AI基础：概念、强弱分类与六大核心技术详解

系统架构师 / 分析师 备考指南

📌导读：从零起步，用'专业讲解 + 生活类比'的方式，深度解析AI的核心概念、强弱之分及六大关键技术。AI究竟为何物？弱AI与强AI有何本质差异？机器学习、NLP、CV、知识图谱...这些术语具体代表何种能力？读完本文，AI基础考点一网打尽。

01.

人工智能（Artificial Intelligence，简称 AI）是计算机科学的重要分支，旨在让机器模拟、延伸并扩展人类的智能行为。简言之，AI致力于让计算机执行那些通常需要人类智慧才能完成的任务。

👶 生活化类比：教孩子认识动物

你拿着猫的照片不断告诉孩子'这是猫'，孩子逐渐从耳朵形状、胡须、毛色等特征中总结规律。之后即便看到未曾见过的猫，孩子也能识别出来。

标注好的照片→ AI 的训练数据 孩子大脑的认知机制→ AI 的算法模型 反复练习的过程→ 模型训练 认出陌生猫的能力→ AI 的泛化能力

💡 区别在于：孩子认猫靠家长教几次，而 AI 认猫可能需要'看'几万张照片才能学会。

图1：人工智能三大支柱——数据、算力、算法

02.

人工智能依据智能水平和能力范围，通常划分为弱人工智能和强人工智能两大类别。

指专注于特定领域、仅能完成单一任务的人工智能。其特点是'专而精'：在某个具体任务上的表现虽可超越人类，但能力无法迁移至其他领域。

我们接触的所有 AI 产品均属于弱人工智能：

🎙️语音助手（Siri、小爱同学）：能听懂指令但不会开车

👤人脸识别系统：能精准识别人脸但不会翻译语言

🎬推荐算法：能猜你喜欢什么视频但不会下围棋

♟️AlphaGo：能击败围棋世界冠军但无法理解一句简单对话

💡 弱人工智能的本质是'模式匹配器'：通过大量训练数据学会输入与输出之间的映射关系，但并不具备真正的'理解'。

指具备通用智能、能像人类一样理解、学习和解决任何问题的人工智能。

强人工智能的核心特征：

跨领域迁移能力：学到的知识可以灵活运用到不同场景

自主学习与推理：不需要海量标注数据就能举一反三

自我意识与理解：不是简单的模式匹配，而是真正'懂得'自己在做什么

⚠️考试必记：强人工智能目前仍处于理论探索阶段，尚未实现。乐观估计数十年内，悲观估计可能需要数个世纪。

🏃 生活化类比：专业运动员 vs 全能生存达人

弱 AI = 百米短跑世界冠军：在赛道上无人能敌，但让他去打篮球、游泳或做饭就完全束手无策。只在自己被训练的那个狭窄领域出类拔萃。

强 AI = 野外生存专家：会生火、找水源、辨别方向、搭建庇护所。无论被扔到什么陌生环境里，都能调动已有知识灵活应对。

💭 目前人类造出来的所有 AI 都是'专业运动员'级别，那个'全能生存达人'还在科学家的概念图纸上。

03.

人工智能并非单一技术，而是多项关键技术的有机融合。以下六项技术构成了现代 AI 体系的核心骨架。

机器学习是 AI 的核心引擎，它让计算机不依赖显式编程，而是从数据中自动学习规律和模式。

传统程序：人写规则，机器执行 机器学习：人给数据和答案，机器自己'悟'出规则

他技术的底层驱动力，几乎所有现代 AI 应用都建立在机器学习之上。

NLP 让机器能够理解、生成和翻译人类语言，解决的是'人机对话'问题。

📄文本分类：判断一篇文章是好评还是差评

🌐机器翻译：将中文自动转为英文或反之

❓问答系统：用户提问，机器从知识库中找答案

😊情感分析：识别文字背后的情绪倾向

🧩最大难点：语言的模糊性和上下文依赖。比如'我差点没赶上火车'和'我差点赶上火车'在中文里意思完全相同，机器需要大量语境训练才能正确理解。

CV 让机器'看懂'图像和视频世界，相当于给计算机装上一双'眼睛'。

🏷️图像分类：判断图片里是猫还是狗

🎯目标检测：在图中框出所有行人和车辆的位置

✂️图像分割：精确到像素级别区分前景和背景

🧑人脸识别：从人群中认出特定的人

📍 广泛应用于安防监控、自动驾驶、医疗影像诊断（CT片自动识别病灶）、工业质检等领域。

知识图谱用'实体 + 关系'的结构化方式组织知识，形成一个巨大的语义网络。

爱因斯坦→ 提出了 →相对论

爱因斯坦→ 出生于 →德国

知识图谱让机器不只是匹配关键词，而是理解事物之间的关联。搜索引擎中搜索'姚明的身高'能直接显示数字而非一堆网页链接，背后正是知识图谱在起作用。

HCI 研究人与计算机之间的交互方式，目标是让机器更'懂人'。

从早期的命令行→图形界面→ 今天的语音交互、手势控制、脑机接口，HCI 一直在降低人与机器的沟通门槛。

💡 AI 时代 HCI 的核心命题：如何让复杂的 AI 系统以自然、直观的方式与普通人协作，而不是要求每个人都学会编程。

VR（虚拟现实）

创造完全虚拟的沉浸式环境 戴上头盔仿佛置身另一个世界

AR（增强现实）

在真实世界上叠加虚拟信息 如房间预览家具、菜单实时翻译

🤝 VR/AR 与 AI 结合产生'1+1>2'的效果：AI 负责理解环境、识别物体、生成内容；VR/AR 负责直观呈现。

🔗 六大技术的关系

机器学习是底层驱动力 NLP 和 CV 分别处理语言和视觉信息 知识图谱提供结构化知识支撑 HCI 优化人机交互体验 VR/AR 扩展呈现方式 彼此配合，共同构成完整的 AI 能力体系

🍽️ 生活化类比：智能无人餐厅

👨‍🍳机器学习（ML）= 行政总厨：根据历史订单数据不断优化菜品配方，越做越合客人口味

💁NLP = 点菜服务员：听懂客人说什么（'少辣、多放香菜'），准确传达给后厨

👁️CV = 监控眼：自动识别进店的客人是谁、菜品外观是否合格、桌面是否需要清理

📖知识图谱（KG）= 食材搭配百科全书：知道'番茄配鸡蛋好吃''海鲜配啤酒容易痛风'

📱HCI = 服务界面：自助点餐屏好不好用、语音助手反应快不快

🥽VR/AR = 虚拟体验区：点菜前用 AR 在桌上预览菜品 3D 效果

04.

数据算力与算法，三大支柱筑 AI 塔； 弱强分类两条路，专用通用各有涯； 语言视觉图谱齐，学习交互虚实加； 六技合一天地大，智能时代绽芳华。

启动考试系统的 AI 改造前，团队先建立基本认知：AI 的本质是通过数据、算力、算法三大支柱，让机器模拟人类的感知、理解和决策能力。产品经理明确 AI 在考试场景中的价值边界，避免'AI 万能论'的误区。

答案很明确：考试系统中的所有 AI 能力（智能阅卷、防作弊检测、个性化组卷）都属于弱人工智能。它们各自专注一个特定任务，无法跨任务迁移。团队不需要幻想'全知全能的 AI 考官'，而是脚踏实地设计一组各司其职的专用 AI 模块。

从六大关键技术中按需组合：

⚙️ ML → 训练作弊行为识别模型和考生能力评估模型 💬 NLP → 实现主观题自动评分、作文智能批改 👁️ CV → 考生人脸验证、考场异常行为监控 🕸️ KG → 构建学科知识点关联网络，支撑智能组卷 🖐️ HCI → 设计无障碍考试界面，确保操作直观流畅 🥽 VR/AR → 为医学、工程等实操类考试提供虚拟仿真环境

✅ 一句话总结

三大支柱筑基础，强弱两类定边界 六大技术撑骨架，从概念到落地三步走

📚 系统架构师备考系列 · 人工智能

概念 + 分类 + 六大技术 · 一次讲透

收藏起来，AI 选择题直接秒杀 ✌️