第 1 讲 · 人工智能概述

第一讲没有急着教某个算法，而是在回答两个更基础的问题：什么算人工智能？过去几十年里，人们为什么一会儿对它充满信心，一会儿又失望？理解这两点，后面的知识图谱、神经网络、搜索和强化学习才不会变成互不相干的名词。

人工智能不是一种固定实现

“让机器表现出智能”只说明目标，没有规定方法。课程把主要思路概括为三条路线：

路线	对智能的理解	典型做法	后续对应内容
符号主义	智能来自知识和推理	规则、逻辑、知识图谱、搜索	第 2、12、13 讲
连接主义	智能从大量简单单元的连接中涌现	神经网络、深度学习	第 9—11 讲
行为主义	智能体在环境反馈中形成行为	强化学习、自治系统	第 14 讲

三者不是互斥门派。例如家庭机器人可以用知识图谱保存家庭成员与物品关系，用神经网络识别语音和图像，再用搜索或强化学习规划行动。

另一个常见区分是“按结构模仿”与“按功能实现”。飞机没有扇翅膀，但实现了飞行功能；同样，人工智能未必需要复制人脑的每一处结构，也可能通过不同结构实现某些智能功能。

三次起伏比年份更重要

课件用一条长时间线回顾人工智能：图灵对机器智能的讨论、1956 年达特茅斯会议、感知机和早期搜索带来第一次乐观；随后算力、数据和理论能力跟不上承诺，进入低潮。专家系统以“知识 + 推理”在特定领域重新取得效果，但知识获取成本高、系统脆弱，又造成一轮退潮。反向传播、互联网数据、GPU 和深度学习让连接主义再次兴起。

这段历史反复说明一件事：演示成功不等于问题已经普遍解决。 一个系统能在封闭任务上超过人，不代表它理解开放世界；某种方法在数据充足时有效，也不代表少样本、分布变化和安全要求下仍然有效。

今天的系统靠什么工作

课件把近年的进展放在数据、算法、算力和应用共同增长的背景中讨论。图像识别、语音处理、推荐系统和 AIGC 看起来不同，底层往往都离不开：

• 数据把任务中的规律暴露出来；
• 模型提供可调的函数族；
• 优化算法从误差中调整参数；
• 计算平台把大规模训练变得可行；
• 产品反馈又产生新的数据。

第 11 讲会专门讨论 GPT 类大模型。这里先保留一个边界：模型生成流畅文本，说明它非常擅长学习语言分布，却不能直接推出它拥有与人相同的理解、因果推理或价值判断。

课程提出的几类未来方向

课件把未来研究概括为若干方向：大数据智能、人机混合增强、脑机接口、群体智能和自主系统。可以把它们分别理解为：

• 大数据智能：从规模大、变化快、来源杂的数据中提取规律；
• 人机混合：让人负责目标、价值和复杂判断，让机器负责检索、计算与重复执行；
• 脑机接口：直接读取或刺激神经信号，连接生物系统与计算系统；
• 群体智能：简单个体通过局部交互形成整体能力；
• 自主系统：系统在真实环境中感知、规划、行动并承担后果。

这些方向越靠近现实世界，越不能只看准确率。隐私、公平、可解释性、错误责任、武器化风险、职业影响和能源消耗都必须一起讨论。

用四个问题判断一个 AI 系统

看到一个“智能”产品时，不要只问它用了什么模型，可以依次问：

1. 输入是什么？ 图像、文字、传感器，还是人工整理的知识？
2. 能力从哪里来？ 手写规则、训练样本，还是环境反馈？
3. 输出怎样验证？ 准确率、奖励、人工评价，还是实际业务后果？
4. 失败由谁承担？ 错一次只是推荐不好，还是会影响医疗、交通和安全？

这四问也正好给全课分区：第 2 讲处理人工知识，第 3—5 讲处理数据，第 6—11 讲处理学习模型，第 12—14 讲处理行动与反馈。