什么是人工智能

人工智能（通常简称为 AI）是一种技术，使机器能够完成通常需要人类智能才能完成的任务。这可能包括识别图像、理解语言、做出预测、推荐行动、检测模式、生成内容，或帮助人们做出决策。

理解人工智能（AI）的一个简单方法是：传统软件遵循人类编写的规则，而 AI 系统往往会从数据中学习模式。一个普通程序可能会说：“如果客户点击这个按钮，就显示该页面。”而 AI 系统可能会研究大量过去的示例，从中学习某个人可能接下来会购买哪种产品、需要审核哪种医学影像扫描，或者哪笔交易看起来可疑。

AI 并非魔法。它由数据、模型、计算能力以及人类的选择构建而成。当它运作良好时，它可以让复杂任务更快、更容易处理。当它被使用不当时，可能会产生偏见、出错、结果难以解释，或被过度信任。

人工智能的清晰定义

美国国家标准与技术研究院（NIST）的术语表将人工智能定义为一种基于机器的系统，它能够针对人类设定的目标做出预测、推荐或决策。这个定义之所以有用，是因为它避免了科幻幻想。AI 不一定是带有个性的人形机器人。在大多数真实场景中，实际做的往往是软件把输入转换成有用的输出。

《OECD 人工智能原则》将 AI 系统描述为能够生成输出的系统，例如预测、内容、推荐或决策。OECD 也强调可信赖的 AI：尊重人权并符合民主价值观。

用通俗的话说：AI 是一种计算机系统，它使用数据和模型来生成看起来“聪明”或在特定情境下“有用”的输出。

人工智能如何工作

大多数 AI 系统遵循一个基本模式：

1. 收集数据。
2. 用这些数据训练一个模型。
3. 使用模型识别模式。
4. 将模型应用到新的输入上。
5. 生成输出，例如预测、推荐、排序、分类或生成的回应。

例如，电子邮件垃圾邮件过滤器可以从大量垃圾邮件和非垃圾邮件示例中学习。随着时间的推移，它会学到模式：可疑链接、某些固定措辞、不寻常的发件人行为，或特定的排版技巧。当一封新邮件到达时，模型会估计它很可能是垃圾邮件。

IBM 关于人工智能的指南解释说：AI 是一种让计算机和机器能够模拟学习、理解、问题解决、决策制定和创造力的技术。这听起来范围很广，因为 AI 是一个领域，而不是单一的产品。

AI、机器学习、深度学习与生成式 AI

人们经常把这些术语当作意思相同来使用，但它们并不完全一样。

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。生成式人工智能是更新、更受关注的一个类别，它能够生成文本、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

人工智能已经融入日常生活，即使人们并不把它称作“人工智能”。

推荐系统就是一个简单的例子。当购物网站推荐商品、音乐应用推荐歌曲，或视频平台决定接下来展示什么时，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，对选项进行排序。

欺诈检测是另一个实用的例子。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正常的地点、时间、金额或消费模式不匹配的情况。

医疗保健领域也在受监管的环境中使用 AI。美国食品药品监督管理局（FDA）维护一份公开名单，列出获准在美国进行营销的人工智能驱动的医疗器械。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 会取代医生。它意味着在监管监督下，AI 可以帮助发现模式或支持审核。

科学给出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——这是生物学、医学以及药物研发都很重要的难题。斯坦福 AI 指数跟踪 AI 从实验室多快地进入产品、职场以及政策辩论。

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 部分。生成式 AI 不仅仅是对数据进行分类或做出预测，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。

这也是Pi能够自然融入其中的地方：作为日常工作中真实的 AI 示例。以前，用于演示的制作往往从空白幻灯片和大量手动排版开始。使用 Pi，用户可以从笔记、文档、大纲或粗略想法出发，然后把这些材料转化为结构化的演示文稿。AI 并不是以一种神秘机器的方式出现，而是作为一个实用的助手，帮助整理并表达信息。

Pi 还展示了 AI 如何在同一个工作流中集成多种能力。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，并在某个幻灯片需要辅助可视化时调用 AI 生成图像。由于 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。

有用的并不只是“AI 做幻灯片”。更关键的是：AI 能降低“思考”和“沟通”之间的摩擦。创始人可以把投资人笔记变成路演用的幻灯片。老师可以把一份课程大纲变成课堂演示。团队可以把一份报告变成更具视觉效果的高管更新。人类仍然决定要传达什么信息，但 AI 会帮助把材料整理得更清晰。

AI 擅长什么、又不擅长什么

当一项任务涉及模式、规模或重复时，AI 就表现得很强。它能比人更快地扫描大型数据集，同时比较多种信号，并基于示例进行预测。

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，以及帮助专家审阅复杂信息。

但 AI 也有局限。它可能生成听起来很自信却是错误的答案。生成式 AI 系统可能会“编造”事实、捏造来源、误解语境，或把训练数据中的模式过度概括。AI 也可能会在数据中反映偏见；当敏感信息处理不当时，隐私也可能成为风险。

负责任的 AI

负责任的 AI 意味着在护栏（guardrails）的约束下构建并使用 AI。它并不意味着要回避 AI。这意味着在信任它之前要问更好的问题。

NIST 的AI 风险管理框架很有用，因为它为组织提供了一套思考可信 AI 的方式：有效性、可靠性、安全性、安保性、透明度、可解释性、隐私和公平性。

一个负责任的 AI 流程应当会问：AI 正在解决什么问题？使用了哪些数据？如果系统出错，谁可能会受到伤害？如何衡量准确性？用户能否理解输出结果？以及是否存在人为监督。

经合组织（OECD）关于可信 AI 的工作，以及 NIST 的 AI RMF 指向同一个方向：AI 应该有用，同时也要承担责任。决策越重要，就越需要更谨慎的监督。

结论

人工智能是一个广泛的技术领域，它能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，并不是把它看作类似人类的“心智”，而是把它看作一种基于模式的系统。它可以很强大、很快速、也很有用，但并不会自动正确或公平。好的 AI 需要好的数据、周到的设计、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：帮助人们把零散、混乱的信息变成更清晰的沟通表达，包括幻灯片、图片、版式、图标以及视频风格的可视化。AI 最好的真正承诺并不是取代判断，而是帮助人们更高效地处理信息。

常见问题解答（FAQ）

问：用通俗的话说，什么是人工智能？

答：人工智能是让计算机能够完成通常需要人类智能的任务的技术，比如识别模式、做出预测、推荐行动、理解语言，或生成内容。

问：AI 和机器学习有什么区别？

答：AI 是一个更广泛的领域。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 可能很有用，但也可能出错、有偏见、不安全，或难以解释。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。