第 1 章 · 什么是 AI

「人工智能」这个词被用得太滥,反而说不清了。本章先给出一个可操作的定位:AI 是让机器完成「以前需要人类智能」的任务的科学与工程——注意这个定义是移动的(下棋曾是 AI,现在是普通程序),真正稳定的内核是两个范式:符号主义(写规则推理)与连接主义(从数据学模式)。理解两代的接力,再看今天的深度学习和大模型,你就有了完整的历史坐标。

1.1 两代范式:规则与数据

符号主义(1956~1980s):智能 = 符号 + 逻辑推理。代表作是专家系统(把领域专家的「如果……那么……」写成知识库,MYCIN 医疗诊断系统达到专科医生水平)、搜索算法(下棋、路径规划)、定理证明。它的强项是可解释(每步推理可追溯)、擅长确定性知识;死穴是知识获取瓶颈(规则靠人写,写不完)和常识问题(小孩都知道「气球不会飞出大气层」,规则库里没有)。

连接主义(1980s 崛起、2012 年统治):智能 = 神经元连接 + 从数据学。不做规则,给大量样本让网络自己调参数:图像识别、语音、翻译、大模型,全部是它的领地。强项是从数据自动学模式;代价是黑盒(内部亿级参数,人类读不懂)、依赖数据量。

两代的接力史浓缩成三个事件:1997 年深蓝胜卡斯帕罗夫(符号主义搜索的巅峰)、2012 年 AlexNet 横扫 ImageNet(深度学习引爆点:GPU 算力 + 大数据 + 卷积网络三线汇合)、2022 年 ChatGPT(大语言模型进入大众)。今天的主流是连接主义,但符号主义的遗产(搜索、规划、逻辑验证)在机器人、求解器、检索增强里依然活跃,「神经 + 符号」的结合是前沿方向之一。

1.2 图灵测试与智能的判据

图灵 1950 年的论文问「机器能思考吗」,然后把这个无法操作的哲学问题替换成可操作的模仿游戏:隔着文字对话,人能否分辨对方是机器?分辨不出,即通过测试。它的聪明在于回避定义「思考」,只看行为;它的争议也在这是行为主义(聊天机器人可以口若悬河却没有理解)。今天的大模型让图灵测试不再是空谈(GPT-4 级模型在标准测试中常被误判为人),但研究者更关注能力基准(MMLU 考试分数、代码竞赛排名)而非对话伪装——「能不能做对题」比「像不像人」更可测量。

其他判据还有强 AI/弱 AI 之分:弱 AI(专项智能,下棋、识别、写代码)是全部现实;强 AI(通用人类水平智能,AGI)仍是目标。「LLM 是不是通往 AGI 的路」是当前争论最热的话题,第 10 章回来收尾。

1.3 AI 任务的三块积木

拆开任何 AI 系统(不管新旧范式),都由三块积木拼成,这也是本课的目录骨架:

表示(representation):问题在机器里怎么表达?迷宫是格子矩阵,图像是像素张量,知识是逻辑公式,语言是 token 序列。表示决定天花板(AI 之父 Minsky 的话意):同样的数据,好的表示事半功倍;
推理/搜索(reasoning/search):从已知到目标的过程。下棋搜索走法树,求解器搜索约束空间,大模型逐 token 生成也是搜索(在概率分布里采样);
学习(learning):从经验中改进。参数从数据里来(统计学习),权重从梯度里来(深度学习)。

传统 AI 把重心放在「表示 + 推理」(人设计好表示,机器推理);机器学习把重心放在「表示 + 学习」(机器自己学表示)。本课 02~~04 章讲前者,05~~10 章讲后者。

1.4 伦理速览:能力越大,责任越大

AI 的伦理议题不是课程装饰,是工程约束:偏见(训练数据里的社会偏见被模型放大,招聘 AI 歧视女性)、隐私(人脸识别、数据滥用)、幻觉(大模型一本正经地胡说,医疗法律场景致命)、失业与滥用(深度伪造、自动化武器)。工程上的应对:数据审计、可解释性工具、安全对齐(RLHF,第 10 章)、法规(GDPR、欧盟 AI 法案)。作为未来的工程师,你的 AI 系统上线前的「它会不会伤人」检查,和「性能达标」检查同等重要。

常见认知误区

「AI = 深度学习」。深度学习是 2012 年后的主角,搜索、规划、知识图谱、运筹优化同样是 AI(你在地图 App 里的路线、外卖的调度,大量是运筹学);
「AI 会推理所以它理解」。大模型的「推理」是统计模式的延伸还是真理解,学术界仍在激战;工程上更靠谱的问题是「在什么分布内可靠、出了分布会怎么错」;
「数据越多越好」。脏数据、偏数据越多,模型学到的偏见越深;数据质量与代表性 > 数量(垃圾进垃圾出,第 1 章软件工程同款定理)。

练习

思考:挑三个你每天用的应用(地图、短视频推荐、输入法),判断各自由哪块积木(表示/搜索/学习)主导,并说出它们用的「表示」是什么。
动手:和任意一个大语言模型玩五轮图灵游戏(问它需要「实时信息」「物理常识」「自我认知」的问题),记录哪类问题露馅,总结「当前 LLM 的边界」清单。
思考:专家系统 MYCIN 的诊断准确率超过人类医生,却没有医院真用它。从「责任归属、可解释性、与工作流集成」三个角度分析原因,再对比今天的 AI 医疗影像为什么已经落地。
手算:分析「区分人机」问题的本质:如果测试者只能问封闭式问题(有唯一答案的),和开放式问题,哪种更难防?这与第 10 章「对齐」要解决的问题有什么关系?