一、开始使用人工智能
学习目标
完成本单元后，你将能够：
- 解释人工智能（AI）的基本概念
- 识别让"定义人工智能"变得困难的挑战
- 描述人工智能能执行的任务类型
是时候精通 AI 了
人工智能（AI）多年来一直是许多故事家和科幻迷的梦想。研究人员和计算机科学家一直在努力把 AI 的梦想变成现实——事实上，我们已经进入了 AI 时代。
对许多人来说，AI 已经是工作、学校和个人生活的一部分，而且随着 AI 能力的进步，这一部分还会继续增长。为了能对 AI 进行有意义的讨论，我们需要共享的词汇和扎实的核心概念基础。现状是，如果你让 10 个人定义人工智能，你很可能会得到 10 种基于 AI 如何影响他们生活的不同答案。
定义 AI 的困难（上）
定义 AI 的第一步，是认识到我们当前对 AI 的认知可能被扭曲了——持续摄入把 AI 描绘成企图征服世界的邪恶实体的科幻书籍和电影，并没有帮助。
科幻不是唯一复杂化我们对 AI 看法的东西。总体而言，人类倾向于高看自己——把自己当作衡量一切事物的基准。所以谈到人工智能时，我们总忍不住把它与自己的智慧、学习和行动能力比较。
问题是，人类并不是唯一有智慧的生物。从乌鸦到章鱼，动物都会使用工具和解决问题来完成复杂任务；只要有足够时间，甚至连黏菌都能解出迷宫。
定义 AI 的困难（下）
随着我们开始认识动物界广泛的智慧谱系，我们也开始认识到人类智慧的多样性。也许你认识某个演讲很棒却完全不会做数学的人，或者某个总能察觉你焦虑却连足球都踢不好的人。
关键在于：我们的智慧以多种专门的形式表达。我们应该以同样的方式看待人工智能——有擅长特定任务的特定类型 AI。所以，让我们通过仔细考察 AI 今天能做什么来定义人工智能。
AI 能力的主要类型
目前还没有一个擅长所有事情的单一 AI——这种被称为通用 AI（general AI）的想法仍在未来。相反，多年来我们开发了专门设计用于执行特定任务的 AI 系统，它们执行的任务类型通常归入几个更大的类别。
语言处理（上）
2022 年 11 月 30 日，Merriam-Webster 的当日词是 quiddity；同一天，世界认识了 ChatGPT。GPT 代表 Generative Pre-trained Transformer（生成式预训练 Transformer）。自 ChatGPT 发布以来，许多其他 GPT 相继问世，其中一些专注于特定类型的语言处理，如日记、编码或财务分析。
GPT 被构建来解释日常语言并有意义地对其采取行动，如回答问题、写故事或论文、总结信息、执行复杂计算。这在业内被称为自然语言处理（NLP，Natural Language Processing）。
NLP 依赖对词语如何搭配使用的理解，让 AI 提取词语背后的意图。例如，你可能想把文档从英语翻译成德语，或想要一篇长科学论文的简短摘要——AI 都能做到。
语言处理（下）
NLP 正在撼动几乎所有行业的运作方式：
- 能解释自然语言、具备推理能力的 AI 代理正在客户支持场景中快速取代聊天机器人和 copilot。
- 自然语言提示常被用来生成代码，为公司节省大量软件或应用开发时间。
- 销售代表用 NLP 请求账户摘要、生成销售邮件，甚至为客户创建演示文稿草稿。
NLP 是生成式 AI（generative AI）增长最快的领域之一——生成式 AI 是 AI 的一个子类，把词语转化为独特的图像、声音、代码，当然还有其他词语。
数值预测（上）
最近看过天气预报吗？预测晴雨能帮你决定是否带伞。虽然人类做天气预报已有数千年，但 AI 模型能做到比以往任何方法都好。
好的预测能帮你回答各种问题：这个客户会续订吗？你有患某种疾病的风险吗？今晚电网会有高需求吗？本季哪款运动鞋最流行？
AI 预测通常采用 0（不会发生）到 1（一定发生）之间的值。数值预测不只是百分比——它可以预测任何数值，比如金额。你的企业可能想预测下季度销售额，或为最新服务 Widget+ 算出最优定价。
数值预测（下）
作为消费者，你可能已经受到这类数值预测的影响，甚至比你意识到的更多。想象一次海外旅行：机票、酒店、拼车和旅行保险都很可能由 AI 定价，以完美平衡供需。
分类（上）
热狗是三明治吗？这个问题引发了无数关于如何分类的友好哲学辩论。但在现实世界中，利害关系可能高得多：这株植物可食用还是有毒？这封邮件是合法的还是钓鱼攻击？分类往往是采取某种行动的第一步，因此是一项极其宝贵的技能。
计算机科学家努力创造擅长分类数据的 AI。识别植物和钓鱼邮件只是冰山一角：金融机构要标记欺诈交易，医疗专业人员要诊断疾病，社交媒体平台要识别有害评论——这些都是分类问题的例子。
分类（下）
AI 可以先做第一轮分类，然后由专业人员接手。通常，AI 分类器能做到和人类一样好甚至更好。
不过，大多数分类器只擅长一个狭窄的任务——所以那个擅长检测钓鱼邮件的 AI，在识别真正的鱼的照片时会很糟糕。
机器人导航（上）
有些 AI 擅长在变化的环境中导航，包括自动驾驶（hands-free driving）中的实际导航。AI 驱动的汽车已经能相当出色地在车道上保持居中、在高速公路上保持安全车距，并适应城市交通模式、道路弯道、半挂车的气流和突然停车。
能适应变化环境条件的 AI 有各种实际应用。例如，企业每天都要生产和交付产品，许多市场条件影响交付速度：材料可用性、制造产能、现有库存、运输成本，甚至实时交通。AI 可以在条件不断变化的同时优化供应链。
机器人导航（下）
别忘了机器人！即便是普通的扫地机器人也能避开楼梯和椅子。更大规模上，许多装配线配备了随着时间变得越来越快、越来越高效的机器人，它们无需昂贵的重新编程就能适应生产方式的变化。
研究人员还在打造能穿越灾区的救援机器人（如倒塌的建筑物）——一种能挤过细小裂缝的机器毛毛虫，可以把援助和希望带给被困在里面的人。
AI 模型与神经网络（上）
任何关于 AI 的讨论都离不开 AI 模型和神经网络。AI 模型就像从例子中学习的超级智能计算机程序。
想象你把观鸟当作爱好——接触越多真实的鸟、鸟的图片、声音、名称、位置和习性，你就越能准确地识别各种鸟。类似地，AI 模型通过分析大量数据来学习模式、做出决策和预测。训练完成后，它能基于已学到的知识以及持续学习的内容来执行任务。
神经网络是训练 AI 模型的重要工具。神经网络是节点、层、权重、偏置和一堆数学的组合，共同模仿我们自身的有机神经网络。
AI 模型与神经网络（下）
每个神经网络都为特定任务仔细调优——也许它擅长预测下雨，也许它为那些鸟分类，也许它让你的车在高速公路上保持车道居中。无论任务是什么，神经网络都是让 AI 显得神奇的重要组成部分——现在你知道一点这个魔术是怎么变出来的了。
神经网络的初衷是让机器像人类一样解决问题，它让 AI 识别输入数据和输出分类之间的复杂关系——换句话说，让计算机学会在完成目标时哪些变量和值对人们重要。这是 AI 技术的关键，因为它是连接人类需求（更快的工作、更少的错误、更轻松的一天）与数据驱动方案（如响应自然语言提示的代理）的基础。例如，神经网络让复杂 AI 模型知道客户正试图重置密码，即使客户在互动中没有使用特定的关键词或短语。
总结
人工智能是计算机执行通常与人类直觉、推理和推断相关技能的能力。其中许多技能归入数值预测和语言处理等大类，正通过支持业务用例、教育需求和工业用途的 AI 进入我们的生活。