什么是人工智能(AI)?

什么是人工智能(AI)?

你大概已经在用 AI 了。让它帮你写纪要、查资料、改几行代码,甚至陪孩子聊历史。可如果有人问你“什么是人工智能”,很多人还是会停顿几秒。是机器人?是一段程序?还是能自己动脑子的机器?

这个问题听着基础,答案却没那么简单。1956 年,一群学者在一场夏季讨论会上给它取了名字,七十年过去,学界连“智能”这个词本身都还没有统一定义。下面从定义、原理、边界三个角度,把人工智能讲清楚。

什么是人工智能:先弄清它不是什么

最常见的误解,是把人工智能和机器人画上等号。其实机器人是身体,人工智能是脑子。扫地机器人里负责规划路线的那套算法属于 AI,能让它滚动的轮子和吸尘的电机只是机械结构;手机里帮你识别照片的模型也是 AI,它根本没有身体。

按国内教材和科普界通行的说法,人工智能是研究、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技术科学,属于计算机科学的一个分支。它的研究内容拉得很开,知识表示、自动推理、机器学习、自然语言理解、计算机视觉、智能机器人,都算在里面。它不是一个具体产品,更像一个装着很多课题的大箱子。

怎么判断一台机器有没有智能?1950 年,英国数学家图灵在《计算机器与智能》里给了个可操作的办法:让人隔着屏幕和机器对话,如果聊了很久还分不出对面是人是机器,就认为这台机器具备智能。这就是图灵测试。它绕开了“智能的定义是什么”这种容易吵架的问题,直接给一个能判定的标准。争议至今没停,但方法本身点燃了后面几十年的研究热情。

“人工智能”这个词,是 1956 年夏天在美国达特茅斯学院的一场研讨会上定下来的。发起会议的几位年轻学者里,有后来被称为人工智能之父的麦卡锡,有明斯基,还有信息论创始人香农。这名字当时并不是所有人都认,“人工”在英文里除了“人造”,还带着一层“假的”意思,跟“智能”拼在一起读着别扭。可术语就这么留下来了,那一年也成了这门学科的起点。

AI、机器学习、深度学习:谁包含谁

这三个词几乎天天在同一段话里出现,被当成同义词用。其实它们是一个套一个的关系:人工智能范围最大,机器学习是人工智能的一个子集,深度学习又是机器学习的子集。神经网络是深度学习的地基,一层层节点连起来,深度通常指超过三层。

为什么机器学习会成为核心?早期让人工智能干活的办法,是把人知道的规则一条条写进程序,什么情况就做什么。规则几百条上千条堆起来,查天气、开药方都能顶一阵。问题在于现实太乱,边界情况写不完,规则之间还会打架。

机器学习的思路换了个方向:不告诉它规则,给它大量例子,让它自己从数据里找规律。你想让它分猫和狗,就把几十万张标好的图片喂进去,它自己总结出模型,再拿没见过的新图来试。这过程跟人学东西有点像,见得多了,判断自然成形。

深度学习再往前推一步。传统机器学习做图像识别,往往需要人告诉它关注哪些特征,像毛发的颜色和形状。深度学习不用,它自己能一层层把特征抽出来,从边缘到纹理再到整体轮廓。代价是它很吃数据和算力,图片给少了效果反而差。

机器是怎么学会的:三条路线争了半个多世纪

人工智能刚起步时,学界分成三派,思路完全不同。符号主义认为智能的本质是符号运算,人做逻辑推理、解数学题都能拆成一套规则,机器把这套规则跑一遍就是智能。它的巅峰是专家系统,1977 年问世的 MYCIN 用来诊断血液感染并推荐抗生素,准确率约 69%,在当时超过不少非专科医生。它的短板在于只会按规则走,碰到模糊、不确定的情况就没辙。

联结主义换了参照物,它盯着人脑,认为智能来自大量神经元连在一起工作,那就用计算机模拟一个类似的网络,靠训练长出智能。1957 年罗森布拉特做出的感知机,是这条路的第一个模型。行为主义更关心动作和环境,不只看人怎么想,也看动物怎么活,认为智能是在跟环境反复交互、试错、适应中冒出来的,强化学习就是它后来长出的果实。

三派各有高光也各有低谷,人工智能的发展因此在热闹和冷清之间来回摆动,中间经历过两次寒冬。今天主流的大模型属于联结主义,但并没有把另外两派丢掉,符号主义的推理方法正以新的形式被重新用起来。

大模型为什么会编造不存在的东西

用过 AI 的人多半遇到过类似情况:它给了你一个书名、一条法条、一组数据,说得像真的一样,你一查发现根本不存在。业内把这种现象叫 AI 幻觉。

原因藏在它的工作原理里。大模型不是在数据库里检索答案,而是在做接龙。你给它一段话,它算出下一个最可能出现的词,接上去,再算下一个,一直重复到结束。整个流程里没有一步是“查一下这个说法是否为真”,它也不区分哪个词是真的、哪个是编的,它只是在模仿人类语言的模式。这也解释了幻觉为什么看起来可信:它编的假法条,格式和真法条一模一样,因为它见过海量真实法条,学会了那个样子,只是没学会哪个编号对应真实存在的判决。

训练素材同样有影响。语料有截止时间,之后发生的事它不知道;语料从互联网上抓来,本身就混着错误和偏见。更微妙的是训练方式,开发过程中有人给它的回答打分,而人打分时最容易察觉的是语言乱不乱、答得离不离题。为了拿高分,模型学会了把话说得流畅自信,而这份自信和内容是否正确,恰好是被分开训练的两件事。

那怎么办?目前最管用的两招,一个是联网搜索,让它先去找资料再回答,答案附上出处,你能自己核实;另一个是深度思考模式,让它先把推理过程走完再给结论,做数学题和逻辑题的效果提升明显。这两招都只是降低概率,做不到根治。相关调查里,公众反馈最多的 AI 使用问题就是“内容不准确或含虚假信息”,占比达到 42.2%。用 AI 的第一条纪律,是把它给出的每一条具体事实都当成待核实的线索。

今天的人工智能走到哪一步了

看数字更直观。中国互联网络信息中心 2026 年 2 月发布的第 57 次《中国互联网络发展状况统计报告》显示,截至 2025 年 12 月,我国生成式人工智能用户规模达到 6.02 亿人,一年之间增长 141.7%,普及率升到 42.8%,同比提高 25.2 个百分点。同期网民总规模 11.25 亿,互联网普及率 80.1%。能上网的人里,接近一半已经在用生成式 AI。

用户结构的变化更值得注意。19 岁及以下用户占比最高,达到 26.4%,学生群体占 30.1%;同时 40 岁以上用户合计占到 30.3%,半年里提高了 4.9 个百分点。它不再只是年轻人的新玩具,正在变成跟搜索引擎、输入法差不多的日常工具。支撑这些应用的算力也在膨胀,我国已建成万卡智算集群 42 个,智能算力规模超过 1590 EFLOPS。

按能力划分,眼下能用到的人工智能全部属于专用人工智能,在某个明确任务上做到极致,下围棋、识人脸、写代码各管一摊,换个领域就不灵。跨领域学习、推理、跟人协作的通用人工智能还在研发中。大模型近两年的表现让很多人觉得通用智能很近了,可从技术上看,持续学习、自适应、跟外界稳定交互这些难题都没解决,它不会因为某一项技术突破就突然到来。

关于人工智能的几个常见问题

人工智能和机器人是一回事吗?

不是。机器人是能动的硬件平台,人工智能是让它动得聪明的软件能力。有带 AI 的机器人,也有完全没有 AI 的机械臂。

学 AI 一定要数学很好、会写代码吗?

看你想走到哪一步。当使用者,会提问、会核实、知道它的边界在哪,比懂数学重要得多。想自己开发模型,线性代数、概率统计和编程是绕不过去的基础。

AI 会取代人吗?

目前更接近现实的观察是,被替代的是任务,不是整个人。重复性强、规则清晰的环节先被接走,需要判断、共情和担责的部分仍然在人手里。真正拉开差距的,是谁更早学会把 AI 当成能指挥的工具,同时保留自己核实与决策的习惯。

写在最后

什么是人工智能,说到底就是人做出来的一套工具。它的进步来自算力、数据和算法的叠加,也来自七十年里几代研究者的反复试错。理解它有三个抓手:它模拟的是人的智能,不是替代人的意识;它靠数据里的统计规律工作,不靠理解;它输出的每一条具体事实都需要核实,而不是默认可信。

这三句记住了,你面对任何一个新出的 AI 产品,都不会被宣传语牵着走。接下来真正值得花时间的地方,是把它嵌进自己的工作流里,哪怕先从每天让它帮你整理一份材料开始。

© 版权声明

相关文章