下载掌阅APP，畅读海量书库
立即打开
人工智能（Artificial Intelligence，AI）早已不是科幻小说里的抽象概念，而是渗透生活多个方面的真实存在。AI不仅是一行行代码，更是人类对“智能”本质的持续探索与自我超越。AI不仅是技术革命，还是对人类生产方式、社会结构乃至存在意义的深刻重塑。
AI是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术。AI试图通过模拟人类的思维方式和行为模式，使计算机具备感知、学习、推理、决策甚至部分创造性行为的能力，从而辅助或替代人类完成特定任务。
AI的技术本质可以从计算基础、认知模拟和进化路径3个层面来理解。
●计算基础： AI依托大规模数据处理、算法模型和算力支撑，实现对信息的高效处理。
●认知模拟： AI模仿人类的认知过程，包括感知能力、学习能力和推理决策，通过计算机视觉、语音识别等技术，让机器“看”“听”懂世界。AI具有学习能力，能通过大量的数据训练不断优化自身的模型和算法，从而更好地完成任务。AI能基于规则或概率模型，对复杂问题进行逻辑推导，并做出合理的决策。
●进化路径： 从“弱AI”向“强AI”发展。弱AI仅在特定领域表现出色，如语音助手、图像识别，无通用智能。强AI在理论上具备人类同等的学习、理解和适应能力，但目前仍处于研究阶段。
AI的能力已覆盖多个维度，且在不断拓展。AI的主要能力如表1-1所示。
表1-1 AI的主要能力
AI的发展可以分为5个层级，每个层级都代表了AI能力的一次飞跃，AI的发展层级如图1-1所示。
图1-1 AI的发展层级
层级一的AI具备基础的对话能力，能理解和回应简单的文本输入，依赖预设的对话模式和知识库，具有限定的上下文理解和内容生成能力，但无法进行深层次的推理或情境理解。
层级二的AI具备基本的逻辑推理能力，能分析复杂信息并进行推断，还能处理更具挑战性的任务，如理解复杂的语义结构、识别逻辑关系并做出合乎逻辑的回应。层级二的AI不仅依赖预设知识，还可结合输入信息进行初步推理分析。
层级三的AI具备理解复杂指令的能力，并能在多任务环境中自主决策和灵活应对，能在动态环境中整合不同信息源，自主判断并选择合适的行动方案，像“智能体”一样工作，具备高度的情境感知能力和自主执行力，不再依赖于逐步指令或外部控制。
层级四的AI不再满足于执行和优化现有任务，而是具备创新和创造的能力，能独立提出新的概念、假设和解决方案，甚至在科学和技术领域取得独立发现，并开展科研活动，如设计实验、验证理论，从而推动新知识的诞生。
层级五的AI具备协调和管理庞大系统、资源和团队的能力，能在多层次、多维度的环境中有效组织资源，管理复杂任务，实现高效的团队协作，成为真正的“智能决策者”。
数据、算力和算法是AI的三大核心要素，它们相辅相成，共同推动了AI技术的发展和应用。
数据是AI模型的“燃料”。数据可以是文本、图像、音频、视频等多种形式。例如，在图像识别任务中，数据集可能包含大量标注了类别（如猫、狗、汽车等）的图片。数据是AI模型学习和理解世界的基础。只有通过大量的数据，AI模型才能学习到数据中的模式和规律，从而根据新的数据做出准确的预测。
高质量的数据对训练出高性能的AI模型至关重要。数据要准确、完整且具有代表性。例如，在医学影像诊断中，高质量的医学影像数据能帮助AI模型更准确地识别病变。
算力是指计算机系统处理数据和执行计算任务的能力。在AI领域，算力通常由高性能的图形处理器（Graphics Processing Unit，GPU）、张量处理器（Tensor Processing Unit，TPU）等硬件提供。
算力是AI模型训练和推理的“引擎”。强大的算力可以加速AI模型的训练过程，使AI模型能在更短的时间内学习到数据中的模式。同时，在推理阶段（即AI模型对新数据进行预测时），强大的算力可以确保AI模型能快速响应任务需求。
算法是AI模型的核心逻辑，用于处理数据和解决问题。在机器学习和深度学习中，算法包括各种模型架构和学习方法。例如，线性回归算法用于预测连续值，卷积神经网络（CNN）用于图像识别，循环神经网络（RNN）用于处理序列数据。
算法是AI模型的“大脑”，决定了AI模型如何从数据中学习并做出决策。不同的算法适用于不同的任务和数据类型。例如，在自然语言处理任务中，Transformer架构的算法因其强大的并行处理能力和对长距离依赖关系的建模能力，成为当前的主流算法。
我们可以从不同的维度对AI的类型进行划分，这也充分反映了AI本身的复杂性和多样性。
按照能力层级，AI可以被分为弱AI、强AI和超AI（见表1-2）。
表1-2 弱AI、强AI和超AI
当下的AI多属于弱AI，强AI仍处于研究和探索阶段，尚未实现。许多科学家和研究机构正在努力朝着这个方向发展，但面临许多技术和社会伦理等方面的挑战。超AI目前还属于理论探讨的范畴，目前无实际技术支撑，更多用于讨论AI的未来发展。
按照功能目标，AI可以被分为决策式AI和生成式AI。
（1）决策式AI
决策式AI是指通过分析数据和应用逻辑规则来做出最优决策的AI系统。这些AI系统通常用于优化决策过程，提供基于数据的建议或直接做出决策。例如，在医疗领域，专家系统能根据患者的症状和病史，提供诊断建议；智能交通系统能根据交通流量和路况，优化交通信号灯的控制；推荐系统根据用户的历史行为和偏好，推荐商品或服务。
（2）生成式AI
生成式AI是指通过学习数据分布规律，能自主生成全新且符合人类认知的内容的AI系统。例如，生成新闻稿、小说、广告文案或设计海报、插画，生成虚拟环境和角色，生成影视特效素材，以及制作AI虚拟主播等。
（3）对比
决策式AI和生成式AI的对比如表1-3所示。
表1-3 决策式AI与生成式AI的对比
决策式AI适用于需要基于数据做出明确决策的场景，如金融风险评估、医疗诊断等。生成式AI适用于需要生成新的内容的场景，如广告创作、艺术创作等。在实际应用中，两者并非对立关系，而是互补关系。决策式AI解决“怎么做最优”的问题，生成式AI解决“生成什么内容”的问题。例如，在广告投放中，生成式AI先创作多版文案，决策式AI根据用户画像选择投放策略。