当你能对别人讲清楚AI时，才是你真正理解了AI。这篇讲清楚关于人工智能你需要知道的一切。

什么是AI人工智能

人工智能（AI）是一个不断发展的概念，它指代的是机器执行那些曾需人类智能方能完成的任务的能力。自20世纪50年代起，人工智能便已初现端倪，其定义随着数十年的研究和技术进步而不断演进。

如今，人工智能广泛应用于自动驾驶汽车、笔记本电脑、聊天机器人（如ChatGPT）以及图像生成器等众多领域。那么，它究竟是什么？又是如何运作的呢？

“人工智能”这一术语源自一个观点：若智能是生物有机体所固有的，那么在其他领域中的存在则表明它是人造的。计算机科学家艾伦·图灵是首批探索机器能否像人一样利用信息和逻辑进行决策的人之一。他提出了图灵测试，通过比较机器与人类的能力，来检验人们是否能区分机器的智能是否为人造（例如，令人信服的深度伪造就是人工智能通过图灵测试的一个实例）。

基本计算系统之所以能够运行，得益于程序员对其进行的特定任务编码。然而，人工智能的实现则依赖于计算机能够存储信息（包括过去的命令），这与人类大脑通过储存技能和记忆来学习的方式类似。这种能力使人工智能系统能够适应新环境、学习新技能，从而完成那些它们并未明确编程要执行的任务。

一些专家将智能定义为适应、解决问题、规划、随机应变以及学习新事物的能力。尽管这些系统尚不能完全取代人类智能或社交互动，但当今的人工智能系统已展现出人类智能的某些特征，包括学习、解决问题、模式识别、感知，甚至有限的创造力和社会意识。

当然，人类智能的一个重要组成部分是人工智能尚未能复制的——即语境理解。例如，谷歌的人工智能系统缺乏现实世界的逻辑，难以识别人类的微妙之处，如讽刺和幽默，这从它给出的诸如“在披萨酱中加入胶水以使奶酪粘住”或“使用汽油使意大利面变辣”的建议中可见一斑。虽然这些建议的风险较低，但在错误的情况下，缺乏语义理解的人工智能系统可能会产生严重的后果。

如何使用人工智能

人工智能具有广泛的潜在应用，这些应用已深深渗透到我们的日常生活中。在消费者领域，谷歌搜索的新版本、可穿戴设备，甚至是吸尘器，都展现了人工智能的无限可能。壁炉架上那些内置Alexa或谷歌语音助手的智能扬声器，便是人工智能应用的生动例证。

ChatGPT、微软的Copilot和Claude等热门的AI聊天机器人，不仅能解答问题或执行任务，如解释概念、撰写电子邮件或项目大纲，甚至还能创作创意故事。然而，由于AI模型无法准确区分事实和虚构，这些聊天机器人有时会产生误导性的信息或编造故事。因此，在使用时，尤其是在引用质量不确定的情况下，务必通过独立研究来验证它们的陈述。

在消费产品中，人工智能的一个核心功能是提供个性化服务，无论是精准投放的广告还是基于生物识别的安全系统。例如，当您使用Face ID解锁手机时，手机之所以能区分您的脸和别人的脸，是因为它参考了数十亿其他人的面部数据，并匹配了特定的数据点来识别您的面部特征。

从更宏观的角度看，营销和内容团队可以利用人工智能简化生产流程，而开发人员则能借助它编写和执行代码。此外，人工智能还极大地提高了医学研究的速度和效率。

什么是机器学习

机器学习（ML）是指通过大量数据来训练算法以识别模式，进而辅助预测和决策制定的过程。这种模式的自动搜索使系统能够执行那些未明确编程的任务，这也是人工智能（AI）与其他计算机科学领域的核心区别。尽管许多人将AI与这种能力相联系，但机器学习实际上是AI的一个子集。

当数据被妥善结构化或组织时，系统能够更轻松地检测异常——比如，当信用卡交易来自不常见的地点时。

机器学习的应用实例不胜枚举，其中包括搜索引擎、图像和语音识别以及欺诈检测。以Face ID为例，当用户将照片上传到Facebook时，社交网络的图像识别技术会分析图像、识别出人脸，并提出建议来标记识别出的朋友。随着时间的推移和更多图像数据的积累，该系统将不断完善这项技能，并变得更加精确。

机器学习如何工作

机器学习通常分为两大类：监督学习和无监督学习。

监督学习

这种常见的技术用于训练AI系统，它依赖于注释数据或人类已标记和分类的数据。机器学习系统随后会输入这些数据来学习其中的模式。

假设您希望训练一个机器学习模型来识别和区分圆形与正方形的图像。为此，您需要构建一个数据集，其中包含大量圆形图像（如行星、车轮等圆形物体的照片）和正方形图像（如桌子、白板等）。接下来，您需要为每个图像添加标签，以指明其形状。

之后，算法将分析这组带标签的图像，学习如何区分不同的形状及其特征：例如，圆形没有角，而正方形则有四条等长的边。一旦训练完成，系统就能够识别出一张新图像中的形状。

无监督学习

相比之下，无监督学习则允许算法自行寻找未标记数据中的模式，通过识别数据间的相似性来进行分类。

这些算法并不预先设定特定的数据选择标准；它们仅仅基于数据之间的相似性进行分组——例如，根据客户的购物行为对他们进行细分，从而开展更具个性化的营销活动。是不是像淘宝在给你推荐商品？

强化学习

在强化学习中，系统通过输入数据进行训练，旨在最大化奖励，并经过反复试验和调整，直至达到最佳性能。

以训练一个系统玩电子游戏为例，当得分较高时，系统会获得正奖励；而得分较低时，则会受到负奖励的惩罚。系统通过不断分析游戏并调整行动策略，仅从收到的奖励中学习和改进。最终，它能够独立地玩游戏，并在无人干预的情况下取得高分。

强化学习不仅在游戏领域有所应用，还广泛用于科学研究，特别是在教导自主机器人在现实环境中以最优方式行动方面。例如，机器人学习如何在未获取数据的新环境中导航，比如绕过意外的障碍物，这是人工智能领域中更高级机器学习技术的一个典型应用。

人工智能类型

人工智能可以分为三个子类别：狭义人工智能、通用人工智能和超级人工智能。

什么是狭义人工智能？

狭义人工智能（ANI）指的是无需明确设计即可构建或训练，以执行特定任务或解决特定问题的智能系统。这种类型的人工智能对于诸如 Siri、Alexa 和 Google Assistant 等语音助手而言至关重要。

ANI 有时被称为弱人工智能，因为它不具备全面的通用智能能力。但这并不削弱其实际效能。除了语音助手，图像识别系统、响应简单客户服务请求的自动化技术以及标记在线不当内容的工具，都是 ANI 的实际应用例子。

ChatGPT 同样是 ANI 的一个典型应用，它经过编程以执行一项具体任务：基于提供的提示生成文本响应。

什么是通用人工智能？

通用人工智能（AGI）或强人工智能仍然是一个理论上的概念，因为它设想机器能够理解和基于积累的经验自主执行多种截然不同的任务。这种智能类型更接近人类智力水平，因为AGI系统能够像人类一样进行推理和思考。

与人类相似，AGI能够理解任何智力任务，进行抽象思考，从经验中学习，并利用这些知识来解决新问题。我们谈论的实际上是一个具备常识的系统或机器，这是目前任何现有的人工智能技术都尚未实现的。

尽管开发具有意识的系统可能仍是一个遥远的目标，但它却是人工智能研究的终极目标。OpenAI暗示即将推出的GPT-5将使我们距离AGI更近一步。

什么是超级人工智能？

超级人工智能（ASI）是一种超越人类智能，并在所有功能上均超越人类的机器智能。这样的系统不仅可能对人类社会产生深远影响，甚至可能带来毁灭性后果。尽管这一概念听起来像是科幻小说中的情节，但确实有其科学依据。

一个能够自我学习并持续自我完善的智能系统目前仍是一个理论假设。然而，如果这种系统能够以道德和负责任的方式得到应用，那么它有望在医学、技术等多个领域带来前所未有的进步和成就。

人工智能最新例子

人工智能领域的显著进步包括但不限于GPT 3.5、GPT-4以及栩栩如生的人工智能头像和深度伪造技术。然而，该领域的革命性成就远不止这些。

以下是一些最引人注目的进展：

ChatGPT（以及GPT系列）

ChatGPT是一款能够生成和翻译自然语言、回答问题的AI聊天机器人。在ChatGPT之前，OpenAI通过GPT 1、2和3的发布，已经引发了人工智能领域的巨大变革。GPT，即生成式预训练Transformer，GPT-3在2020年推出时，成为了当时最大的语言模型，拥有1750亿个参数。随后，GPT-3.5为ChatGPT的免费版本提供了支持。而最大的版本GPT-4则拥有一万亿个参数，可以通过ChatGPT、ChatGPT Plus和Microsoft Copilot的免费版本访问。

自动驾驶汽车

自动驾驶汽车的安全性是潜在用户的主要关注点，但随着人工智能的突破，这项技术正在不断进步。这些车辆利用机器学习算法，结合来自传感器和摄像头的数据，来感知周围环境并确定最佳行动方案。特斯拉电动汽车的自动驾驶功能广为人知，但谷歌母公司Alphabet旗下的Waymo也在加利福尼亚州旧金山和亚利桑那州菲尼克斯提供自动驾驶服务，如无人驾驶出租车或Uber Eats外卖配送。Cruise是另一项机器人出租车服务，奥迪、通用和福特等汽车公司也在积极研发自动驾驶汽车技术。

机器人技术

波士顿动力公司在人工智能和机器人领域的成就尤为突出。尽管我们距离创造终结者级别的人工智能技术还有很长的路要走，但波士顿动力公司的液压人形机器人能够利用人工智能导航并应对不同地形，已经令人印象深刻。

DeepMind

谷歌子公司DeepMind是AI领域的先驱，专注于通用人工智能（AGI）的研究。尽管AGI尚未实现，但DeepMind在2016年因创建击败世界最佳围棋选手的AI系统AlphaGo而备受瞩目。此后，DeepMind又推出了AlphaFold，这是一个能够预测蛋白质复杂3D形状的系统。该公司还开发了可以像顶级医生一样有效诊断眼疾的程序。

什么是大型语言模型

人工智能的一个重要应用领域体现在大型语言模型（LLM）上。这些模型运用无监督机器学习技术，通过海量文本数据训练，来深入理解人类语言的运作机制。为了降低成本，科技公司通常会从互联网上免费抓取这些文本数据，其中包括文章、书籍、网站和论坛内容等。

在训练过程中，LLM 会处理数十亿个单词和短语，以学习它们之间的模式和关系，从而使模型能够基于用户提示生成类似人类的回答。

然而，需要明确的是，这些模型主要是在复制常见的语法模式和词汇配对，尽管这一过程在复杂的层面上进行——但它们的思维方式与人类截然不同，因为它们并不具备理解事实、逻辑或常识的能力。

OpenAI 近期发布的GPT-4在Chatbot Arena排行榜上表现出色。该公司的GPT-4 Turbo被认为是目前最先进的LLM之一，而GPT-4作为最大的LLM，据称拥有1.78万亿个参数。ChatGPT可以基于GPT-3.5和GPT-4运行。此外，谷歌开发的同名LLM——Gemini，尽管其参数数量尚未公开，但据估计可能高达175万亿个。

什么是神经网络