1401
█ 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(shù)（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(jié)合起來，AI，就是“人工的、人造的智能”，用人為的手段，創(chuàng)造智能。
關(guān)于AI的定義，行業(yè)里有很多種說法。比較學術(shù)化的一種，是這么說的：
AI，是研究、開發(fā)用于模擬、延伸和擴展人的智能行為的理論、方法、技術(shù)及應(yīng)用系統(tǒng)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(zhì)屬性，是一門科學，是一個技術(shù)領(lǐng)域。
它涉及到了計算機科學、數(shù)學、統(tǒng)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(tǒng)”具備智能。
這個“系統(tǒng)”，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(guān)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(xiàn)了人工智能。
配合機器人、機械臂等物理載體，AI也可以實現(xiàn)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(qū)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(shù)（所以經(jīng)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(tǒng)的計算機程序，有什么區(qū)別呢？
傳統(tǒng)的計算機程序，就是一個規(guī)則的集合。程序員通過代碼告知計算機規(guī)則，計算機根據(jù)規(guī)則，對輸入數(shù)據(jù)進行判斷和處理。
例如經(jīng)典的“if……else……（如果……否則……）”語句——“如果大于65歲，就退休。否則，繼續(xù)上班”。
然后，計算機程序會根據(jù)這個規(guī)則，對所有輸入年齡數(shù)據(jù)進行判斷和處理。
但是，在現(xiàn)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(guī)則，讓計算機實現(xiàn)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(huán)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(shù)量的規(guī)則，去幫助計算機做出判斷。
想要讓計算機實現(xiàn)像人一樣的智能，不能采用簡單的規(guī)則驅(qū)動，而是應(yīng)該像教孩童一樣，不斷輸入數(shù)據(jù)和答案，讓他自行總結(jié)特征，形成自己的判斷規(guī)則。
換言之，在經(jīng)典的程序設(shè)計中，人們輸入的是規(guī)則（即程序）和數(shù)據(jù)，系統(tǒng)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(shù)據(jù)和預期得到的答案，系統(tǒng)輸出的是規(guī)則。
第二個步驟，將輸出的規(guī)則應(yīng)用于新的數(shù)據(jù)，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(tǒng)計算程序和現(xiàn)在主流AI技術(shù)的一個典型區(qū)別。（注意，我說的是“現(xiàn)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(lǐng)域。
從1950年代正式誕生以來，圍繞人工智能，已經(jīng)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(jù)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(lián)結(jié)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(tǒng)、知識圖譜為代表）是主流。后來，從1980年開始，聯(lián)結(jié)主義（以神經(jīng)網(wǎng)絡(luò)為代表）崛起，一直到現(xiàn)在，都是主流。
將來，也許有新的技術(shù)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(yīng)用領(lǐng)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(wù)或一組相關(guān)的任務(wù)，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(yīng)用于各種不同的任務(wù)。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(chuàng)造力、社交技能等。超人工智能是未來的終極形態(tài)，我們假設(shè)它能夠?qū)崿F(xiàn)。
關(guān)于按應(yīng)用領(lǐng)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(guī)則總結(jié)的時候，其實已經(jīng)提到了機器學習。
機器學習的核心思想，是構(gòu)建一個可以從數(shù)據(jù)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(jiān)督學習：算法從帶有標簽的數(shù)據(jù)集中學習，即每個訓練樣本都有一個已知的結(jié)果。
無監(jiān)督學習：算法從沒有標簽的數(shù)據(jù)集中學習。
半監(jiān)督學習：結(jié)合了少量的帶標簽數(shù)據(jù)和大量的未帶標簽數(shù)據(jù)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)”路線，而深度學習，是加強版的“神經(jīng)網(wǎng)絡(luò)”學習。
神經(jīng)網(wǎng)絡(luò)是聯(lián)結(jié)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(jīng)元之間的聯(lián)結(jié)模型，以此實現(xiàn)人工神經(jīng)運算。
深度學習所謂的“深度”，是神經(jīng)網(wǎng)絡(luò)中“隱藏層”的層級。
經(jīng)典機器學習算法使用的神經(jīng)網(wǎng)絡(luò)，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(shù)百個）。它的能力更加強大，讓神經(jīng)網(wǎng)絡(luò)能夠完成更困難的工作。
機器學習、神經(jīng)網(wǎng)絡(luò)和深度學習的關(guān)系，通過下面的圖可以看出：
█ 什么是卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)？
神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），是1990年代左右誕生的比較知名的神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)（CNN）是一種用于處理具有類似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)（例如圖像和視頻）的神經(jīng)網(wǎng)絡(luò)。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(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，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(jīng)網(wǎng)絡(luò)模型。它比卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)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(yè)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(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的瓶頸（局限性）問題；4、它很適合自然語言處理（NLP）任務(wù)。相比循環(huán)神經(jīng)網(wǎng)絡(luò)，它的計算可以高度并行化，簡化了模型架構(gòu)，訓練效率也大大提升；5、它也被擴展到了其他領(lǐng)域，如計算機視覺和語音識別。6、現(xiàn)在我們經(jīng)常提到的大模型，幾乎都是以transformer為基礎(chǔ)。
█?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(shù)規(guī)模和復雜計算結(jié)構(gòu)的機器學習模型。
參數(shù)，是指在模型訓練過程中，學習和調(diào)整的變量。參數(shù)定義了模型的行為、性能、實現(xiàn)的成本以及對計算資源的需求。簡單來說，參數(shù)是模型內(nèi)部用來做出預測或決策的部分。
大模型，通常擁有數(shù)百萬至數(shù)十億的參數(shù)。相對應(yīng)的，參數(shù)少的，就是小模型。對一些細分的領(lǐng)域或場景，小模型也夠用。
大模型需要依賴大規(guī)模數(shù)據(jù)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(shù)據(jù)進行訓練）。但實際上，還有視覺大模型（以圖像數(shù)據(jù)進行訓練），以及多模態(tài)大模型（文本和圖像都有）。
絕大多數(shù)大模型的基礎(chǔ)核心結(jié)構(gòu)，都是Transformer及其變體。
按應(yīng)用領(lǐng)域，大模型可以分為通用大模型和行業(yè)大模型。
通用大模型的訓練數(shù)據(jù)集更加廣泛，覆蓋的領(lǐng)域更加全面。行業(yè)大模型，顧名思義，訓練數(shù)據(jù)來自特定行業(yè)，應(yīng)用于專門的領(lǐng)域（例如金融、醫(yī)療、法律、工業(yè)）。
█?GPT的本質(zhì)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(gòu)。
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(xù)的、有邏輯的文本內(nèi)容，比如完成對話、創(chuàng)作故事、編寫代碼或者寫詩寫歌等。
這里剛好提一下，現(xiàn)在常說的AIGC，就是AI Generated Content，人工智能生成內(nèi)容。內(nèi)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O(shè)penAI）、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(yīng)用維度”的定義，它不是一個具體的技術(shù)或模型。AIGC的出現(xiàn)，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(yīng)用場景。
好了，繼續(xù)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(guī)模未標注文本語料庫上進行訓練，學習語言的統(tǒng)計規(guī)律和潛在結(jié)構(gòu)。
通過預訓練，模型才有了一定的通用性。訓練的數(shù)據(jù)越龐大（如網(wǎng)頁文本、新聞等），模型的能力就越強。
大家對于AI的關(guān)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(fā)的一個AI對話應(yīng)用服務(wù)（也可以理解為GPT-3.5）。
通過這個服務(wù)，人們才可以親身體驗到GPT模型的強大，有利于技術(shù)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(guān)注度，也成功推動了AI領(lǐng)域的發(fā)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(tǒng)計算機系統(tǒng)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(yè)質(zhì)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(chuàng)造性的工作，例如寫新聞稿、寫書面材料、視頻制作、游戲開發(fā)、音樂創(chuàng)作等。
具身智能，就是把人工智能搭載在一個物理形態(tài)（“身體”）上，通過與環(huán)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(wǎng)。
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(shù)據(jù)進行處理，一方面通過海量數(shù)據(jù)進行學習和訓練，另一方面，基于新的海量數(shù)據(jù)，完成人工無法完成的工作。或者說，找到海量數(shù)據(jù)中潛在的規(guī)律。
目前AI在社會各個垂直行業(yè)的應(yīng)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(yī)療領(lǐng)域，AI已經(jīng)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(qū)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(shù)據(jù)，確定最適合的治療方案。AI也可以根據(jù)患者的病史和生理指標，輔助預測病情趨勢。
在藥品研發(fā)方面，AI可以幫助模擬化學成分的相互作用，縮短新藥研發(fā)周期。
發(fā)生嚴重的公共衛(wèi)生事件時，AI可以分析流行病數(shù)據(jù)，預測疾病傳播的趨勢。
在金融領(lǐng)域，AI可以實時監(jiān)測市場動態(tài)，識別潛在的市場風險，并制定相應(yīng)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(shù)據(jù)，評估信貸風險。當然，AI也可以結(jié)合投資者的個人財務(wù)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(shù)不勝數(shù)。在工業(yè)制造、教育文旅、商業(yè)零售、農(nóng)林牧漁、公共安全、政府治理等幾乎所有領(lǐng)域，AI都已經(jīng)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(yīng)該如何看待AI？
AI的商業(yè)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(yè)的角度來說，AI能夠自動化重復性、繁瑣的任務(wù)，提高生產(chǎn)效率和質(zhì)量，同時降低生產(chǎn)成本和人力成本。
對于制造業(yè)和服務(wù)業(yè)來說，這個優(yōu)勢至關(guān)重要，直接影響了企業(yè)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(yè)模式、產(chǎn)品和服務(wù)，刺激經(jīng)濟。
強大的AI，也是一種國家競爭力。在科技博弈和國防事業(yè)方面，如果AI技術(shù)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(zhì)。
從整個人類的角度來說，AI在疾病治療、災(zāi)害預測、氣候預測、消滅貧窮方面，也可以發(fā)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(xiàn)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(yè)。根據(jù)麥肯錫的研究，到2030年至2060年之間，大約50%的職業(yè)可能會逐步被AI取代，特別是對于知識工作者而言。
除此之外，AI被用于發(fā)動戰(zhàn)爭、欺詐（模仿聲音或換臉，進行詐騙）、侵犯公民權(quán)益（信息過度采集、侵犯隱私）。
如果只有少數(shù)公司擁有先進的AI技術(shù)，可能會加劇社會的不公平現(xiàn)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(chǎn)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(chuàng)造力，有可能讓人類失去創(chuàng)造的動力和信心。
圍繞AI的發(fā)展，還有安全（數(shù)據(jù)泄露、系統(tǒng)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(fā)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(xiàn)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(zhì)。
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(quán)。
好啦，以上就是今天文章的全部內(nèi)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。
感謝大家的耐心閱讀，我們下期再見！
下載ECAD模型
