生活分享
人工智能(Artificial Intelligence)是什么
人工智能是涵盖多种技术与应用的总称,不等于聊天机器人,也不一定会生成文字。本文从 OECD 的系统定义出发,以照片分类和社区资源推荐为例,说明输入、推导、输出与人的目标如何关联,梳理它与机器学习、深度学习和生成式 AI 的关系。读完能用具体问题判断一项 AI 功能在做什么,并区分能力、自主程度与可信度。
阅读时间约 7 分钟

人工智能,英文 Artificial Intelligence、缩写 AI,是研究与制作能进行推理、识别、规划等工作的系统的广泛领域。它可以预测、推荐、分类或生成内容,并不只指会聊天的软件。理解一项 AI 功能,最好从它接收什么、如何得到结果,以及结果如何影响人或环境开始,而不是先问它像不像人。
这里采用 OECD 对 AI 系统的说明作为实用起点,同时保留不同领域对用词范围的差异。接下来用照片整理与社区资源推荐的原创例子,把抽象名词拆成可观察的流程。资料查证截至 2026 年 9 月 14 日。
先看系统做了什么
OECD 的定义强调系统根据目标,从输入推导出预测、内容、建议或决策,并可能影响实体或虚拟环境;也指出不同系统的自主程度与部署后适应程度并不相同。这提供了一种跨应用的观察方式,不需要先认定系统有意识、情感或人类般的理解。
NIST 术语页面则列出来自不同文件的人工智能定义,并提醒读者回到各自语境。这表示“是不是 AI”有时取决于讨论目的。产品文案、研究论文与治理文件可能使用不同边界;普通用户不必急着给所有软件贴上唯一标签,更应弄清楚功能和限制。
例如相册把照片分成猫、狗和风景,输入是图像,输出是类别或相关分数。写信助手接收草稿和要求,输出修改后的文字。导航推荐路线则涉及位置、路网和目标条件。它们可以包含 AI 组件,但整个产品还需要界面、数据、普通程序和人所制定的规则。
人工智能不只有从数据中学习
机器学习是 AI 的重要方法之一,通过数据训练模型,让它学到可用于新输入的关系。知识与规则导向的方法也是 AI 发展的一部分,例如用明确的知识和推理程序处理问题。现代系统也可能混合多种方法,不能因为没有神经网络就断言它一定不属于人工智能。
另一方面,一条在固定时间启动的简单提醒,不会因为自动执行就自动成为 AI。自动化描述工作是否需要人逐次触发;人工智能描述系统中的推理或相关技术。两者有交集,但不是相同问题。介绍产品时,应指出是哪个部分在识别、推荐或生成,而不是只说“全自动”。
深度学习深度学习(Deep Learning)是什么深度学习利用多层神经网络,从数据中学习不同层次的表示,常用于图像、语音与文本任务。本文以回收物照片分类为例,说明隐藏层、非线性、训练和推理的作用,解释模型可能记住背景而非物品,以及数据、算力与可解释性的取舍。读完能分辨深度学习和一般机器学习的关系,也能用新的拍摄条件检查一个模型是否真的学到了有用模式。阅读全文是机器学习中的一类方法,通常以多层神经网络学习表示;生成式 AI 则按生成内容的能力来分类。这些词有不同分类角度,因此不能一律排成完全不重叠的几个盒子。一个文本生成模型可以同时属于深度学习、机器学习与人工智能。
用社区资源推荐拆解一个例子
原创需求是:“帮新住户找合适的社区活动。”系统收到住户自行提供的兴趣、可参加时段与活动数据,先筛掉时间不合的活动,再根据相关性提出建议。预期输出可以是几个活动及推荐理由,而不是替住户直接报名。推荐和执行报名是不同动作,所需权限也不同。
如果住户只说喜欢户外,系统可能推荐园艺或健步走,但这只是根据所提供信息做出的推理。它不应擅自认定住户的年龄、健康状况或其他敏感特征。推荐理由应指出可核对的条件,例如时段相符、活动内容和兴趣相近,让用户有机会修正理解。
测试时可以提供一条偏好晚间活动的输入,检查是否仍把清晨活动排在前面,再放入已取消的活动,确认它不会继续推荐。若活动数据已过期,问题可能出在数据更新;若数据正确而排序忽略时段,才需要检查规则或模型。这种拆解比单纯说 AI 推荐不好更容易改善。
阅读完整文字说明
人的目标与数据共同进入系统,系统生成预测、内容或建议,再由使用流程决定是否采取行动。
能力、自主性和可靠性分开看
系统能完成某种任务,并不代表它有权自行采取所有相关行动。推荐活动的模型可能很擅长匹配需求,但仍只能提供建议;另一个系统可能得到授权完成报名。自主程度取决于整个应用如何设计,不只是模型本身有多大,也不是回答语气多有把握。
部署后是否会学习也是另一个问题。有些模型保持固定,只在新版本发布时更新;有些系统可能根据反馈调整排序或个性化状态。用户在对话中补充偏好,可能只是改变当次输入,并不必然意味着模型权重立即针对这个人完成了学习。要看产品实际如何存储与使用数据。
可靠性则要在特定用途上检查。照片分类在光线充足的照片上表现良好,未必能处理模糊夜景;活动推荐能找到热门选项,未必能妥善保留少见需求。不能用单次演示或一个总分推断所有情境,更不应把流畅表达当作查证完成的证据。
普通用户可以问的具体问题
面对标榜 AI 的功能,可以先问:它用哪些数据,输出是预测还是已确认事实,会不会改变外部状态,失败时能否修正?如果产品无法说明数据来源与操作边界,至少应把结果视为需要核对的建议。这些问题比争论它是否“真的聪明”更能影响日常使用。
使用时也应提供任务真正需要的信息。照片整理不一定需要公开整个家庭相册,活动推荐也不一定需要完整住址与私人记录。让系统使用较少但相关的数据,能让结果更容易解释;同时仍须查看服务的数据处理规则,不能只凭功能名称推断隐私保障。
人工智能的价值可以是协助分类、找出模式或提供草稿,并不需要取代人做所有决定。当你能说清楚输入、推导方式、输出及验证方法,就已经掌握理解多数 AI 概念的起点。接着再读机器学习与生成式 AI,会更容易分辨它们各自在这个大范围里负责什么。
| 名称 | 主要分类角度 | 例子 |
|---|---|---|
| 人工智能 | 广泛的技术与系统领域 | 识别、规划、推荐与生成 |
| 机器学习 | 从数据中训练模型的方法 | 从历史样本中学习分类 |
| 生成式 AI | 生成内容的能力 | 根据要求生成文字或图像 |
机器学习(Machine Learning)是什么机器学习(Machine Learning)是什么机器学习通过数据调整模型,让它对未见过的输入做出预测或生成内容。本文用早餐店备料预估的例子,说明特征、标签、训练与测试如何配合,辨别监督学习、无监督学习和强化学习,并解释数据泄漏、过拟合与环境变化的影响。读完能看懂模型为何需要保留测试数据,也能用具体问题判断一个看似很准的预测是否值得相信。阅读全文
生成式 AI(Generative AI)是什么生成式 AI(Generative AI)是什么生成式 AI 从数据中学到模式,根据输入条件生成文字、图像、声音等内容。本文以社区二手集市宣传素材为例,说明生成与分类、搜索的区别,介绍语言模型、扩散与对抗生成等不同途径,并解析内容看起来合理却可能不忠于事实的原因。读完能把创意需求、必须保留的信息与人工验收分开安排,判断哪些产物仍只是待确认的草稿。阅读全文
AI 智能体(AI Agent)是什么:从回答问题到完成任务
AI 名词总索引:从 Loop Engineering 到生成式 AI
觉得这篇整理实用吗?分享给需要的朋友
同主题延伸阅读
生活分享
代理式检索增强生成(Agentic RAG):何时需要再查一次
代理式检索增强生成让模型参与检索决策,根据问题与已找到的证据选择数据来源、改写查询或继续补查。本文采用 LangGraph 文档中的具体流程,以比较场地借用条件示范它和固定式 RAG 的差别,并说明停止条件、权限、查询记录及成本控制。读完能判断任务需要动态探索,还是用可预测的固定流程就足够。
生活分享
图谱检索增强生成(GraphRAG):从关系看懂整批文档
GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。
生活分享
知识图谱(Knowledge Graph):把事物与关系说清楚
知识图谱用实体及关系组织数据,让“谁参与什么、在哪里、何时发生”能沿链接查询。本文以社群活动数据演示实体识别、关系方向、来源与时间,介绍资源描述框架(RDF)和属性图的表示差异,也说明图谱不等于可视化或可信事实。读完能判断数据适不适合建图,并理解它如何与数据表、向量搜索及图谱检索增强生成(GraphRAG)搭配。
生活分享
混合搜索(Hybrid Search):兼顾精确字词与语义
混合搜索将全文搜索与向量等不同检索结果合并,兼顾精确代码和自然语言需求。本文用设备说明书查询拆解候选获取、去重、排名融合和重新排序,介绍倒数排名融合(RRF)如何用名次融合不同搜索结果,也提醒混合不保证全面更准。读完能用代码题、改写题和无答案题检查质量,并辨认权限、筛选与重复内容造成的偏差。
引用本文的文章
资料来源
- OECD:AI 系统定义说明备忘录查证日期:
- NIST CSRC:人工智能术语表查证日期:
本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。