第1章：AI 到底是个啥

本章解决的核心问题：AI 到底是什么？它和传统计算机程序有什么区别？为什么 AI 在最近十年突然爆发了？读完这一章，你能在饭桌上给别人讲清楚 AI 的来龙去脉。

1.1 先定义问题：什么是「智能」

在回答「什么是人工智能」之前，我们得先面对一个更难的问题：什么是智能？

这个问题哲学家吵了两千多年，至今没有统一的答案。但我们可以用几个具体的场景来感受一下「智能」到底意味着什么：

你看到地上有一滩水，立刻绕过去——这叫感知和反应。
你学骑自行车，摔了三次之后学会了——这叫从经验中学习。
别人对你说「今天真热」，你能推断出他可能想让你开空调——这叫理解隐含意图。
你在陌生的城市里找到了回酒店的路——这叫推理和规划。
你知道「水在零度以下会结冰」——这叫拥有知识，但你也能理解「火星上的水在零度以下可能直接升华」——这叫灵活运用知识。

把这些能力打包在一起，大概就是人类期待的「智能」：感知环境、学习经验、理解意图、推理规划、灵活运用知识的综合体。

而人工智能的核心野心，无非是：让机器也拥有这些能力——哪怕只是部分拥有。

1.2 一场假装游戏：图灵测试

1950 年，英国数学家艾伦·图灵（Alan Turing）发表了一篇论文《Computing Machinery and Intelligence》，一开篇就问了一个石破天惊的问题：「机器能思考吗？」

图灵很聪明，他知道「思考」太难定义了，所以他不回答这个问题。他换了一个更可操作的问题，设计了一个游戏——后来被称为图灵测试。

游戏规则很简单：

flowchart LR
    A[人类裁判] -->|打字提问| B[隔墙]
    B -->|回答 A| C[真人]
    B -->|回答 B| D[机器]

一个人类裁判坐在隔墙的一侧，通过打字（当时是电传打字机）和墙另一侧的两个对象对话。
两个对象中，一个是真人，一个是机器。
裁判可以问任何问题，聊任何话题。
如果裁判无法可靠地区分哪个是真人、哪个是机器，那么这台机器就通过了图灵测试。

关键洞察：图灵测试不关心机器「内部怎么运作」——不要求它像人脑一样思考，不要求它有意识。它只看外部行为：你能不能分辨出来对面不是人？

这个思路影响至今。今天市面上几乎所有 AI 产品——ChatGPT、Claude、文心一言——都没「意识」，但它们的行为表现足以让我们觉得在和「智能体」对话。

图灵测试的局限

图灵测试也有争议。一个著名的反驳是中文屋实验（约翰·塞尔，1980）：

想象一个不懂中文的人被关在一间屋子里，屋子里有一本巨大的规则手册。外面的人从门缝递进来中文纸条。屋里的人虽然不认识汉字，但他对照规则手册，找到对应的符号，照猫画虎地写下回复递出去。外面的人收到回复，觉得屋里的人中文很好。

问题来了：屋里的人「理解」中文吗？

中文屋实验想说的是：看起来聪明 ≠ 真正理解。这也是今天对 AI 的核心争论之一——它究竟是「理解」了你说的话，还是只是做了极其复杂的模式匹配？我们会在第5章讨论「幻觉」时再回到这个话题。

1.3 极简 AI 史：三次高潮，两次寒冬

AI 的历史不是一条直线的进步，而是起起落落的过山车。了解这段历史很重要，因为今天我们看到的一切（ChatGPT、自动驾驶、AI 画画）都不是凭空冒出来的——种子在几十年前就埋下了。

timeline
    title AI 发展简史
    1956 : 达特茅斯会议 : 「人工智能」诞生
    1966 : 第一次 AI 寒冬 : 期望过高，算力不足
    1980 : 专家系统热潮 : 规则驱动的商业应用
    1987 : 第二次 AI 寒冬 : 专家系统崩溃
    2012 : AlexNet 问世 : 深度学习元年
    2017 : Transformer 论文 : 「Attention Is All You Need」
    2022 : ChatGPT 发布 : 生成式 AI 爆发

第一波：符号主义（1956-1974）

1956 年的达特茅斯会议是公认的「AI 生日」。一群顶尖科学家——麦卡锡、明斯基、香农、纽厄尔——聚在一起，自信满满地认为：用逻辑和规则就能实现智能。他们写程序时的方式是手写规则：「如果看到红灯，就停车」「如果是猫科动物且有黑色条纹，就是老虎」。

这个思路叫符号主义（Symbolic AI），核心假设是：智能 = 符号操作。就像数学推导一样，给定公理和推理规则，就能推出结论。

问题出在哪？ 现实世界太复杂了。你能写出「识别猫」所需要的全部规则吗？猫有四条腿——但有的猫少了一条。猫有尾巴——但暹罗猫的尾巴有时候看不出。猫有胡须——但有的图片里胡须被挡住了。每一条规则都有无穷无尽的例外。

加上当时的计算机算力和现在的一部智能手机比起来都是九牛一毛，很多论文里的想法根本跑不动。1973 年，英国政府的《莱特希尔报告》判定 AI 研究「没有兑现承诺」，资金被砍——第一次 AI 寒冬来了。

第二波：专家系统（1980-1987）

1980 年代，一种新的 AI 范式火了起来：专家系统。这本质上还是手写规则，但变得更务实了——限制在一个狭窄的专业领域里，找领域专家把知识写成「如果...那么...」规则，装进计算机。

一个经典的例子是 MYCIN 系统（1976 年），它可以诊断某些血液传染病，开抗生素处方的准确率据说超过了初级医生。

商业上出现了热潮，企业纷纷成立 AI 部门。到 1985 年，AI 产业已经投入了超过 10 亿美元。

又出什么问题了？ 专家系统有两大死穴：

知识获取瓶颈：找专家把知识写出来极其费时、费钱，还经常发现专家自己也说不清自己是怎么做判断的。
极其脆弱：一超出预设领域，系统完全抓瞎。一个诊断血液病的专家系统不可能诊断皮肤病。

1987 年，专用的 Lisp 机器市场崩溃，AI 投资急剧萎缩——第二次 AI 寒冬降临。

第三波：深度学习（2012-至今）

这次，AI 终于没有按照「手写规则」的路子走了。取而代之的是一条截然不同的思路：让机器自己从数据里学。

这条路的理论基础其实早就有了——神经网络的数学框架在 1980 年代基本成型，反向传播算法（这是训练神经网络的关键）在 1986 年就发表了。但当时缺两样东西：

缺数据：那时候没有互联网，没有海量的图片和文本用来训练。
缺算力：训练一个像样的神经网络所需要的计算量，当时的硬件根本扛不住。

到了 2010 年代，三件事凑齐了：

条件	怎么凑齐的
大数据	互联网产生了天文数字的文本、图片、视频；ImageNet 这样的大规模标注数据集出现了
大算力	GPU（显卡）被证明特别适合神经网络的矩阵运算，NVIDIA 把游戏显卡变成了 AI 加速器
好算法	深度学习的训练技巧持续改进：更好的激活函数（ReLU）、正则化（Dropout）、优化器（Adam）

2012 年是一个标志性的年份。多伦多大学的 Alex Krizhevsky 用一块 NVIDIA GPU 训练了一个叫 AlexNet 的神经网络，在 ImageNet 图像识别比赛中碾压了所有传统方法。从那一刻起，整个 AI 领域开始向深度学习倾斜。

flowchart LR
    A[大数据] --> D[深度学习爆发]
    B[大算力] --> D
    C[好算法] --> D

之后的故事大家就比较熟了：

2014：生成对抗网络（GAN）诞生，AI 开始「创造」图像。
2017：Google 发表《Attention Is All You Need》，提出了 Transformer 架构——今天所有大模型的祖宗。
2018：OpenAI 发布 GPT-1，Google 发布 BERT。大语言模型时代开启。
2020：GPT-3 横空出世，1750 亿参数，让世界看到了「规模的力量」。
2022：ChatGPT 发布，两个月内月活用户破亿。AI 从实验室走进了每个人的手机。

1.4 一张地图：AI 的层级关系

到这里我们必须画一张地图。因为媒体把所有东西都叫「AI」，这导致了巨大的混淆。

flowchart TB
    AI[人工智能 AI
Artificial Intelligence]
    ML[机器学习 ML
Machine Learning]
    DL[深度学习 DL
Deep Learning]
    LLM[大语言模型 LLM
Large Language Model]
    GenAI[生成式 AI
Generative AI]
    
    AI --> ML
    AI --> Rule[基于规则的系统
专家系统等]
    ML --> DL
    ML --> TradML[传统机器学习
决策树、SVM 等]
    DL --> LLM
    DL --> CV[计算机视觉]
    DL --> Speech[语音识别]
    LLM --> GenAI

这张图的意思是这样的：

人工智能（AI）是最大的圈

只要是用计算机模拟人类智能的，都叫 AI。超市收银系统里能识别商品条码的——算 AI；Siri 能听懂「明天上午九点叫我起床」——算 AI；深蓝下国际象棋赢了卡斯帕罗夫（1997 年）——也算 AI。

AI 是一个目标，不是一个方法。实现 AI 有多条路径。

机器学习（ML）是 AI 的一个子集

在机器学习出现之前，AI 主要靠手写规则（符号主义路线）。机器学习的核心思想完全不同：不给机器写规则，而是给机器数据和答案，让它自己找出规则。

举个例子。你要做一个识别猫的程序：

传统方法（符号主义）：你写一堆规则——「耳朵是三角形的」「身体覆盖毛」「有四条腿」……然后把图像输入，程序逐条规则匹配。
机器学习方法：你给它一万张带标签的猫照片（「这是猫」）和一万张不带猫的照片（「这不是猫」），让算法自己学什么特征是「猫」。

机器学习不靠你告诉它规则——规则是它自己从数据里「学」出来的。

深度学习（DL）是 ML 的一个子集

深度学习用的是多层人工神经网络。这个「深」字，指的就是网络的层数多。我们会在第2章详细拆解，这里先打一个比喻：

如果把传统机器学习比作一个厨师照着你的菜谱炒菜，那深度学习就是一个厨师吃了十万道菜后，自己能发明新菜谱——而且有时候比人类厨师做的还好吃。

深度学习的突破在于：它能从原始数据中自动提取「特征」。传统机器学习需要人类手工设计特征（比如「图片中猫的耳朵应该是什么形状」），深度学习能自己一层一层地抽象出越来越高级的特征。

大语言模型（LLM）是 DL 的一个子集

LLM 就是 ChatGPT、Claude、文心一言这类「对话 AI」背后的技术。它本质上是深度学习中一种特定架构（Transformer）被放大到极致后的产物。

「大」就是字面意思——参数多、数据多、计算多。GPT-3 有 1750 亿个参数，GPT-4 的参数量未公布但据传在万亿级别。我们在第2章会讲「参数」到底是什么。

生成式 AI（GenAI）和 LLM 有重叠但不相等

生成式 AI 指的是能「创造内容」的 AI——生成文本、图片、音乐、视频、代码。ChatGPT 是文本生成式 AI，Midjourney 是图片生成式 AI，Suno 是音乐生成式 AI。

注意：LLM 可以不是生成式的（比如早期的 BERT 只做分类和理解），生成式 AI 也可以不是 LLM（比如图片生成的扩散模型不属于 LLM）。但在今天大众语境里，这两个词经常混着用——ChatGPT 同时是 LLM 也是生成式 AI。

1.5 传统程序 vs 机器学习：一个对比帮你彻底搞清楚

这是整章最重要的一个对比。如果你只能记住一件事，记住这个就行。

维度	传统程序	机器学习
核心逻辑	人写规则，程序执行规则	人给数据，程序从数据中学规则
输入	数据 + 规则	数据 + 答案（标签）
输出	结果	规则（模型）
举个栗子	「如果气温 > 30°C 且湿度 > 70%，提醒用户带伞」	给模型一千天的天气数据和一千天「用户是否带伞」的记录，模型自己学出规律
适合什么	规则明确的场景（如计算工资、银行转账）	规则模糊的场景（如识别图片、理解语言）
遇到例外	程序崩溃或给出莫名其妙的结果	有时对有时错，取决于训练数据的覆盖度

用一个直观的图：

flowchart LR
    subgraph traditional[传统程序]
        T1[数据] --> T3[程序（规则）]
        T2[规则] --> T3
        T3 --> T4[结果]
    end
    subgraph ml[机器学习]
        M1[数据] --> M3[算法]
        M2[答案] --> M3
        M3 --> M4[模型（学到的规则）]
    end

传统程序：你把规则写死在代码里。程序不会「进步」，除非你修改代码。

机器学习：你给模型的是「例题和答案」，让它自己总结出「解题方法」。以后它碰到没见过的题，用总结出的方法去解。这个「解题方法」就是模型——本质上是训练得到的参数。模型可以不断用新数据改进。

1.6 为什么 AI 偏偏是现在爆发了

如果深度学习理论在 1980 年代就有了，为什么等到 2010 年代才爆发？答案是三个变量同时到达了临界点：

1. 数据：互联网制造了史上最大的「训练集」

ImageNet（2009 年发布）有超过 1400 万张人工标注的图片。Common Crawl（互联网抓取）有数十亿网页的文本。Wikipedia、GitHub、Reddit、Stack Overflow——所有这些平台积累的内容，都成了训练模型的「饲料」。

没有互联网，就没有大模型。这是一个直接的因果关系。

2. 算力：GPU 的革命

我们会在第4章详细讲，这里只说结论：

CPU（中央处理器） 像一群博士——每个都很聪明，但只有几个人，适合做逻辑复杂的串行任务。
GPU（图形处理器） 像几千个小学生——每个人只会做简单的加减乘除，但人多，适合做大量并行的简单计算。

神经网络的训练恰好就是「大量并行的简单计算」——矩阵乘法。GPU 天生适合干这个。NVIDIA 从 2006 年 CUDA 发布开始，逐渐把 GPU 从游戏显卡变成了 AI 从业者不可或缺的工具。到今天，NVIDIA 的市值已经突破了 3 万亿美元，很大程度上就是因为它卡住了 AI 算力的命脉。

3. 算法：几个关键突破

即使是深度学习的复兴也有几个关键的技术节点：

ReLU 激活函数（2010 年前后广泛采用）：解决了深层网络「梯度消失」的问题，让网络可以做得更深。
Dropout 正则化（2012）：训练时随机「关掉」一些神经元，防止模型死记硬背（过拟合）。
Batch Normalization（2015）：让训练更稳定、更快。
ResNet 残差网络（2015）：152 层的网络也能有效训练，直接把图像识别精度推上新高度。
Transformer 架构（2017）：这可能是 2010 年代最重要的 AI 论文。它用「注意力机制」取代了之前循环神经网络（RNN）的串行处理方式，让模型可以并行处理整个序列，并且能够捕捉长距离的依赖关系。GPT、BERT、Claude、文心一言——全都基于 Transformer。

1.7 一条非常重要的分界线：窄 AI vs 通用 AI

最后我们必须区分两个概念，这两个概念被大量混用，造成了极大的误解。

窄 AI（Narrow AI / Weak AI）

**所有的现有 AI 都是窄 AI。**无一例外。

窄 AI 只能在特定的、限定的任务上表现出色。AlphaGo 能下围棋赢世界冠军，但它不会泡咖啡。ChatGPT 能写诗写文章，但它没有真实的「意图」和「感受」。自动驾驶系统能识别行人避让，但它理解不了「为什么这个行人看起来心情不好」。

窄 AI 不是「弱智」——它是「范围窄」。 在它擅长的领域里，它可以远超人类。但在领域之外，它什么都不是。

通用 AI（AGI / Artificial General Intelligence）

AGI 指的是能像人类一样在任何智力任务上都表现良好的人工智能。一个 AGI 应该能：看一篇文章后写读后感、解一道数学题、学一项新技能、理解一个笑话为什么好笑、在陌生环境中自己找出解决问题的方法。

**AGI 目前还不存在。**关于它什么时候会实现，业内分歧极大：

有人觉得 5-10 年内（如 OpenAI 的萨姆·奥特曼、Anthropic 的达里奥·阿莫迪）。
有人觉得至少还要几十年（如 Meta 的杨立昆）。
还有人说大语言模型这条路根本不可能通向 AGI（也是杨立昆的观点）。

你只需要知道一件事：今天我们谈论的所有 AI 产品都是窄 AI。「AGI 来了」是营销话术，不是技术事实。

本章小结

要点	一句话
智能是什么	感知、学习、推理、理解、规划的综合体——没有统一定义，但有公认的方向
图灵测试	不看「内部怎么想」，只看「行为像不像人」——影响至今
AI 层级	AI ⊃ ML ⊃ DL ⊃ LLM，大语言模型只是 AI 大树的一枝
传统 vs ML	传统是「人写规则」，ML 是「人给数据，模型找规则」
为什么现在爆发	数据（互联网）+ 算力（GPU）+ 算法（Transformer）= 临界点
窄 AI vs AGI	所有现有 AI 都是窄 AI；AGI 还是科幻

下一章预告

现在你知道了 AI 在整个技术版图里的位置，也知道了传统程序和机器学习的区别。下一章我们会钻进去，看看那个风头最劲的东西——大语言模型——到底是什么。

我们将回答：什么是「参数」？神经网络长什么样？1750 亿个参数意味着什么？一个模型是怎么从一堆文本里「学到」东西的？

→ 第2章：大模型是什么

← 上一章	回到目录	下一章 →
目录		第2章：大模型是什么