AI入门全解析：从零开始读懂人工智能核心概念

"AI究竟能否取代人类？"

"数亿从业者面临失业危机？AI风头真的势不可挡！"

"AI将接管人类岗位？大学生群体遭遇就业难题？"

......

人工智能的浪潮扑面而来，这类资讯你或许屡见不鲜，甚至可能由此心生焦虑与不安。对于刚踏入AI领域的初学者而言，这门学科的知识体系既浩瀚又错综复杂，各类专业术语铺天盖地，常常令人一头雾水、无从下手。

AI究竟为何物？

AI大模型又是何意？还有算力？

AIGC指什么？GPT到底是什么？

今天小编就带大家一探究竟

AI，是artificial intelligence的英文缩写。Artificial，不少人只看字面，会误以为是艺术（art）派生的形容词。其实不然，artificial的含义为"人工的、人造的"，与natural（天然的）形成对照。Intelligence，这个词容易识别，代表"智能"。知名芯片企业英特尔（Intel）的品牌名，便源自该词的前五个字母。二者合一，AI即"人工构建的智能"，指通过人为手段创造出智能。

关于AI的内涵，业界众说纷纭。一种相对严谨的表述为：AI是探索、研发用于模拟、延展与拓展人类智能活动的理论、方法、技术与应用系统的一门交叉学科。这段定义读起来颇为晦涩，连小编都觉得头疼。其实，对于AI的定义，可以从以下几个维度逐一拆解：

其一，AI的本质属性是一门学科，归属于技术领域。它融合了计算机科学、数学、统计学、哲学、心理学等多个学科的知识，但总体上被划入计算机学科框架之内。

其二，AI的研究宗旨，是让一个"系统"拥有智能。这个"系统"可以是一段软件程序，也可以是一台计算机设备，甚至可以是一台实体机器人。

其三，究竟达到何种水准才称得上真正的智能？这是问题的核心。当前来看，能够像人类一样感知、理解、思考、判断、决策，便算是实现了人工智能。配合机器人、机械臂等物理执行载体，AI同样可以具备行动能力。

综合以上三点，AI的定义便豁然开朗了。

近两年AI热潮的兴起，归功于大模型的走红。那么，何为大模型？

大模型，指拥有海量参数规模与复杂运算结构的机器学习模型。（所谓参数，是指在模型训练过程中不断学习与调整的变量。参数决定了模型的行为方式、性能表现、实现成本以及对计算资源的需求。简而言之，参数是模型内部用于预测或决策的核心组件。）

大模型通常具备数百万乃至数十亿的参数量。相对而言，参数量较少的便是小模型。针对某些细分领域或特定场景，小模型同样游刃有余。大模型的训练离不开大规模数据支撑，对算力资源的消耗也极为惊人。绝大多数大模型的核心架构，都是Transformer或其衍生变体。

大模型的分类多种多样。通常人们提及的大模型，主要指语言大模型（基于文本数据训练）。但事实上，还存在视觉大模型（基于图像数据训练）以及多模态大模型（文本与图像数据兼具）。

按应用领域划分，大模型可分为通用大模型与行业大模型。通用大模型的训练数据来源更广泛，覆盖领域更全面。行业大模型，顾名思义，其训练数据取自特定行业，服务于专业领域（如金融、医疗、法律、工业等）

GPT-1、GPT-2……GPT-4o等系列，均出自美国OpenAI公司之手，属于语言大模型，同样基于Transformer架构打造。

GPT的全称为Generative Pre-trained Transformer，即生成式-预训练-Transformer。Generative（生成式）意味着该模型能够产出连贯的、具有逻辑性的文本内容，例如完成对话、撰写故事、编写程序代码或诗词歌赋等。Pre-trained（预训练）指模型先在海量无标注文本语料上完成训练，掌握语言的统计规律与内在结构。经过预训练环节，模型才具备一定的通用性。训练数据越庞大（如网页文本、新闻报道等），模型的能力就越突出。

大众对AI的关注热潮，主要源自2023年初ChatGPT的横空出世。

ChatGPT中的chat，意为聊天。ChatGPT是OpenAI基于GPT模型开发的一项AI对话交互服务（也可理解为GPT-3.5版本）。正是借助该服务，人们才得以亲身体验GPT模型的卓越性能，从而推动了技术的广泛传播。事实证明，OpenAI的策略大获成功。ChatGPT成功引爆了公众关注度，也切实推动了AI领域的蓬勃发展。

AIGC，全称为人工智能生成内容（Artificial Intelligence Generated Content）。这项技术非同凡响，它依托AI手段，能够自动产出文本、图像、音频、视频等多种形态的作品。放眼当下，那些自动生成的新闻稿件、栩栩如生的绘画佳作，许多都出自AIGC之手，可以毫不夸张地说，它为内容创作领域注入了一股颠覆性的变革力量。

算力从字面上理解，就是计算能力，即计算机执行运算与处理任务的能力水平。更具体而言，算力是通过对数据信息进行加工处理，进而达成预期结果输出的计算能力。通常被用于衡量人工智能、区块链、数据分析等领域的计算性能。在人工智能的深度学习任务中，模型的训练与推理均需消耗大量计算资源。因此，算力在该领域扮演着举足轻重的角色。强劲的算力能够加快训练节奏、提升模型的精度与表现，并能处理更复杂的任务与更庞大的数据集，最终产出新颖、独创的内容。

在AI领域，Token一般指模型处理文本或其他数据类型时的基本单位或元素。它是模型识别与处理数据的最小单元，可能是一个单词、一个词组、一个标点符号、一个子词或一个字符等。Token的切分策略会影响模型对数据的解析与处理效果。

目前AI的发展进程划分为三个阶段，分别为：弱人工智能阶段、强人工智能阶段、超人工智能阶段。

第一阶段：弱人工智能（Artificial Narrow Intelligence，ANI），亦称狭义人工智能，指那些在特定任务上表现接近或超越人类能力的人工智能系统，涵盖语音识别、图像识别、自然语言处理、自动驾驶等应用领域。尽管此类系统在专项领域表现优异，却缺乏综合性与通用性，无法像人类那样展开复杂推理与判断，难以拥有全面的人类智能。

第二阶段：强人工智能（Artificial General Intelligence，AGI），亦称广义人工智能，指具备类似人类水平智能的人工智能系统。这类系统能够像人类一样展开复杂推理与判断，拥有学习、自我适应与创造的本领。

第三阶段：超人工智能（Artificial Super Intelligence，ASI），亦称超级智能，指在智能层面远超人类的人工智能系统。此类系统拥有超出人类认知范畴的智能与能力，可完成人类难以企及的任务，可能具备自主意识与目标，能够自主学习与进化，甚至超越人类的掌控与理解范畴。超人工智能的演进轨迹与社会影响仍是未知数。

当下的人工智能已接近强人工智能的水准。未来，它将继续向超人工智能方向迈进，广泛渗透至日常生活的方方面面，届时我们将把大量工作任务与应用场景托付给AI，期待其释放更大的价值。