§ 1.4 · Sub-chapter
四种能力篇 · 感知 / 理解 / 决策 / 生成
Perceive · Understand · Decide · Generate
抛开定义之争，AI 能做的事说到底就四件：感知世界、理解意思、做出决策、生成内容。任何一个 AI 产品，都能拆解到这四种能力里。
能力一 · 感知（Perceive）
把物理世界翻译成机器能读的数字。没有感知，AI 就是"闭眼睛的天才"。
| 感知类型 | 典型技术 | 身边的应用 |
|---|---|---|
| 视觉 | CNN、ViT | 人脸识别 / 车牌识别 / 医疗影像 |
| 听觉 | ASR、Whisper | 语音输入 / 语音助手 / 会议纪要 |
| 触觉 · 传感 | IMU、力矩 | 机器人、可穿戴设备 |
| OCR · 文字 | 文字识别 | 发票扫描 / 拍照翻译 / 扫码识文 |
能力二 · 理解（Understand）
从内容里抽出"意思"。感知给出"这是什么"，理解回答"它在说什么、意味着什么"。
- 语义理解"帮我看看这份合同有没有陷阱"——AI 能读出条款背后的意图。
- 情感识别从用户评论里读出满意 / 不满 / 讽刺。
- 意图识别你说"我饿了"，音箱知道你在暗示叫外卖。
- 关系抽取从一段新闻里挖出"谁 / 做了什么 / 对谁 / 影响如何"。
能力三 · 决策（Decide）
在多种可能里选一个"更好的"。只要有取舍，就有决策空间。
A
推荐系统
抖音下一个视频、淘宝首页、Netflix 排片——从千百个候选里挑最合你意的。
B
规划路径
高德地图算最快路线；快递骑手 App 排配送顺序；自动驾驶实时决定加速刹车。
C
博弈决策
下棋、打游戏、金融交易——在对手也会反应的场景里，决策难度指数级上升。
D
风控 / 审核
银行判断是否放贷；平台判断内容是否违规——都是"是 / 否 / 待审"的决策。
能力四 · 生成（Generate）
造出以前不存在的内容。这是 2022 年之后 AI 最出圈的一支——从"识别"跨到"创作"。
| 模态 | 代表产品 | 典型用途 |
|---|---|---|
| 文字 | ChatGPT、Claude、DeepSeek | 写作、代码、翻译、总结 |
| 图像 | Midjourney、Stable Diffusion、可灵 | 海报、插画、产品渲染 |
| 视频 | Sora、Runway、可灵、即梦 | 短视频、创意广告 |
| 音频 / 音乐 | Suno、Udio、ElevenLabs | 整首歌、配音、有声书 |
| 3D · 建模 | Meshy、Tripo | 游戏资产、AR 素材 |
| 代码 | Cursor、Copilot、TRAE | 写代码、写测试、修 bug |
Analogy · 四条腿的动物
把 AI 想象成"四条腿的动物"：
· 感知 = 眼睛耳朵；
· 理解 = 大脑皮层；
· 决策 = 前额叶；
· 生成 = 双手嘴巴。
缺一条腿，AI 就跑不起来。今天最强的 AI 产品几乎都是四腿齐全。
如何用这四种能力"透视"一个 AI 产品
- Q1 · 它看到了什么？输入哪些模态：文本？图片？声音？
- Q2 · 它理解了什么？从输入里提取了什么"意思"或"结构"？
- Q3 · 它决定了什么？在什么候选里选了哪一个？
- Q4 · 它生成了什么？最终输出的形式是啥？
Recap · 收束
感知 / 理解 / 决策 / 生成，是 AI 能力的"四原色"——不管产品叫什么名字，本质都是这四原色的调配。学会这把尺子，你以后看 AI 就有了坐标系。
Xue Hai Wu Ya · § 1.4 · Four Abilities