1. 首頁 > 生活百科 > >

AI的基礎介紹

人工智能ai機器學習

AI的基礎介紹

當 AI 把“專家經驗”寫進代碼、讓機器自己“嘗遍百味”再總結規律、甚至用千層神經網絡模擬人腦思考時 ， 普通人最該做的只有一件事：先把它用起來 。 本文用最生活化的比喻 ， 帶你一次看懂 AI 的底層邏輯與發展簡史 。

01 引言最近一個月吧 ， 開始簡單的深入的學習和了解了一下Ai相關的知識 ， 不得不說現在的大神是真的多 ， 真的是學到了很多 。
很期望這里能夠作為一個思考和分享的渠道 ， 能夠把我學到的一些知識和內容 ， 通過很通俗易懂的話分享給大家 。
在分享很多知識之前 ， 我覺得可能有一個東西需要先搞清楚 ， 也就是能夠達成共識 。
大家都知道現在的AI ， 大模型 ， 如火如荼 ， 所有人和所有企業都在積極擁抱AI ， 朝著AI轉型或者是+AI的方向轉型 。
那其實問題就來了 ， 到底什么樣的問題或者場景可以交給AI來解決 ， 什么樣的問題和場景人來解決更好呢？
今天先介紹一些基礎的概念信息 ， 接下來我們會詳細拆解一下這個問題 。
請注意 ， 這里不是聊什么設計啊 ， 創意啊之類的虛無縹緲的東西來嘮這件事 ， 想聊點更具體的 。

02 痛點不知道大家有沒有一種感覺 ， 就是現在AI這么火 ， 各個企業或者很多人都在往AI轉型 ， 好像見面不聊幾句AI都跟落伍了一樣 。
但是 ， AI到底是啥啊 ， 為啥我總覺得我的日常工作和生活 ， 基本上用不到啊 。
尋思學習一點 ， 別落伍了吧 ， 網絡上現在的信息也太多了吧 ， 看著也完全一臉懵 。
其實 ， 這就是我之前一直的狀態 。
AI到底能幫我干啥呢？好像能干 ， 又好像干了也沒啥用 。
出個產品方案？好像質量有點差 ， 而且還不連貫 ， 也不夠嚴謹 ， 不如自己直接做 。 （現在也有很多一句話出產品設計的 ， 做個demo還行 ， 落地可能還差很多意思 ， 簡單的產品設計應該還行 。 ）
出個PPT？好像也不能出個完善的PPT ， 好多東西會很亂 ， 還得自己改 ， 那我套個好的模板自己改 ， 不好嗎 。
分析個excel表？好像有點用 ， 不過能接收數據量有點少啊 ， 有這時間 ， 自己拉一下收據透視表好像就完事了 。 而且我也并不經常分析excel呀 。
剩下的溝通啊 ， 協調啊 ， AI好像能做的就更少了 。

03 感悟你看AI這么火 ， 所有人都在研究AI的落地場景 ， 如何和實際的業務相結合 ， 如何和實際的工作相結合 ， 從而提供業務場景的穿透度 ， 提供工作的效率 。
但是 ， 你看 ， 好像AI啥都能干 ， 但是又好像干了也相當于沒干 。
直到最近認真的深入的學了一些內容和知識之后 ， 我才發現 ， 其實使用AI僅需要遵循一個原則即可 。
遇事不決 ， 可問AI！
就是當你對某些事情或者某些工作的問題 ， 或者遇到的場景有疑問時 ， 可以直接把問題拋給AI ， 它可能不能給你一個非常精準的完全符合你要求的回答 ， 但它一定可以給你擴充你的思考維度和邊界 ， 他會給你更多的參考 ， 讓你去更好的做好最終決策 。
擁抱AI的第一個準則就是 ， 先用起來 ， 別管用它干嘛?。。 ?
請大家一定要記住這個準則哈~ 哈哈 ， 真的有用~

04 AI的定義上面聊得有點跑遠了 ， 哈哈 ， 聊點實際的 ， 我們要用AI ， 要擁抱AI ， 那AI到底是什么呢？
人工智能（Artificial Intelligence） ， 英文縮寫為AI 。 是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新技術科學 。
這句話 ， 說白了 ， 就是讓機器學著像人一樣 “思考” 和 “做事” 。
那為什么是人工智能 ， 不是人工智障呢？其實有幾個概念我們可以先了解下 。
【AI的基礎介紹】智能：本質是針對不同的輸入場景給出針對性的輸出反應
人工智能：本質是搭建起一個根據不同的輸入場景信息給出針對性的輸出和回應的一套系統 。 （就是搭建一套智能的系統）
那為了不讓它變成智障 ， 這個概念還能再深入一下 。
人工智能本質是搭建起一個根據不同的輸入場景信息給出針對性的輸出和回應的 ， 且不會亂來的一套系統 。 （請注意關鍵詞 ， 不會亂來）】
用數學一點的概念來描述的話 ， 其實就是找到場景信息的輸入和我們想要的聰明的行為輸出之間的函數對應關系 。
略微有點拗口 ， 可以多讀幾遍 ， 了解下概念即可 ， 無需深究 。

05 AI的發展歷程AI的發展 ， 其實經歷了很長的一段過程 ， 只是到了最近幾年 ， 神經網絡的技術和算法有了突破 ， 才讓AI真正的走到了普通人的面前 。
到底經歷了多少 ， 我們其實也不用過于關心 。 整體歷程大概分為三個部分和階段 ， 權做了解即可 。
專家模型 → 機器學習 → 神經網絡

06 專家模型專家模型：把老師傅的大腦變成程序代碼 ， 專家系統就像把老師傅畢生經驗寫成「操作說明書」 ， 讓電腦照著手冊干活 。
本質：人類專家經驗的「代碼復刻版」
工作原理：專家經驗 → 規則庫 → 推理引擎 → 解決方案（如同中醫世家把祖傳藥方編成《百病診療手冊》）
最適合以下問題：
1. 規則明確如數學公式→ 稅法計算｜保險理賠｜工資核算
2. 流程固化如生產線→ 飛機故障診斷｜工業設備檢修
3. 知識體系封閉→ 象棋對弈｜化學品配比
專家模型的短板：
1. 規則未覆蓋的情況可能會導致死機→ 某醫療專家系統診斷罕見病時建議“重啟電腦”
2. 知識更新成本高 ， 每新增一條規則需人工編碼
→ 更新《****》時 ， 程序員加班重寫3000條邏輯
3. 缺乏舉一反三能力
→ 無法理解“夏天穿棉襖”是行為藝術還是精神異常

07 機器學習機器學習：讓AI自己從數據中「悟道」的神廚
機器學習是教會AI通過分析大量歷史案例 ， 自己總結規律做決策的技術 ， 就像教孩子認貓——不用解釋“貓有胡須” ， 而是給他看1萬張貓照片讓他自己悟 。
如果說“專家模型 = 背菜譜的學徒”的話 ， 那么“機器學習 = 嘗遍百味后自創菜系的神廚”。
核心原理：數據煉金術
輸入數據 → 學習算法 → 構建預測模型 → 預測新數據
關鍵過程：
1. 喂數據：給AI大量歷史記錄（如：10萬張氣象圖+對應天氣）
2. 找規律：AI自動發現“烏云密布+氣壓驟降→下雨概率85%”
3. 做預測：看到新氣象圖立即判斷是否帶傘
三大學習方式（附生活場景）
1. 監督學習：帶參考答案的題庫
運作方式：
輸入：題目+標準答案（如：郵件內容+“是否垃圾郵件”標簽）
輸出：遇到新郵件自動分類
2. 無監督學習：自助式數據探險
運作方式：
輸入：無標簽數據（如：超市所有購物小票）
輸出：自動發現隱藏分組（“買奶粉的顧客常購濕巾”）
3. 強化學習：打游戲練級的高手
運作方式：
設定獎勵機制（如：圍棋獲勝+1分 ， 失敗-1分）
AI自我博弈百萬次進化策略
不可替代價值：
1. 處理人類說不清的規律（如：為何某種分子結構能抗癌）
2. 實時適應動態變化環境（股市預測/交通調度）
3. 從超維度數據中提取信息（分析10萬份病歷預測疾病風險）
當前短板：
1. 需要“大數據燃料”（訓練圖像識別需百萬級圖片）
2. 解釋性差（醫療AI難說明診斷依據）

08 神經網絡神經網絡：AI的「超級大腦」如何像人類一樣思考？
把神經網絡想象成由千層薄餅組成的智能過濾器——每層提取不同層次的特征 ， 最終合成完整認知（輸入：生面粉 → 層1篩雜質 → 層2調稠度 → 層3塑形狀 → 輸出：美味煎餅）
神經網絡的本質：仿生學的勝利
原始數據 → 輸入層（感官） → 隱藏層（思維層） → 輸出層（決策）
這里的隱藏層就是神經網絡的黑盒 ， 無法準確感知 ， 只能通過其他途徑調優 ， 詳細的后續可以再詳細嘮 。
神經網絡如何理解世界？（分層特征提?。 ?
以識別「流浪貓」為例：
輸入層：接收像素點（如同視網膜感光）
第1隱藏層：識別基礎線條（胡須/耳朵輪廓）→ 類似大腦初級視覺皮層
第2隱藏層：組合局部特征（三角耳+豎瞳眼）→ 類似大腦顳葉識別物體部件
輸出層：綜合判斷“90%概率是貓”→ 類似前額葉決策
更詳細的如何理解世界的介紹 ， 其實很重要 ， 因為這決定了你如何理解什么神經網絡 ， 后續有時間的話 ， 可以寫個更詳細的 。
改變生活的三類神經網絡
卷積神經網絡(CNN)：視覺專家
工作方式：像用放大鏡掃描圖片局部
循環神經網絡(RNN)：序列記憶大師
核心能力：帶記憶處理信息流
Transformer網絡：語言通靈者
突破性：并行處理整段文本
最讓人熟悉的就是現在各個大模型應用中的流暢對話 。
神經網絡有點復雜 ， 后續會再詳細講解 ， 目前可以簡單了解一些概念 。

09 結語今天就先這樣 ， 我們下期再見~
下期我們聊聊到底什么樣的問題和場景適合用AI來解決 ， AI的能力邊界是什么 。
本文由人人都是產品經理作者【趙晗】 ， 微信公眾號：【AI奇妙夜】 ， 原創/授權 發布于人人都是產品經理 ， 未經許可 ， 禁止轉載 。
題圖來自Unsplash ， 基于 CC0 協議 。

    推薦閱讀