人工智能 · AI

"AI"是最外层、最模糊、最容易被滥用的一个词。凡是让机器做出看起来"有智能"的事，都可以算 AI——不管背后是复杂的深度学习，还是几百行 if-else 规则。这种"什么都能装"的特性让它在新闻标题里无所不能，也让它在技术讨论里几乎失去了信息量。所以这一节不急着讲算法，而是先把这个词拆开、称重、划界：它是谁在哪一年造出来的、历史上有哪三派人为它打了七十年架、"强 AI"和"弱 AI"差在哪、它和"自动化"的分界线在哪、以及今天它的能力边界具体停在什么位置。把这些搞清楚，你以后听到任何一句含"AI"的宣传，都能在三秒内判断它是真东西还是话术。

先把术语翻译成人话

这一节要过的名词都属于"听起来很有学问、拆开全是常识"那一类。先把它们一次性摊平——换成大白话，再各配一个生活里的对应物：

这张表最该记住的一行是第一行。"AI"这个词的信息量，跟"日用百货"差不多——它告诉你这东西大概在哪个区，但完全没告诉你它是什么。说白了：以后听到"我们用了 AI"，正确反应不是惊叹，而是问一句"具体是哪一格"。

AI 的经典定义：一个刻意留白的词

1956 年达特茅斯会议上，麦卡锡（John McCarthy）提出："让机器做那些如果由人来做需要智能才能完成的事情。"这句话一直沿用至今，它有意留了"智能"这个模糊的口子——因为随着时代推进，"什么算智能"本身在变。

这场会议本身值得记住细节。1956 年夏天，在美国新罕布什尔州汉诺威的达特茅斯学院，麦卡锡拉上了信息论之父香农（Claude Shannon）、后来写出《感知机》的明斯基（Marvin Minsky）、IBM 的罗切斯特（Nathaniel Rochester），向洛克菲勒基金会申请了一笔经费，办了一场为期约两个月的研讨班。他们在申请书里写下了一句在今天看来极其乐观的话："学习或者智能的任何其他特征，原则上都可以被精确描述，以至于能够造出一台机器来模拟它。"正是在这份申请书里，"Artificial Intelligence"这个词第一次被正式印在纸上。参会者不到二十人，会议没有得出任何统一结论，但它给这个领域起了名字、聚起了第一批人——所以后世公认它是 AI 的学科起点。

不过如果论思想源头，还要往前推六年。1950 年，图灵（Alan Turing）在论文《计算机器与智能》里绕开了"机器能不能思考"这个哲学泥潭，改问一个可操作的问题：如果你隔着打字机和它对话，分不出对面是人还是机器，那算不算智能？这就是著名的图灵测试。它的高明之处在于把"智能"从内部机制转成了外部行为——不问你是怎么想的，只看你表现得像不像。今天几乎所有 AI 评测的底层逻辑都是这套"行为主义式"的判据：不追问模型内部发生了什么，只看输出对不对、人满不满意。

七十年下来，"AI"的定义重心也搬了好几次家：50—60 年代重心是逻辑与推理（会证明定理就算聪明）；70—80 年代重心是知识（懂得多就算聪明）；90—2010 年代重心是从数据里学习（能自己进步才算聪明）；2020 年之后重心变成了通用性（一个模型能干很多没被专门训练过的事才算聪明）。定义在漂移，这不是学界不严谨，而是这个领域的目标本来就在被自己的进展不断推着往前跑。

AI 的三大流派

这三派不是"三种算法"，而是三种对"智能从哪来"的根本信仰，它们在七十年里轮流当过霸主，也轮流被打入冷宫。

符号主义相信智能的本质是符号操作：只要把世界的知识写成足够多的规则和逻辑式，推理引擎就能推出结论。它的黄金年代是 1970—80 年代的专家系统。最著名的例子是斯坦福的 MYCIN（诊断血液感染，约 600 条规则，诊断准确率一度超过普通医生）和 DEC 公司的 XCON（帮客户配置 VAX 小型机的硬件清单，1980 年上线，据称每年为公司省下四千万美元）。日本 1982 年启动的"第五代计算机计划"投入约 570 亿日元，赌的就是这条路。但符号主义撞上了一堵没法翻过的墙——知识获取瓶颈：世界上绝大多数知识没法写成规则。你能写出"发烧超过 39 度且白细胞升高则可能是感染"，但你写不出"这张照片里的是猫"，因为你自己也说不清你是靠什么认出猫的。这类"知道怎么做但说不清怎么做"的知识被称为隐性知识，而它恰好占了人类智能的大头。

连接主义的思路正相反：别写规则，模仿大脑。1943 年 McCulloch 和 Pitts 提出第一个数学神经元模型，1958 年罗森布拉特（Frank Rosenblatt）做出感知机（Perceptron）并被《纽约时报》夸成"会自己学习的机器"。但 1969 年明斯基和帕佩特出版《感知机》一书，证明单层感知机连"异或"这种最简单的非线性问题都解决不了，直接把这一派打入了第一次寒冬。转机在 1986 年——Rumelhart、Hinton、Williams 把反向传播算法推广开来，多层网络终于可训练。但真正的翻盘要等到 2012 年 AlexNet。今天你听到的所有大模型，都是这一派的后代。

行为主义（也叫控制论学派）不关心内部表示，只关心"在环境里做得好不好"。它的根在维纳（Norbert Wiener）1948 年的《控制论》和布鲁克斯（Rodney Brooks）1980 年代的"无表示智能"机器人：一只六足机器虫没有任何世界模型，只靠"腿碰到障碍就抬高"这类反射规则，却能爬过复杂地形。这一派后来演化成强化学习，代表作是 2016 年 AlphaGo 击败李世石、2017 年 AlphaGo Zero 完全不用人类棋谱自我对弈三天超越前代。今天大模型训练里的 RLHF（人类反馈强化学习）也是这一派的血统。

值得注意的是，今天最强的系统往往是三派混血。举个例子：一个会调用计算器和搜索引擎的大模型，语言部分是连接主义，工具调用和结果校验带着符号主义的味道，而它的对齐训练用的是行为主义的强化学习。学界现在有个热门方向叫神经符号（Neuro-Symbolic），明确目标就是把神经网络的感知能力和符号系统的严格推理能力焊在一起。所以别把三派当成"过时/当红"，更合适的看法是：它们分别擅长智能的不同侧面，谁也吃不掉谁。

三大流派，用一家餐厅的三种带徒方式来看

三派的名字都很唬人，打个比方就一下清楚了。假设你开了家餐厅，要让新人学会做一道招牌菜，你有三种带法——这三种带法恰好就是 AI 七十年来的三条路。

三种带法各有一处死穴，而这三处死穴正好互补。手册派的死穴是隐性知识——妈妈那句"盐放适量"你永远抄不进手册。看着学派的死穴是说不清理由——他会做但不会解释，遇到监管要"给个说法"就交不出。挨打派的死穴是奖惩定歪——你按"翻台率"给他奖金，他就学会催客人赶紧走。

所以今天最强的系统一定是三种混着来：先让他看三个月学手感（连接主义），再发一本安全红线手册兜底（符号主义），最后用客人满意度反复打磨（行为主义）。说白了三派根本不是三种算法之争，而是三种"知识怎么进到脑子里"的方式，而人类自己学任何东西也是这三种混用的。

为什么每隔二十年就有一次"AI 寒冬"

这个词你迟早会碰到。AI 寒冬（AI Winter——研究经费和公众兴趣同时枯竭的时期）在历史上出现过两次，而本质上就是同一个剧本演了两遍。

两次寒冬的具体触发点是清楚的：第一次是 1969 年《感知机》一书证明单层网络连"异或"都搞不定，加上 1973 年英国那份对 AI 研究极为负面的评估报告，神经网络方向的经费几乎断绝；第二次是 1980 年代末专家系统的商业泡沫破裂——企业花几百万买下的系统，维护规则的成本高到无法承受，日本"第五代计算机计划"投入约 570 亿日元后无声收场。

为什么要讲这个？因为它给你一把非常实用的尺子。每次寒冬的直接原因都不是"技术不行"，而是"承诺的兑现时间被外推错了"。换成大白话：技术本身一直在往前爬，是宣传的斜率比技术的斜率陡太多，中间那道差额最后要有人来还。所以判断当下这一波会不会再冷一次，别去争"大模型行不行"，去看"现在被承诺的兑现时间表，和实际交付的差额有多大"。

弱 AI 与强 AI：一条被媒体反复搅浑的线

这是普通读者最容易被误导的地方。学界很早就把 AI 分成两类，二者差别不是"能力高低"，而是性质完全不同的两件事。

• 弱 AI · 狭义 AI（ANI）为特定任务设计，在这个任务上可以远超人类，但出了这个范围就是零。AlphaGo 是围棋之神，但它不知道自己在下棋，也不能帮你订机票。人脸识别系统识别率超过人眼，但它不理解"脸"意味着什么。今天地球上所有已部署的 AI，一个不漏，全部是弱 AI。
• 强 AI · 通用 AI（AGI）具备跨领域的通用智能：能自主学习没被训练过的新任务、能迁移经验、能设定自己的子目标。这是 1956 年那批人真正想造的东西，七十年后仍未实现。大模型让它看起来近了一点，因为它第一次表现出"一个模型干很多事"的通用性，但它是否真的在"理解"，仍是学界最大的争论。
• 超级 AI · ASI在所有认知维度上全面超越人类的假想存在。目前完全属于哲学和风险研究范畴，没有任何技术路径可言。它常被媒体和 AGI 混为一谈，是恐慌叙事的主要来源。

还有一条更锋利的哲学分界，来自哲学家塞尔（John Searle）1980 年提出的"中文房间"思想实验：一个完全不懂中文的人被关在房间里，手里有一本极其完备的规则手册；外面递进中文问题，他照手册查表、抄出中文答案递回去。房外的人认为里面的是中文母语者，但房里的人从头到尾一个字都不懂。塞尔由此区分了两种主张：弱人工智能认为机器只是在模拟思维（这是工程学，没有争议），强人工智能则主张机器真的有理解和心智（这是哲学，至今无解）。当你看到"AI 已经理解了人类语言"这类标题，它悄悄跨过的就是这条线。

AI 与自动化：最常见也最贵的一次混淆

公司里最常见的技术决策错误，就是把一个自动化需求当成 AI 需求，然后花十倍的钱做出一个不稳定的系统。二者的分界线其实非常清晰：自动化是执行你已经想清楚的规则，AI 是替你找出那条你想不清楚的规则。

一个实用的判断口诀：如果这件事你能把规则完整写在纸上，就别用 AI；如果你自己都写不出规则、但能拿出大量"输入—正确输出"的例子，才该用 AI。银行转账、发票金额相加、开关灯的定时——这些永远不该交给概率模型，因为它们要的是绝对确定。反过来，"判断这条评论是不是在骂人""这张 CT 上有没有阴影"，你无论如何也写不出可靠规则，那就是 AI 的地盘。

自动化：  if 温度 < 22: 制热     ← 规则是"输入"，人写的
AI：      (历史数据, 你的偏好) → 学出一条曲线 → 预测你想要几度
                                ↑ 规则是"输出"，机器找的

今天说的"AI 系统"到底包含什么

• 感知层摄像头、麦克风、传感器——AI 从物理世界"看到"输入。
• 理解层把输入变成有意义的表示（比如识别出这是一只猫）。
• 决策层在多个可能动作中选一个（推荐哪部电影、走哪条路）。
• 执行层通过屏幕、扬声器、机械臂把决策变成动作。

拿一辆自动驾驶汽车走一遍这四层，会非常具体：感知层是车顶的激光雷达、车身八个摄像头、毫米波雷达和轮速计，每秒产生几个 GB 的原始数据；理解层把这堆点云和像素变成"前方 37 米有一辆卡车、正以 12 米每秒接近""右侧 2 米是车道线""那个物体是行人且面朝马路"；决策层在"保持、减速、变道、刹停"之间选一个，还要预测别人下一秒会怎么动；执行层把决策变成方向机的角度和刹车油压。

这里有个容易被忽略的事实：在真实的 AI 产品里，"模型"往往只占整个系统代码量的很小一部分。Google 有一篇被引用极多的论文《机器学习系统中隐藏的技术债》，画了一张图：中间那个写着"ML Code"的小方块被数据采集、特征提取、数据验证、资源管理、服务基础设施、监控、配置管理这些大方块团团围住。这就是为什么"我们要做 AI"和"我们已经跑通了一个模型"之间，往往还隔着大半年工程。

当前 AI 的能力边界在哪里

与其记住一堆能力清单，不如记住一条判据：今天的 AI 强在"模式匹配"，弱在"因果与验证"。凡是"见过很多类似情况、答案容错、错了代价不大"的任务，它已经很好用；凡是"必须绝对正确、需要理解因果、需要为结果负责"的任务，它现在都不合格。

这里有个反直觉的规律叫莫拉维克悖论（Moravec's Paradox，1988）：人类觉得难的事（下棋、算积分、背法条）对机器很容易；人类觉得毫不费力的事（走路、开门、把杯子从洗碗池里拿出来放好）对机器极难。原因是前者是人类几千年才发展出的"新技能"，规则清晰；后者是几亿年进化打磨的"旧本能"，复杂到我们自己都无法内省。这解释了一个现实反差：AI 已经能通过律师资格考试和医学执照考试，却还没有一个机器人能可靠地叠好一堆随机的衣服。所以判断某项工作会不会被 AI 取代，别看它"看起来高不高级"，要看它是不是能被数据描述、结果能不能被自动检验。

为什么"AI"这个词这么容易被滥用

一是因为定义模糊——万物皆可 AI；二是它有营销价值——同样的产品加上"AI"两个字就能贵一倍；三是媒体只关心"AI"这个大词，不管你用的是哪一种技术。
作为学习者，看到"AI"你就要问自己两个问题：(1) 具体用的是哪一层技术？(2) 它到底能不能做那件事？

这三条背后还有更硬的原因。第一是资本市场的定价机制：在很多年份里，公司公告里出现"AI"能带来可观的估值溢价，于是"AI 洗白"（AI-washing）成了行业惯例——把原有的统计报表功能改名叫"AI 智能洞察"，成本为零，收益立刻。这类行为已经被监管盯上，美国证监会 2024 年起明确对夸大 AI 能力的公司启动执法。第二是词汇通胀：当"AI"贬值到什么都能指，行业就得发明新词来指代真东西——于是有了"机器学习""深度学习""大模型""智能体"这一串。看新词的诞生顺序，就能看出旧词是怎么被用坏的。第三是演示与生产的鸿沟：一个 90% 准确率的模型做演示极其惊艳（十个例子里九个对），但放到每天处理十万单的业务里就是每天一万次出错。很多"AI 项目失败"并不是技术不行，而是有人把演示的成功率当成了生产的成功率。

所以给你一套四问的验伪清单，遇到任何 AI 宣传都可以套用：(1) 它学的是什么？——说不出训练数据来源的，大概率没有模型。(2) 它错的时候会怎样？——回避这个问题的，说明没在真实场景里跑过。(3) 准确率是在什么数据上测的？——只报训练集成绩的，等于报自己批改自己的卷子。(4) 换掉这个 AI，用一条简单规则能做到几成？——如果规则能做到九成，那这个 AI 的实际价值只有那一成。

普通人今天该怎么和 AI 相处：三条可操作的规矩

这一节到这里全是概念，最后落一点能立刻用上的东西。相当于把前面那把尺子换成三句口诀。

• 规矩一 · 凡是要"绝对正确"的事，不交给它拍板转账金额、报税数字、药品剂量、合同关键条款——这些错一次的代价远大于省下的那点时间。好比你可以让别人帮你去银行取号排队，但签字那一下必须自己来。判断方法很简单：如果错了没人能替你承担后果，那这一步就必须由你亲手完成。
• 规矩二 · 让它做"从零到六十分"，你自己做"六十到九十分"它最值钱的用法是把起点抬高：先出一版提纲、一版初稿、一版代码骨架，你再改。写第一稿是最耗心力的一段，而它恰好不怕这一段。反过来，指望它一步交出终稿，你会花更多时间去核对它埋在流畅句子里的错。
• 规矩三 · 每次都留一道"人能验的关口"它给的答案要能被你用别的方式验一遍：让它给出处、让它写成能跑的代码、让它把中间步骤摊开。就像你让人去菜市场买菜要留一张小票——不是不信任，而是有票才好对账。没法验的输出，价值要按一半算。

三条口诀背后是同一句话：它的产量极高，但它不负责结果，所以"验"这一步永远在你身上。翻译成人话就是——把它当一个手快、见识广、但从不复查也从不担责的帮手，你的活儿不是替它干，而是替它把关。