网格构造的数据（例如图像和***）的神经网络。
以是，它常日用于打算机视觉中，可以用来图像识别和图像分类。

而循环神经网络（RNN）是一种用于处理序列数据的神经网络，例如措辞模型和韶光序列预测。
以是，它常日用于自然措辞处理和语音识别。

█ 什么是transformer？

transformer也是一个神经网络模型。
它比卷积神经网络和循环神经网络更加年轻（2017年由谷歌研究团队提出），也更加强大。

作为非专业人士，不须要去研究它的事情事理，只须要知道：

1、它是一种深度学习模型；

2、它利用了一种名为自把稳力（self-attention）的机制；

3、它有效办理了卷积神经网络和循环神经网络的瓶颈（局限性）问题；

4、它很适宜自然措辞处理（NLP）任务。
比较循环神经网络，它的打算可以高度并行化，简化了模型架构，演习效率也大大提升；

5、它也被扩展到了其他领域，如打算机视觉和语音识别。

6、现在我们常常提到的大模型，险些都因此transformer为根本。

神经网络还有很多种，我在网上找到一张图，供参考：

█ 什么是大模型？

这两年AI火，便是由于大模型火。
那么，什么是大模型？

大模型，是具有弘大参数规模和繁芜打算构造的机器学习模型。

参数，是指在模型演习过程中，学习和调度的变量。
参数定义了模型的行为、性能、实现的本钱以及对打算资源的需求。
大略来说，参数是模型内部用来做出预测或决策的部分。

大模型，常日拥有数百万至数十亿的参数。
相对应的，参数少的，便是小模型。
对一些细分的领域或场景，小模型也够用。

大模型须要依赖大规模数据进行演习，对算力资源的花费极大。

大模型有很多种种别。
常日所说的大模型，紧张是指措辞大模型（以文本数据进行演习）。
但实际上，还有视觉大模型（以图像数据进行演习），以及多模态大模型（文本和图像都有）。

绝大多数大模型的根本核心构造，都是Transformer及其变体。

按运用领域，大模型可以分为通用大模型和行业大模型。

通用大模型的演习数据集更加广泛，覆盖的领域更加全面。
行业大模型，顾名思义，演习数据来自特定行业，运用于专门的领域（例如金融、医疗、法律、工业）。

█ GPT的实质是什么？

GPT-1、GPT-2……GPT-4o，等等，都是美国OpenAI这家公司推出的措辞大模型，同样都是基于Transformer架构。

GPT的全称，叫做Generative Pre.trained Transformer，天生式-预演习-Transformer。

Generative（天生式），表示该模型能够天生连续的、有逻辑的文本内容，比如完成对话、创作故事、编写代码或者写诗写歌等。

这里刚好提一下，现在常说的AIGC，便是AI Generated Content，人工智能天生内容。
内容，可以是文本、图像、音频、***等。

GPT系列面向文本，谷歌也推出过竞品BERT。

文生图，比较有代表性的是DALL·E（也来自OpenAI）、Midjourney（有名度大）和Stable Diffusion（开源）。

文生音频（音乐），有Suno（OpenAI）、Stable Audio Open（由Stability.ai开源）、Audiobox（Meta）。

文生***，有Sora（OpenAI）、Stable Video Diffusion（由Stability.ai开源）、Soya（开源）。
图也可以生***，例如腾讯的Follow-Your-Click。

AIGC是一个“运用维度”的定义，它不是一个详细的技能或模型。
AIGC的涌现，扩展了AI的功能，冲破了此前AI紧张用于识别的功能限定，拓宽了运用处景。

好了，连续阐明GPT的第二个字母——Pre.trained。

Pre.trained（预演习），表示该模型会先在一个大规模未标注文本语料库上进行演习，学习措辞的统计规律和潜在构造。

通过预演习，模型才有了一定的通用性。
演习的数据越弘大（如网页文本、***等），模型的能力就越强。

大家对付AI的关注热潮，紧张源于2023年初的ChatGPT爆火。

ChatGPT的chat，是谈天的意思。
ChatGPT是OpenAI基于GPT模型开拓的一个AI对话运用做事（也可以理解为GPT-3.5）。

通过这个做事，人们才可以亲自体验到GPT模型的强大，有利于技能的宣扬和推广。

事实证明，OpenAI的策略成功了。
ChatGPT充分吸引了"大众年夜众关注度，也成功推动了AI领域的发展热潮。

█ AI，究竟能做什么？

AI的浸染，极为广泛。

概括来说，AI和传统打算机系统比较，能供应的拓展能力，包括：图像识别、语音识别、自然措辞处理、具身智能等方面。

图像识别，有时候也被归类为打算机视觉（Computer Vision，CV），让打算机具备理解和处理图像和***的能力。
常见的是摄像头、工业质检、人脸识别之类的。

语音识别，便是理解和处理音频，得到音频所搭载的信息。
常见的是手机语音助手、电话呼叫中央、声控智能家居之类的，多用于交互场景。

自然措辞处理，前面先容过，便是使打算机能够理解和处理自然措辞，知道我们到底在说什么。
这个很火，多用于创造性的事情，例如写***稿、写书面材料、***制作、游戏开拓、音乐创作等。

具身智能，便是把人工智能搭载在一个物理形态（“身体”）上，通过与环境互动，来得到和展示智能。

带AI的机器人，属于具身智能。

斯坦福大学年初推出的“Mobile ALOHA”，便是一个范例的家用具身机器人。
它可以炒菜、煮咖啡乃至逗猫，火爆全网。

值得一提的是，并不是所有的机器人，都是人形机器人。
也不是所有的机器人，都用到了AI。

人形机器人

AI特殊善于对海量数据进行处理，一方面通过海量数据进行学习和演习，另一方面，基于新的海量数据，完成人工无法完成的事情。
或者说，找到海量数据中潜在的规律。

目前AI在社会各个垂直行业的运用，紧张是环绕上面的能力进行延展。

我们举一些常见的例子。

在医疗领域，AI已经可以用于剖析X光片、CT扫描、MRI图像等，帮助识别识别非常区域，乃至做出诊断判断。
AI还可以用于识别组织切片中的细胞变异，赞助病理学家进行癌症筛查和其他疾病的诊断。

AI还可以剖析患者的基因组数据，确定最适宜的治疗方案。
AI也可以根据患者的病史和生理指标，赞助预测病情趋势。

在药品研发方面，AI可以帮助仿照化学身分的相互浸染，缩短新药研发周期。

发生严重的公共卫生事件时，AI可以剖析盛行病数据，预测疾病传播的趋势。

在金融领域，AI可以实时监测市场动态，识别潜在的市场风险，并制订相应的风险对冲策略。

AI还可以通过剖析借款人的信用记录、收入情形、消费行为等多维度数据，评估信贷风险。
当然，AI也可以结合投资者的个人财务情形、风险偏好和收益目标，供应最得当的投资组合建议。

类似的例子实在是数不胜数。
在工业制造、教诲文旅、商业零售、农林牧渔、公共安全、政府管理等险些所有领域，AI都已经有了实际的落地场景和案例。

AI正在改变社会，改变我们每一个人的事情和生活。

█ 我们该当如何看待AI？

AI的商业和社会代价，是毋庸置疑的。
它的崛起趋势，也是不可阻挡的。

从企业的角度来说，AI能够自动化重复性、繁琐的任务，提高生产效率和质量，同时降落生产本钱和人力本钱。

对付制造业和做事业来说，这个上风至关主要，直接影响了企业的竞争力，乃至是生存。

从政府的角度来说，AI不仅可以提升管理效率，也能够带来新的商业模式、产品和做事，刺激经济。

强大的AI，也是一种国家竞争力。
在科技博弈和国防奇迹方面，如果AI技能不如别人，可能会带来严重后果。

从个人的角度来说，AI可以帮助我们完成一些事情，也可以提升我们的生活品质。

从全体人类的角度来说，AI在疾病治疗、磨难预测、景象预测、消灭贫穷方面，也可以发挥主要的浸染。

但事物都是有两面性的。
AI作为工具，既有利，也有弊。

最现实的一个弊，便是可能会威胁到大量的人类事情岗位，导致大量失落业。
根据麦肯锡的研究，到2030年至2060年之间，大约50%的职业可能会逐步被AI取代，特殊是对付知识事情者而言。

图片来自《纽约客》杂志

除此之外，AI被用于发动战役、敲诈（模拟声音或换脸，进行诱骗）、陵犯公民权柄（信息过度采集、陵犯隐私）。

如果只有少数公司拥有前辈的AI技能，可能会加剧社会的不公正征象。
AI的算法偏见，也可能导致不公正。

AI变得越来越强大，也会让人们产生对AI的依赖，失落去独立思考和解决问题的能力。
AI的强大创造力，有可能让人类失落去创造的动力和信心。

环绕AI的发展，还有安全（数据透露、系统崩溃）、道德伦理等一系列问题。

所有这些问题，我们目前都没有靠谱的办理方案。
以是，只能在发展AI的过程中，一点点去探索、思考和解决。
对付AI的当心和戒备之心，是一定要有的。

作为我们普通人，目前最现实的做法，便是先理解它、学习它。
先学会利用常见的AI工具和平台，帮助自己提升事情效率，改进生活品质。

有句话说的好：“未来，淘汰你的不是AI，而是节制了AI的人”。
与其焦虑，不如年夜胆面对和积极拥抱，尽早节制主动权。

好啦，以上便是本日文章的全部内容。
对付一个普通人来说，知道这些AI知识，便是拥抱AI的第一步。
至少和别人谈天的时候，谈到AI，就不会一头雾水了。

感谢大家的耐心阅读，我们下期再见！