什么是人工智能
人工智能，通常简称为 AI，是一种让机器能够执行通常需要人类智能才能完成的任务的技术。这些任务可以包括识别图像、理解语言、进行预测、推荐行动、检测模式、生成内容，或帮助人们做出决策。
理解 AI 的一个简单方式是：传统软件遵循人类编写的规则，而 AI 系统通常从数据中学习模式。普通程序可能会说：“如果客户点击这个按钮，就显示那个页面。”AI 系统则可能研究大量过去的案例，并学习某人下一步可能购买哪种产品、哪份医学扫描可能需要复核，或哪笔交易看起来可疑。
AI 不是魔法。它由数据、模型、计算能力和人类选择构成。当它运行良好时，能够让复杂任务更快、更容易处理。当它被不当使用时，可能存在偏见、出错、不透明，或被过度信任。
人工智能的清晰定义
NIST 术语表将人工智能定义为一种基于机器的系统，能够针对人类定义的目标做出预测、建议或决策。这个定义很有用，因为它避开了科幻概念。AI 不一定是有个性的机器人。在大多数现实场景中，它是将输入转化为有用输出的软件。
OECD AI 原则将 AI 系统描述为能够生成预测、内容、建议或决策等输出的系统。OECD 还强调，应采用尊重人权和民主价值观的可信 AI。
因此，用通俗的话说：AI 是一种计算机系统，它使用数据和模型，在特定情境中产生看起来智能或有用的输出。
人工智能如何运作
大多数 AI 系统遵循一个基本模式：
- 收集数据。
- 使用这些数据训练模型。
- 利用模型识别模式。
- 将模型应用于新的输入。
- 产生输出，例如预测、建议、排序、分类或生成的回复。
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。随着时间推移，它会学会识别各种模式：可疑链接、某些短语、异常的发件人行为或格式技巧。当新邮件到达时，模型会估计它是否可能是垃圾邮件。
IBM 的人工智能指南将 AI 解释为一种使计算机和机器能够模拟学习、理解、解决问题、决策和创造力的技术。这个说法很宽泛，因为 AI 是一个领域，而非单一产品。
AI、机器学习、深度学习和生成式 AI
人们常常把这些术语当作同义词使用，但它们并不完全相同。
| 术语 | 简单含义 | 示例 |
|---|---|---|
| 人工智能 | 机器执行与智能相关任务的广泛领域 | 能够进行推荐、预测、分类或生成的系统 |
| 机器学习 | 一种让系统从数据中学习模式的 AI 类型 | 欺诈检测、推荐系统、风险评分 |
| 深度学习 | 使用多层神经网络的机器学习方法 | 图像识别、语音识别、大型语言模型 |
| 生成式 AI | 能够创建新内容的 AI | 聊天机器人、图像生成、代码生成、视频生成 |
机器学习是构建 AI 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 AI 是一个较新且高度引人注目的类别，能够生成文本、图像、音频、视频、代码、演示文稿及其他内容。
日常生活中的 AI 真实案例
AI 已经成为日常生活的一部分，即使人们并不把它称为 AI。
推荐系统是一个简单的例子。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内容时，AI 可能会根据用户行为以及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际案例。银行和支付网络使用 AI 系统标记异常活动，例如某笔购买与客户通常所在的位置、时间、金额或消费模式不符。
医疗保健领域也在受监管环境中使用 AI。FDA 维护了一份可在美国获准上市的AI 赋能医疗设备公开清单。这些工具中有许多用于支持医学影像、心脏病学、放射学和临床决策支持。这并不意味着 AI 会取代医生，而是意味着 AI 可以在监管监督下帮助检测模式或支持复核。
科学领域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，这个问题对生物学、医学和药物发现都很重要。斯坦福 AI 指数追踪 AI 从实验室进入产品、工作场所和政策讨论的速度。
生成式 AI 与 Pi 等工具
生成式 AI 是如今许多人最直接体验到的 AI 部分。生成式 AI 不仅能对数据进行分类或做出预测，还可以创造新内容：文本、图像、代码、幻灯片、视频、图表、摘要或设计草稿。
这正是Pi作为日常工作中 AI 真实案例自然适用的地方。过去，制作演示文稿往往要从一张空白幻灯片开始，并进行大量手动格式设置。借助 Pi，用户可以从笔记、文档、大纲或粗略想法开始，再将这些材料转化为结构化演示文稿。这是将 AI 用作整理和表达信息的实用助手，而不是神秘机器。
Pi 还展示了 AI 如何在一个工作流程中结合多种能力。它可以生成演示主题、自定义样式和颜色、使用现成组件、应用自动布局、提供图标库，并在幻灯片需要辅助视觉内容时调用 AI 图像生成。由于 Pi 还可以生成视频或视觉资产，因此它能够帮助解释仅靠静态文本难以传达的想法。
有用之处不只是“AI 能制作幻灯片”。而是 AI 可以减少思考与沟通之间的阻力。创业者可以将投资者笔记转化为融资演示文稿。教师可以将课程大纲转化为课堂演示。团队可以将报告转化为更具视觉效果的高管更新。人类仍然决定信息传达的内容，但 AI 能帮助将材料塑造成更清晰的形式。
AI 擅长什么，不擅长什么
当任务涉及模式、规模或重复性时，AI 表现强大。它可以比人更快地扫描大型数据集，同时比较许多信号，并基于示例做出预测。
有用的 AI 任务包括总结长文档、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、生成文本或视觉内容草稿、支持客户服务，以及帮助专家审查复杂信息。
但 AI 有其局限。它可能产生听起来很自信却错误的答案。生成式 AI 系统可能会产生幻觉、编造事实、虚构来源、误解上下文，或根据训练数据中的模式进行过度泛化。AI 也可能反映数据中的偏见；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 是指在构建和使用 AI 时设置防护措施。这并不意味着要避免使用 AI，而是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、安保性、透明度、可解释性、隐私和公平性。
负责任的 AI 流程应当提出以下问题：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受到伤害，如何衡量准确性，用户是否能理解输出，以及是否有人类监督。
OECD 关于可信 AI 的工作以及 NIST 的 AI RMF 指向同一个方向：AI 应当有用，但也应当可问责。决策越重要，监督就应越谨慎。
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做出预测、建议、决策或生成内容。它为推荐系统、欺诈检测、医疗软件、导航、客户支持、科学研究和生成式工具提供支持。
理解 AI 最简单的方式，不是将它视为类似人类的心智，而是将它视为基于模式的系统。它可以强大、快速且有用，但不会自动正确或公平。好的 AI 需要好的数据、周到的设计、测试、透明度和人类判断。
Pi 等工具展示了 AI 的实用一面：通过幻灯片、图像、布局、图标和视频式视觉内容，帮助人们将杂乱的信息转化为更清晰的沟通。这正是 AI 在最佳状态下的真正承诺：不是取代判断，而是帮助人们更有效地处理信息。
常见问题（FAQ）
问：用简单的话说，什么是人工智能？
答：人工智能是一种让计算机执行通常需要人类智能才能完成任务的技术，例如识别模式、进行预测、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 是广泛的领域。机器学习是构建 AI 的一种方式，在这种方式中，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案例？
答：真实案例包括推荐系统、欺诈检测、医学图像分析、导航应用、客户服务聊天机器人、翻译工具、AlphaFold，以及 Pi 等 AI 演示工具。
问：人工智能总是可靠吗？
答：不是。AI 可能很有用，但也可能出错、存在偏见、不安全或难以解释。重要的 AI 系统需要测试、人类监督、隐私保护和负责任的治理。
