🧠
机器学习 · Machine Learning
不靠人工一条条写规则，而是给机器大量例子，让它自己总结规律。比如看一万张猫的照片，学会“猫长什么样”。
01 · 定义
什么是人工智能？
一句话：让机器完成那些通常需要人类智能才能完成的任务。它不是一个单一程序，而是一大类技术的总称。
🔗
深度学习 · Deep Learning
机器学习的一个分支，用多层神经网络处理复杂数据。图像、语音、文字背后的模式，都是它一层层“抽象”出来的。
💬
生成式 AI · Generative AI
不只是识别和分类，还能“创造”：写文章、画画、作曲、写代码。大语言模型（LLM）是其中最出名的一类。
👁️
它擅长什么
找规律、做预测、处理海量信息、重复性极高的任务。围棋、翻译、医学影像筛查，都是它的强项。
🤔
它不擅长什么
真正的理解、常识推理、长远规划和价值判断。它能写出通顺的文字，却不一定“知道”自己在说什么。
⚖️
关键要记住
AI 的答案来自训练数据和概率推断，不是真理。它会犯错、会“编造”，使用时需要人的核对和判断。
02 · 简史
七十多年，走了四步
AI 不是一夜出现的。下面是几个被广泛认可的关键节点，日期都取保守的公开说法。
图灵测试：机器能思考吗？
阿兰·图灵在论文《计算机器与智能》中提出：如果一台机器在对话中让人分不清它是人还是机器，就可以说它具有智能。这个问题至今仍在被讨论。
“人工智能”这个词诞生
达特茅斯会议上，研究者们第一次正式使用 Artificial Intelligence 这个名字，AI 作为一门学科正式起步。
深蓝战胜国际象棋世界冠军
IBM 的“深蓝”击败卡斯帕罗夫。机器第一次在高度复杂的智力竞赛中战胜人类顶尖棋手，靠的是算力与搜索，而非今天的深度学习。
深度学习的大爆发
AlexNet 在 ImageNet 图像识别比赛中大幅领先，神经网络重新成为主流。算力、数据和算法三者第一次同时到位。
AlphaGo 击败李世石
围棋曾被认为十年内攻不破，AlphaGo 以 4:1 获胜，并下出了人类棋手意想不到的“第 37 手”。
Transformer：现代 AI 的基石
谷歌论文《Attention Is All You Need》提出 Transformer 架构。今天几乎所有大语言模型，都是在这个结构上发展出来的。
生成式 AI 走进千家万户
ChatGPT 在 2022 年 11 月发布，两个月内用户破亿。AI 第一次从实验室和工程师手中，变成普通人每天都能用的工具。
多模态与智能体
模型开始同时理解文字、图像、声音和视频，并能按步骤调用工具、完成多步任务。AI 正在从“会聊天”走向“会干活”。
03 · 原理
神经网络，是怎么“学会”的？
不需要数学公式，也能理解核心思路：猜答案 → 对答案 → 调整 → 再猜一遍，重复成千上万次。
输入数据
把文字变成数字（Token），把图片变成像素矩阵。计算机只认识数字，所以第一步永远是“翻译成数字”。
逐层提取特征
神经网络像流水线：浅层认边缘和颜色，深层认形状和语义。每一层都在把上一层的结果变得更抽象、更有用。
预测，并修正错误
模型先给出一个猜测，再和正确答案对比，算出误差，然后微调内部成千上万个参数。下一轮，错得少一点。
🧩 动手感受：神经元的“激活”
一个神经元收到多个输入，每个输入有权重。加权求和超过阈值，它就被“激活”，把信号传给下一层。拖动滑块，看看输出怎么变。
加权求和 = 0.70，阈值 0.50 → 已激活 ✓
📖
大语言模型在干什么？
本质上，它在不断回答一个问题：“下一个词最可能是什么？”读过海量文字后，它学会了语言的统计规律，于是能接出通顺、有条理的句子——像一个极其熟练的“文字接龙高手”。
🎲
为什么同一个问题，答案会不同？
因为生成过程带有一点随机性（采样）。温度越高，答案越发散、有创意；温度越低，答案越固定、越保守。这也是 AI 有时会“胡说八道”的原因之一。
04 · 应用
AI 早已不在实验室里
你每天用的很多功能，背后都有 AI 在工作——只是你感觉不到它。
📱
手机与社交
人脸解锁、拍照夜景优化、输入法联想、短视频推荐。
🎓
学习与工作
翻译、论文润色、代码补全、会议纪要、资料整理。
🏥
医疗健康
影像辅助筛查、药物研发提速、健康手环的心率预警。
🚗
出行与城市
导航路况预测、自动驾驶辅助、红绿灯智能调度。
🎨
创作与娱乐
AI 绘画、音乐生成、游戏 NPC、视频自动剪辑。
🛒
购物与服务
商品推荐、客服机器人、语音助手、智能家居。
🌾
农业与工业
作物病害识别、无人机巡田、工厂质检、设备故障预测。
🌍
科学与环境
天气预报、蛋白质结构预测、气候模型、濒危物种监测。
“AI 不会取代人类，但会使用 AI 的人，可能会取代不会使用 AI 的人。”
—— 这句话在科技圈流传很广，意思不是恐吓，而是提醒：工具的价值，取决于使用它的人。05 · 互动演示
和“小智”聊两句
这是一个纯前端演示：没有联网、没有调用任何真实 AI 接口，所有回复都是写在页面里的预设模板。点下面的快捷问题，或自己输入试试。
智
小智 · 演示助手 本地演示 · 在线（假的）
你好，我是小智 👋 我是一个写在网页里的演示机器人，不是真正的 AI。试试问我“什么是人工智能”“给我写一首关于月亮的诗”或者“怎么学编程”。
这个演示是怎么“假装”聪明的？
- 关键词匹配：它先看你的问题里有没有“诗”“编程”“天气”这类词，再挑对应的预设回复。
- 模板填充：很多回复是固定句式 + 你输入的关键词拼出来的，看起来像在“理解”，其实只是套模板。
- 打字动画：“正在输入…”的延迟是故意加的，让它看起来像在思考——真正的模型也是这样逐字生成的。
- 边界很明显：问它没准备过的问题，它只能回一句通用回答。真正的 AI 靠的是海量训练，而不是几十条规则。
⚠️ 演示说明：本聊天框完全在你的浏览器本地运行，不会把输入发送到任何服务器，也没有调用真实 AI 接口。请勿输入真实姓名、密码等隐私信息。
想继续了解？
可以从这三个方向入手：① 试着用 AI 工具完成一次真实任务（写提纲、翻译、改代码）；② 学一点 Python 和机器学习基础；③ 保持怀疑——对 AI 的每一条回答，都问一句“有依据吗？”
06 · 常见问题
大家最常问的几个问题
AI 会有意识吗？
目前没有证据表明今天的 AI 模型有意识或自我感受。它们擅长模仿语言和行为模式，但“像人”不等于“是人”。这是哲学和科学都在争论的问题，没有定论。
学 AI 一定要数学很好吗？
做前沿研究需要扎实的数学，但使用 AI、甚至做应用开发，门槛比想象中低。先会用工具、理解原理，再按需补数学，是一条更现实的路。
AI 生成的内容能直接用吗？
建议当作草稿，而不是终稿。事实、数字、引用和代码尤其要核对。AI 的通顺程度和正确程度，是两回事。
AI 会让很多人失业吗？
历史上的技术变革往往是“替代一部分任务，创造新的工作”。更可能的结果是：很多职业的工作方式会被重塑，而不是整个职业消失。适应变化，比预测变化更重要。