学习路径 01 · 看懂 AI
AI 到底是什么?
财务软件算工资,一分钱都不能差。AI 帮人概括一百条客户意见,漏掉一两种说法,人们可能还愿意用。两件事都由计算机完成,脾气却完全不同。前者按写死的规则计算;后者面对模糊信息,推断一个大概率合适的结果。理解这点,AI 就不玄了。
先用一句人话说清楚
AI(人工智能)不是某个软件的名字。它是一类计算机系统:收到文字、图片、声音或数据后,根据目标推断该输出什么。
输出可以是一段文字,也可以是预测、推荐或决定。短视频推荐下一条内容,地图估算到达时间,银行系统提示可疑交易,大模型续写一封邮件,都算 AI 的应用。
普通软件擅长执行明确规则。AI 擅长处理规则很难写全的问题。
这条分界并不绝对。有些系统一半靠规则,一半靠 AI。地铁安检设备可以用模型识别可疑物品,再由固定规则决定是否报警。现实里的 AI 产品,大多是这种“混合队伍”。
它和普通软件差在哪?
| 任务 | 普通软件 | AI |
|---|---|---|
| 规则从哪来 | 开发者把步骤写清楚 | 系统从数据或输入中推断规律 |
| 结果稳不稳 | 同样输入通常得到同样结果 | 结果可能变化,也可能出错 |
| 适合什么 | 算税、转账、校验身份证号 | 识图、推荐、翻译、生成内容 |
| 怎么验收 | 逐条对照规则 | 抽查、评测,并保留人工判断 |
算个人所得税有明确公式,交给普通程序最稳。把三百条售后留言分成“物流慢、质量问题、不会使用”,规则很难穷举,AI 更顺手。
AI 也不是非得“像人”。仓库里的预测系统不聊天,不写诗,只估算下周需要补多少货。它照样是 AI。
AI、机器学习、大模型是什么关系?
这几个词经常混在一起。可以把它们看成从大到小的几层。
- 人工智能(AI)是总称。凡是让机器完成感知、预测、推荐、生成或决策的技术,都可能放进这个大筐。
- 机器学习(Machine Learning)是实现 AI 的一组方法。系统不靠人写完所有规则,而是从训练数据中调整模型。
- 深度学习(Deep Learning)是机器学习的一类方法,使用多层神经网络处理复杂模式。
- 生成式 AI(Generative AI)专门生成新内容,比如文字、图片、声音和视频。
- 大语言模型(LLM)是生成式 AI 的一种,主业是处理和生成语言。
哪些任务适合交给 AI?
判断一个任务是否适合 AI,可以先看三件事。
规则是不是很难写全?
“发票金额必须大于零”是一条清楚的规则,不需要 AI。“这封投诉信主要在抱怨什么”很难列出所有说法,AI 更合适。
能不能接受先出草稿,再由人检查?
整理会议纪要、拟活动方案、归纳问卷意见,都适合“AI 先做,人来定稿”。自动转账、下达处罚、给出医疗诊断,不能只靠一段看起来顺畅的回答。
有没有办法判断结果好不好?
如果连人都说不清合格标准,AI 也很难稳定交付。把“写得好一点”改成“面向新员工,控制在 500 字,必须保留时间、地点和报名方式”,结果才有得验。
AI 最容易让人误会的三件事
会说,不等于真的懂
大模型能把句子接得很顺,但流畅不是事实证明。它可能把不确定的内容写得像正式文件。涉及数字、政策、医疗、法律和钱,必须回到可靠来源核查。
能自动做,不等于该让它做主
AI 可以给简历排序,不代表它应该独自决定录用谁。模型会继承数据里的偏差,责任也不能甩给机器。越影响他人权益,越需要人工复核和申诉渠道。
像一个产品,不等于只有一个模型
一个 AI 助手通常还连着搜索、文件、数据库和计算器。回答变准,可能是它查了资料或调用了工具,不一定是模型“记住得更多”。后面学习 Agent 时,这一点很重要。
3 分钟练习:该不该用 AI?
- 按照明确费率计算 80 名员工的社保金额。
- 把 80 条食堂意见归成 5 类,并摘出代表性原话。
- 从合同里找出可能需要法务复核的条款。
- 确认合同是否有效,并替公司承担签署责任。
参考判断:第 1 项用普通程序;第 2 项适合 AI;第 3 项可以让 AI 初筛,但必须由专业人员复核;第 4 项不能交给 AI 决定。
如果能解释这四项为什么这样分,这一课就学会了。下一课不急着钻技术,我们先看 AI 走了七十多年,为什么偏偏在最近进入普通人的生活。
参考资料
- OECD. Explanatory Memorandum on the Updated OECD Definition of an AI System. 2024.
- OECD.AI. What is AI? Can you make a clear distinction between AI and non-AI systems? 2024.
- McCarthy, J. et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. 1955.
学习路径 01 · 看懂 AI · 第 1/5 课