인공지능이란 무엇인가

인공지능(보통 AI로 줄여 부릅니다)은 기계가 보통 인간의 지능이 필요하다고 여겨지는 작업을 수행할 수 있게 해주는 기술입니다. 여기에는 이미지 인식, 언어 이해, 예측, 행동 추천, 패턴 감지, 콘텐츠 생성 또는 사람들이 의사결정을 내리는 데 도움을 주는 일이 포함될 수 있습니다.

AI를 이해하는 간단한 방법은 이것입니다. 전통적인 소프트웨어는 인간이 작성한 규칙을 따르는 반면, AI 시스템은 종종 데이터에서 패턴을 학습합니다. 일반적인 프로그램은 “고객이 이 버튼을 클릭하면 해당 페이지를 표시해라”라고 말할 수 있습니다. 반면 AI 시스템은 과거의 많은 사례를 살펴보고, 다음에 누가 어떤 제품을 구매할 가능성이 있는지, 어떤 의료 검사 결과가 검토가 필요할지, 또는 어떤 거래가 의심스러운지 등을 학습할 수 있습니다.

AI는 마법이 아닙니다. AI는 데이터, 모델, 컴퓨팅 파워, 그리고 인간의 선택으로 만들어집니다. 잘 작동하면 복잡한 작업을 더 빠르고 쉽게 처리할 수 있습니다. 그러나 잘못 사용되면 편향되거나 틀리거나 불투명해질 수 있으며, 과도하게 신뢰받을 수도 있습니다.

인공지능에 대한 명확한 정의

NIST의 용어집에서는 인공지능을 인간이 정의한 목표를 위해 예측, 추천 또는 결정을 내릴 수 있는 기계 기반 시스템으로 정의합니다. 이 정의는 공상과학을 피할 수 있기 때문에 유용합니다. AI는 반드시 성격을 가진 로봇일 필요는 없습니다. 대부분의 실제 사례에서는 입력값을 유용한 출력으로 바꾸는 소프트웨어입니다.

OECD AI 원칙에서는 AI 시스템을 예측, 콘텐츠, 추천 또는 결정과 같은 출력물을 생성하는 시스템으로 설명합니다. 또한 OECD는 인간의 권리와 민주주의적 가치를 존중하는 신뢰할 수 있는 AI를 강조합니다.

쉽게 말해: AI는 데이터와 모델을 사용해 특정 상황에서 지능적이거나 유용해 보이는 출력물을 만들어내는 컴퓨터 시스템입니다.

인공지능(AI)은 어떻게 작동하나요

대부분의 AI 시스템은 기본적인 패턴을 따릅니다:

1. 데이터를 수집합니다.
2. 그 데이터로 모델을 학습시킵니다.
3. 모델을 사용해 패턴을 인식합니다.
4. 모델을 새로운 입력에 적용합니다.
5. 예측, 추천, 순위 매기기, 분류 또는 생성된 응답과 같은 출력물을 생성합니다.

예를 들어, 이메일 스팸 필터는 스팸과 비(非)스팸 메시지의 많은 예시로부터 학습할 수 있습니다. 시간이 지나면서 다음과 같은 패턴을 학습합니다. 의심스러운 링크, 특정 문구, 비정상적인 발신자 행동, 또는 서식 관련 요령 등이요. 새로운 이메일이 도착하면, 모델은 그것이 스팸일 가능성이 높은지 추정합니다.

IBM의 인공지능(artificial intelligence) 가이드는 AI를 컴퓨터와 기계가 학습, 이해, 문제 해결, 의사결정, 창의성을 모사하도록 해주는 기술로 설명합니다. AI가 한 분야이지 단 하나의 제품이 아니기 때문에, 그 설명은 폭넓게 들립니다.

인공지능, 머신러닝, 딥러닝, 그리고 생성형 AI

사람들은 종종 이 용어들이 같은 것을 뜻한다고 생각해 사용하지만, 서로 완전히 동일하지는 않습니다.

机器学习是构建人工智能最重要的方法之一。深度学习是一种强大的机器学习类型。生成式人工智能是一类更新、更受关注的范畴，它可以生成文本、图像、音频、视频、代码、演示文稿以及其他内容。

日常生活中的人工智能真实案例

人工智能已经是日常生活的一部分，即使人们并不把它称作“人工智能”。

推荐系统就是一个很简单的例子。比如购物网站推荐商品、音乐应用给出歌曲建议，或视频平台决定接下来展示什么内容时，人工智能可能会基于用户行为以及来自许多其他用户的模式来对选项进行排序。

欺诈检测也是另一个切实可行的例子。银行和支付网络使用人工智能系统来标记异常活动，例如一笔购买与客户平时的位置、时间、金额或消费模式不匹配的情况。

医疗行业也在受监管的环境中使用人工智能。美国食品药品监督管理局（FDA）维护一份公开清单，列出获准在美国开展营销的AI 赋能医疗器械。其中许多工具支持医学影像、心脏病学、放射学以及临床决策支持。这并不意味着 AI 取代医生。意思是：在监管监督下，AI 能帮助识别模式或支持审查。

科学提供了最有力的例子之一。Google DeepMind 的AlphaFold展示了 AI 如何帮助预测蛋白质结构——这是对生物学、医学和药物发现都很关键的难题。斯坦福 AI 指数追踪 AI 正以多快的速度从实验室走向产品、工作场所以及政策辩论。

生成式 AI，以及像 Pi 这样的工具

生成式 AI 是许多人如今最直接体验到的 AI 形式。生成式 AI 不只是对数据进行分类或作出预测，它还能创造全新的内容：文本、图像、代码、幻灯片、视频、图表、摘要，或设计草稿。

这时，Pi就能作为日常工作中 AI 的真实例子自然地融入其中。过去，制作一份演示通常从一张空白幻灯片开始，并进行大量手动排版。使用 Pi，用户可以从笔记、文档、大纲或粗略想法开始，然后把这些材料转化为结构化的演示文稿。这是一种被用于组织与表达信息的 AI：它不是神秘的机器，而是实用的助手。

Pi 也展示了 AI 如何在同一个工作流中整合多种能力。它可以生成演示主题，定制样式和颜色，使用现成组件，应用自动版式，提供图标库，并在某张幻灯片需要支撑性可视化内容时调用 AI 图像生成。因为 Pi 也能生成视频或视觉素材，它还能帮助解释仅靠静态文字难以传达的想法。

有用的部分并不只是“AI 生成幻灯片”。更关键的是，AI 能降低“思考”和“沟通”之间的阻力。创始人可以把投资人笔记变成路演幻灯片。老师可以把课程大纲变成课堂演示。团队可以把报告变成更具视觉效果的管理层更新。人类仍然决定要传达的内容，但 AI 帮助把材料塑造成更清晰的表达。

AI 擅长什么、又不擅长什么

当任务涉及模式、规模或重复时，AI 表现强劲。它可以比人更快地扫描大型数据集，同时对多种信号进行对比，并基于示例作出预测。

有用的 AI 任务包括：对长文档进行摘要，对图像或文本进行分类，检测异常，推荐产品，预测需求，翻译语言，生成草稿文本或视觉内容，支持客户服务，并帮助专家审核复杂信息。

但 AI 也有局限。它可能生成听起来很自信却又错误的答案。生成式 AI 系统可能会“胡编事实”、捏造来源、误解语境，或在训练数据的模式上过度概括。AI 也可能反映数据中的偏差；当敏感信息处理不当时，隐私也会成为风险。

负责任的 AI

负责任的 AI 意味着在护栏之下构建并使用 AI。它并不意味着要回避 AI。它意味着在信任它之前提出更好的问题。

NIST 的AI 风险管理框架很有用，因为它为组织提供了一种思考“可信 AI”的方式：有效性、可靠性、安全性、安全保障、透明度、可解释性、隐私与公平性。

一个负责任的 AI 流程应当追问：AI 正在解决什么问题、使用了什么数据、如果系统出错可能伤害到谁、如何衡量准确性、用户能否理解输出内容，以及是否有人类监督。

经合组织（OECD）关于可信 AI 的工作，以及 NIST 的 AI RMF（风险管理框架）指向同一个方向：AI 应当有用，同时也要承担责任。决策越重要，监督就应当越谨慎。

结论

人工智能是一个广泛的技术领域，它帮助机器基于数据和模型进行预测、提出建议、做出决策或生成内容。它驱动推荐系统、欺诈检测、医疗软件、导航、客户支持、科学研究以及生成式工具。

理解 AI 最简单的方式，并不是把它看作“像人一样的思维”，而是将其视为一种基于模式的系统。它可以很强大、很快速、也很有用，但并不会自动做到正确或公平。优秀的 AI 需要优质数据、深思熟虑的设计、充分的测试、透明度，以及人类判断。

像 Pi 这样的工具展示了 AI 的实用一面：帮助人们把混乱的信息变成更清晰的表达，通过幻灯片、图片、布局、图标以及视频式的视觉呈现。这才是 AI 在最好状态下的真正承诺：不是取代判断，而是帮助人们更有效地处理信息。

常见问题解答（FAQ）

问：用简单的话说，什么是人工智能？

答：人工智能是一种技术，使计算机能够执行通常需要人类智能的任务，例如识别模式、做出预测、提出建议、理解语言或生成内容。

问：AI 和机器学习有什么区别？

答：AI 是一个广泛的领域。机器学习是构建 AI 的一种方式：系统从数据中学习模式，而不是只遵循人类编写的固定规则。

问：人工智能有哪些真实例子？

答：真实例子包括推荐系统、欺诈检测、医学影像分析、导航应用、客服聊天机器人、翻译工具、AlphaFold，以及像 Pi 这样的 AI 演示工具。

问：人工智能总是可靠的吗？

答：不一定。AI 既可能有用，也可能出错、带有偏见、不够安全，甚至难以解释。重要的 AI 系统需要测试、人类监督、隐私保护以及负责任的治理。