吴恩达《AI for Everyone》课程首周学习要点梳理

•AI的核心定义：在工程技术层面，人工智能（AI）的核心在于实现输入（A）到输出（B）之间的映射关系（Mapping）。

•发展阶段划分：

◦ANI（弱人工智能）：现阶段AI技术应用的主要形态，聚焦于特定场景的任务处理。

◦AGI（强人工智能）：拥有与人类相当的通用智能水平的理论阶段，尚未成为现实。

◦ASI（超人工智能）：在各个维度上均超越人类水平的理论构想。

•概念包含关系：数据科学（DataScience）⊃机器学习（MachineLearning）⊃深度学习（DeepLearning）⊃神经网络（NeuralNetwork）。

•学习方式：

◦监督学习：借助标注数据完成从A到B的映射建模。

◦无监督学习：利用未标注数据进行聚类、降维等特征挖掘。

◦生成式AI的技术内涵：并非单一的监督学习，其主流模型（如LLM）主要依托自监督预训练，融合监督微调（SFT）与基于人类反馈的强化学习（RLHF）。

•数据类型与处理特性：

◦结构化数据：传统机器学习对此类数据依赖程度较高。

◦非结构化数据：深度学习与生成式AI的关键优势体现在能够直接处理文本、图像、音频等非结构化数据。

•AI进步的三大支柱：数据（Data）、算力（Computing）与算法/模型（Algorithms）的协同发展是AI能力提升的根本驱动力。

•能力范围的动态变化：AI的能力边界随模型架构（如Transformer）和Scaling Law的验证处于持续演变中。传统的“1秒判断法则”已被大模型在长文本生成等复杂任务上的表现所突破。

•现实存在的短板：AI仍缺乏真实世界接地（Grounding）能力，存在幻觉（Hallucination）问题，且受限于物理层面的算力与能耗瓶颈。

•工程落地准则：在实际业务中评估AI可行性时，必须基于当前模型的实际Benchmark表现与业务容错率进行理性判断，而非依赖对未来的技术预期。

1.执行试点项目：通过小范围、高确定性的项目积累团队经验，建立内部信心。

2.建立内部AI团队：组建跨职能团队，避免核心AI能力过度依赖外部供应商。

3.提供广泛的AI培训：对全员进行分层培训，统一对AI能力边界的认知，消除不切实际的期望。

4.制定AI战略：明确AI与核心业务的结合点，规划数据基础设施与人才储备。

5.建立沟通机制：对内管理变革阻力，对外与生态伙伴及学术界保持技术交流。