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。其实不然，artificial 的意思就是“人工的、人造的”，和 natural（天然的）是反义词。
Intelligence，这个不容易认错，是“智能”的意思。英特尔（Intel）公司的名字，就是基于这个词的前五个字母。
结合起来，AI，就是“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、开发用于模拟、延伸和扩展人的智能行为的理论、方法、技术及应用系统的一门综合性科学。
这个定义很拗口，看得都头大。
其实，对于 AI，我们可以拆解来看。
首先，AI 的本质属性，是一门科学，是一个技术领域。
它涉及到了计算机科学、数学、统计学、哲学、心理学等多种学科的知识，但总体上，归类于计算机学科之下。
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，也可以是一台计算机，甚至是一个机器人。
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，就是实现了人工智能。
配合机器人、机械臂等物理载体，AI 也可以实现行动能力。
综合以上三点，理解 AI 的定义就比较容易了。
AI，目前仍然是基于计算机的基本玩法，采用的是半导体芯片技术（所以经常会被称为“硅基”），以及计算机的一些体系和平台。
那么，它和传统的计算机程序，有什么区别呢？
传统的计算机程序，就是一个规则的集合。程序员通过代码告知计算机规则，计算机根据规则，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，继续上班”。
然后，计算机程序会根据这个规则，对所有输入年龄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）是极为复杂和多样的，我们很难给出固定的规则，让计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、五官特征。狗在不同的时间，也有不同的表情、姿势。狗还会处于不同的背景环境下。
所以，计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，去帮助计算机做出判断。
想要让计算机实现像人一样的智能，不能采用简单的规则驱动，而是应该像教孩童一样，不断输入数据和答案，让他自行总结特征，形成自己的判断规则。
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 的计算过程，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，将输出的规则应用于新的数据，然后再输出答案。
第一步，我们可以称之为“训练”。第二步，才是真正“干活”。
这就是传统计算程序和现在主流 AI 技术的一个典型区别。（注意，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。）
前面说了，人工智能是一个非常庞大的科学领域。
从 1950 年代正式诞生以来，围绕人工智能，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融合。
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，一直到现在，都是主流。
将来，也许有新的技术崛起，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应用领域等方面对 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相关的任务，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、学习并应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。它在几乎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。
关于按应用领域的 AI 分类，我们待会再说。
其实我们前面介绍规则总结的时候，其实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。
机器学习不是一个具体的模型或算法。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，即每个训练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训练。
强化学习：通过试错的方式，学习哪些行为可以获得奖励，哪些行为会导致惩罚。
深度学习，具体来说，是深度神经网络学习。
深度学习是机器学习的一个重要分支。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，这个路线是模仿人脑的工作原理，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“隐藏层”的层级。
经典机器学习算法使用的神经网络，具有输入层、一个或两个“隐藏层”和一个输出层。
深度学习算法使用了更多的“隐藏层”（数百个）。它的能力更加强大，让神经网络能够完成更困难的工作。
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：
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 年代左右诞生的比较知名的神经网络模型。
它们的具体工作原理比较复杂。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结构的数据（例如图像和视频）的神经网络。所以，它通常用于计算机视觉中，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，例如语言模型和时间序列预测。所以，它通常用于自然语言处理和语音识别。
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，不需要去研究它的工作原理，只需要知道：
1、它是一种深度学习模型；
2、它使用了一种名为自注意力（self-attention）的机制；
3、它有效解决了卷积神经网络和循环神经网络的瓶颈（局限性）问题；
4、它很适合自然语言处理（NLP）任务。相比循环神经网络，它的计算可以高度并行化，简化了模型架构，训练效率也大大提升；
5、它也被扩展到了其他领域，如计算机视觉和语音识别。
6、现在我们经常提到的大模型，几乎都是以 transformer 为基础。
神经网络还有很多种，我在网上找到一张图，供参考：
这两年 AI 火，就是因为大模型火。那么，什么是大模型？
大模型，是具有庞大参数规模和复杂计算结构的机器学习模型。
参数，是指在模型训练过程中，学习和调整的变量。参数定义了模型的行为、性能、实现的成本以及对计算资源的需求。简单来说，参数是模型内部用来做出预测或决策的部分。
大模型，通常拥有数百万至数十亿的参数。相对应的，参数少的，就是小模型。对一些细分的领域或场景，小模型也够用。
大模型需要依赖大规模数据进行训练，对算力资源的消耗极大。
大模型有很多种类别。通常所说的大模型，主要是指语言大模型（以文本数据进行训练）。但实际上，还有视觉大模型（以图像数据进行训练），以及多模态大模型（文本和图像都有）。
绝大多数大模型的基础核心结构，都是 Transformer 及其变体。
按应用领域，大模型可以分为通用大模型和行业大模型。
通用大模型的训练数据集更加广泛，覆盖的领域更加全面。行业大模型，顾名思义，训练数据来自特定行业，应用于专门的领域（例如金融、医疗、法律、工业）。
GPT-1、GPT-2……GPT-4o，等等，都是美国 OpenAI 这家公司推出的语言大模型，同样都是基于 Transformer 架构。
GPT 的全称，叫做 GenerativePre.trainedTransformer，生成式-预训练-Transformer。
Generative（生成式），表示该模型能够生成连续的、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，就是 AI Generated Content，人工智能生成内容。内容，可以是文本、图像、音频、视频等。
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（知名度大）和 Stable Diffusion（开源）。
文生音频（音乐），有 Suno（OpenAI）、Stable Audio Open（由Stability.ai开源）、Audiobox（Meta）。
文生视频，有 Sora（OpenAI）、Stable Video Diffusion（由Stability.ai开源）、Soya（开源）。图也可以生视频，例如腾讯的 Follow-Your-Click。
AIGC 是一个“应用维度”的定义，它不是一个具体的技术或模型。AIGC 的出现，扩展了 AI 的功能，打破了此前 AI 主要用于识别的功能限制，拓宽了应用场景。
好了，继续解释 GPT 的第二个字母 ——Pre.trained。
Pre.trained（预训练），表示该模型会先在一个大规模未标注文本语料库上进行训练，学习语言的统计规律和潜在结构。
通过预训练，模型才有了一定的通用性。训练的数据越庞大（如网页文本、新闻等），模型的能力就越强。
大家对于 AI 的关注热潮，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 模型开发的一个 AI 对话应用服务（也可以理解为 GPT-3.5）。
通过这个服务，人们才可以亲身体验到 GPT 模型的强大，有利于技术的宣传和推广。
事实证明，OpenAI 的策略成功了。ChatGPT 充分吸引了公众关注度，也成功推动了 AI 领域的发展热潮。
AI 的作用，极为广泛。
概括来说，AI 和传统计算机系统相比，能提供的拓展能力，包括：图像识别、语音识别、自然语言处理、具身智能等方面。
图像识别，有时候也被归类为计算机视觉（Computer Vision，CV），让计算机具备理解和处理图像和视频的能力。常见的是摄像头、工业质检、人脸识别之类的。
语音识别，就是理解和处理音频，获得音频所搭载的信息。常见的是手机语音助手、电话呼叫中心、声控智能家居之类的，多用于交互场景。
自然语言处理，前面介绍过，就是使计算机能够理解和处理自然语言，知道我们到底在说什么。这个很火，多用于创造性的工作，例如写新闻稿、写书面材料、视频制作、游戏开发、音乐创作等。
具身智能，就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，来获得和展示智能。
带 AI 的机器人，属于具身智能。
斯坦福大学年初推出的“Mobile ALOHA”，就是一个典型的家用具身机器人。它可以炒菜、煮咖啡甚至逗猫，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。
AI 特别擅长对海量数据进行处理，一方面通过海量数据进行学习和训练，另一方面，基于新的海量数据，完成人工无法完成的工作。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应用，主要是围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 已经可以用于分析 X 光片、CT 扫描、MRI 图像等，帮助识别识别异常区域，甚至做出诊断判断。AI 还可以用于识别组织切片中的细胞变异，辅助病理学家进行癌症筛查和其他疾病的诊断。
AI 还可以分析患者的基因组数据，确定最适合的治疗方案。AI 也可以根据患者的病史和生理指标，辅助预测病情趋势。
在药品研发方面，AI 可以帮助模拟化学成分的相互作用，缩短新药研发周期。
发生严重的公共卫生事件时，AI 可以分析流行病数据，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，并制定相应的风险对冲策略。
AI 还可以通过分析借款人的信用记录、收入情况、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况、风险偏好和收益目标，提供最合适的投资组合建议。
类似的例子实在是数不胜数。在工业制造、教育文旅、商业零售、农林牧渔、公共安全、政府治理等几乎所有领域，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工作和生活。
AI 的商业和社会价值，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，同时降低生产成本和人力成本。
对于制造业和服务业来说，这个优势至关重要，直接影响了企业的竞争力，甚至是生存。
从政府的角度来说，AI 不仅可以提升治理效率，也能够带来新的商业模式、产品和服务，刺激经济。
强大的 AI，也是一种国家竞争力。在科技博弈和国防事业方面，如果 AI 技术不如别人，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工作，也可以提升我们的生活品质。
从整个人类的角度来说，AI 在疾病治疗、灾害预测、气候预测、消灭贫穷方面，也可以发挥重要的作用。
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，就是可能会威胁到大量的人类工作岗位，导致大量失业。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，特别是对于知识工作者而言。
除此之外，AI 被用于发动战争、欺诈（模仿声音或换脸，进行诈骗）、侵犯公民权益（信息过度采集、侵犯隐私）。
如果只有少数公司拥有先进的 AI 技术，可能会加剧社会的不公平现象。AI 的算法偏见，也可能导致不公平。
AI 变得越来越强大，也会让人们产生对 AI 的依赖，失去独立思考和解决问题的能力。AI 的强大创造力，有可能让人类失去创造的动力和信心。
围绕 AI 的发展，还有安全（数据泄露、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解决方案。所以，只能在发展 AI 的过程中，一点点去探索、思考和解决。对于 AI 的警惕和防范之心，是一定要有的。
作为我们普通人，目前最现实的做法，就是先了解它、学习它。先学会使用常见的 AI 工具和平台，帮助自己提升工作效率，改善生活品质。
有句话说的好：“未来，淘汰你的不是 AI，而是掌握了 AI 的人”。与其焦虑，不如勇敢面对和积极拥抱，尽早掌握主动权。
好啦，以上就是今天文章的全部内容。对于一个普通人来说，知道这些 AI 常识，就是拥抱 AI 的第一步。至少和别人聊天的时候，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！
本文来自微信公众号：微信公众号（ID：null），作者：小枣君
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。