人工智能

定义

人工智能是一个以计算机程序或机器模拟、延伸和扩展人类智能的理论、方法、技术与应用系统为研究对象的领域，目标是让机器具备学习、推理、感知、决策与生成等能力^[3]。它区别于按预设程序执行计算的传统软件：后者所依据的规则由人逐条写明，前者则主要从数据中归纳出规律^[4]。这一术语本身没有学界公认的唯一表述，不同研究者给出的界定各有侧重^[5]。

在实际使用中，这一名称既指一门综合性学科，也指由此形成的技术体系与产品。它由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学与哲学等多个学科交叉渗透发展而来^[6]。按能力范围，通常划分为专注单一任务的弱人工智能、具备人类水平通用能力的强人工智能，以及仅存在于假设中的超人工智能^[3]。

原理

早期研究走的是符号路线，把知识写成事实与规则，再由程序按逻辑推演得出结论，逻辑编程语言 Prolog 是这一思路的代表^[4]。这种方法在定理证明一类问题上有效，但面对图像识别、自然语言理解等边界模糊的任务时难以奏效，因为其智能完全取决于人工编写的规则。

当代主流路径是 机器学习，即让模型从大量样本中自行归纳规律，而不依赖逐条给定的指令。按训练信号的不同，可分为使用带标签样本的监督学习、在无标签数据上寻找结构的无监督学习，以及通过与环境交互、依据奖惩信号调整策略的强化学习^[3]。

在此基础上发展出的 深度学习 使用多层 神经网络，从原始数据中逐层提取由低到高的特征表示^[4]。训练过程可以概括为最小化预测值与真实值之间的误差，用梯度下降反复调整参数：

如今多数大模型建立在 Transformer 架构上，其运作方式是对海量文本作下一个词元的概率预测^[7]。下图给出从数据到部署的一般环节：

flowchart LR

A[数据采集与标注] --> B[特征或表示学习]

B --> C[模型训练]

C --> D[评估与调优]

D --> E[部署推理]

E --> F[反馈数据]

F --> C

对智能的判定常引用 图灵测试：1950 年艾伦·图灵提出，若测试者通过对话无法区分对方是人还是机器，即可认为机器表现出智能^[4]。

发展历程

1950 年，图灵在论文《计算机器与智能》中提出以对话判断机器智能的设想，为后续研究提供了衡量思路^[4]。1955 年，约翰·麦卡锡与马文·明斯基、克劳德·香农、纳撒尼尔·罗切斯特共同提交研讨会提案，首次正式使用“Artificial Intelligence”一词^[8]。

1956 年夏，这场研讨会在美国新罕布什尔州达特茅斯学院举行，持续约两个月，议题是让机器模拟人类的学习、推理与语言理解^[9]。会上艾伦·纽厄尔与赫伯特·西蒙演示了逻辑理论家程序，可证明《数学原理》中的若干逻辑定理^[8]。会议确立了学科名称与研究纲领，1956 年因而被称为人工智能元年^[1]。

此后研究经历过多次起伏。20 世纪 70 年代至 80 年代，因知识表示、常识推理等方向的成果未达预期，加之投入收缩，这一领域进入低潮期^[5]。1997 年，IBM 的深蓝在国际象棋对局中战胜人类世界冠军，成为标志性事件^[10]。

2012 年前后，深度学习推动该领域进入新的阶段；2022 年起，生成式人工智能进入公众视野。此后的模型继续向更大参数、更大算力方向演进，训练成本与能耗随之上升^[11]。

应用

在感知与语言方向，自然语言处理 用于机器翻译、文本摘要与对话系统，计算机视觉 则用于人脸识别、光学字符识别和自动驾驶中的物体检测^[12]。语音识别与语音合成支撑了智能音箱、语音助手和会议转写等产品^[12]。

在行业场景中，医疗方向的应用包括影像分析、疾病早期筛查与药物研发辅助，金融方向包括风险管理和交易分析，制造方向包括预测性维护与自动化质检^[2]。内容平台上，推荐算法依据用户行为数据分发视频与商品；生成式模型则可根据提示生成文本、图像与代码^[2]。

决策类任务中，强化学习被用于博弈与机器人控制。围棋程序 AlphaGo 结合蒙特卡罗树搜索与强化学习，先后战胜人类顶尖棋手^[13]。在系统层面，人工智能还作为工具参与科学计算与工程优化^[14]。

局限

生成式模型存在“幻觉”问题，即输出看似合理却与事实、逻辑或数学不相符的内容，在医疗等场景中可能带来误判风险^[11]。这类模型的推理过程也缺乏透明度，即使输出正确，也难以说明结论如何得出^[15]。

训练数据的缺陷会传导到模型行为上：数据中的偏差可能被学习并放大，在招聘、信贷等场景中造成不公平结果^[16]。此外，模型在训练集之外的分布上表现容易下降，可能把噪声当作规律^[15]。

资源约束同样明显。大模型的训练成本随参数与算力扩张而快速攀升，高质量文本数据预计在未来数年内趋于枯竭，能耗与芯片供给构成进一步限制^[14]。同等智能水平下，大模型的耗电量远高于人脑^[7]。

能力结构上，现有系统表现出明显的不均衡：某些任务达到很高水准，另一些基础任务却容易出错，被概括为“锯齿状智能”；在组合爆炸与长程推理方面也存在短板^[7]。正因如此，具备人类水平通用认知与适应能力的 通用人工智能 尚未实现，关于其实现路径与时间表仍有争议^[11]。

参见

• 机器学习 —— 从数据中自动归纳规律的方法，是当代人工智能的主要实现途径。

• 深度学习 —— 以多层神经网络为基础的技术分支，2012 年后成为主流路线。

• 自然语言处理 —— 让机器理解和生成人类语言的技术方向。

• 图灵测试 —— 判断机器是否表现出智能的经典思想实验。

• 通用人工智能 —— 具备人类水平广泛认知能力的假想系统，目前尚未实现。

• 神经网络 —— 由大量节点连接构成的计算模型，是深度学习的基本结构。