什么是 人工智能？
人工智能（Artificial Intelligence，AI）是构建机器系统的研究领域与技术集合，这类系统围绕显式或隐式目标，从输入推断如何生成预测、内容、推荐、决策或动作。
工作原理
先定义系统边界，再讨论模型
可部署的 AI 系统不只有模型，还包括输入、预处理、模型或规则组件、检索与工具、输出解释、用户界面、权限、监控和降级行为。同一个模型在边界清晰的工作流中可能有效，换到另一场景却不适用。团队应说明谁设定目标、输出会影响什么决策，以及哪些环节仍由人工负责。
AI 包含多种技术路线
Machine Learning 从数据估计行为，Symbolic Reasoning、Search、Planning、Constraint Solving 与 Optimization 则可以编码或搜索显式结构。Deep Learning 是机器学习中的一类方法，Generative AI 以生成新内容为主要输出。真实系统经常组合这些技术，因此 AI、ML、Deep Learning、Generative AI 与 Agent 不能当作同义词。
能力是有条件的观测结果
Benchmark 分数只说明系统在特定任务、数据分布、Prompt、Tool Set 和 Metric 下的行为，不能证明通用智能、意识、真实性或向新场景安全迁移。应在相关非 AI 方案或简单模型基线上比较任务质量、Calibration、Abstention、Robustness、子群影响、安全、隐私、延迟、成本和故障恢复。
治理覆盖完整生命周期
AI 风险从问题定义和数据收集开始，贯穿模型选择、系统集成、部署、监控、事故响应与退役。应保留版本和数据血缘，测试可预见误用，以确定性控制约束高影响动作，提供 Override 与申诉路径；当系统假设或控制不再成立时，应能够修复、回滚或下线。
主要特点
- 围绕显式或隐式目标，在限定运行环境中推断输出
- 可以组合学习模型、规则、搜索、规划、优化、检索与工具
- 输出形式包括预测、内容、推荐、决策或动作
- 不同系统的自治程度与部署后适应能力不同
- 能力取决于任务、数据、接口和评测条件
- 需要覆盖有效性、安全、隐私、可靠性与问责的生命周期治理
常见用途
- 把预测与不确定性、人工复核结合的决策支持
- 在相关性和策略约束下执行搜索、推荐与排序
- 经过任务级评测的语言、语音、视觉和多模态处理
- 在最小权限与可恢复动作下执行规划和工具编排
- 在已验证运行域和安全边界内执行机器人或流程控制
示例
Loading code...常见问题
人工智能、机器学习和深度学习有什么区别？
人工智能是让机器系统围绕目标推断输出的广义领域；机器学习是其中从数据拟合行为的一类方法，深度学习又是以多层表示学习为核心的机器学习方法。AI 系统还可以使用规则、搜索、规划、优化、检索或多种方法的组合。
AI 模型和 AI 系统有什么区别？
模型负责把输入映射为输出；AI 系统还包括数据预处理、Prompt、检索、工具、界面、权限、监控、人员和运行流程。因此，即使模型权重不变，系统行为也可能变化；单一模型 Benchmark 不能代表完整部署系统。
所有人工智能系统都会从数据学习吗？
不会。机器学习系统会从数据拟合参数，但人工智能还包括搜索、规划、符号规则、约束求解和优化。许多产品会组合学习组件与确定性组件；部署后的系统也可能保持固定，而不是从每次用户交互中继续学习。
当前 AI 系统属于通用人工智能吗？
AGI 没有统一认可的操作性测试，在若干 Benchmark 上表现优秀也不能证明系统具有不受限制的通用能力。当前系统的能力并不均衡，还依赖界面和工具，并可能在分布偏移或新约束下失败。可信表述应说明测试任务与条件，而不是直接贴上广义智能标签。
AI 系统上线前应该如何评测？
先定义决策与受影响人群，和相关非 AI 方案或简单 Baseline 比较，再测试任务质量、Calibration、Abstention、鲁棒性、子群影响、安全、隐私、延迟和成本。还要验证工具与权限组成的完整工作流，并设置监控、人工升级、事故响应、回滚和退役条件。