入场AI：你需要知道的基础概念

大家好，欢迎来到IT知识分享网。

计划更新一个讲述AI方面的一个系列，这个系列的意图也是把自己了解到的AI进行归纳和提炼，然后以一种更容易读懂的方式进行科普，可能存在一些说法上的错误，深度更是谈不上，只是希望通过我的科普能够让大家能够了解AI且能够初步入门，然后找一个适合自己的角度走进AI。

什么是AI：让机器拥有智慧

既然是科普，就尽量用大家可以懂的语言来说明，首先AI即是人工智能，人工智能是一个结果，简单的解释就是让各种各样的机器获得了人工赋予的智能（智慧），能够在接收到一些信息后做出人类希望得到的反馈，这个反馈包括判断、预测或是输出想得到的结果等。那么如何得到人工智能这个结果呢？想一想狗狗听到坐下的时候是如何知道坐下的；为什么过去骑马的人在喊“驾”的时候，马就知道前进。没错！就是反复的训练和学习，那么得到一个你所期望的AI（人工智能）的路径也是反复的训练和学习，这就引出了第二个行业相关名词——“机器学习”。

*注：这里大概描述一下AI的简单运行逻辑

机器学习：解锁AI潜能的关键

同样用直白的话解释，“机器学习”就是不断地教授机器所需要的知识，让机器不断地学习，直到机器能够在你给他特定的信息后，能够按照你的预期得到合理的反馈。但是训练机器和训练狗狗和马不一样，狗狗和马本身就是具备一定智慧的生物，所以你只需要让它们知道你的指令代表什么，而且必须要做，那么下次你来下指令的时候他们就会按指令行事。而机器是没有生命和智慧的，所以让机器学习的第一步就是让机器获得思考的“智慧”，第二步基于这方面的“智慧”不断地训练由这个智慧带来的“技能”，第三步发布使用并不断基于实际使用情况优化“技能”。想想这是不是有点像我们学数学，我们本身就具备学习数学的智慧，然后通过学校的学习不断增加我们数学做题的技能，最后通过不断地刷题提升我们做数学题的速度和准确率。那么这里提到的“智慧”和“技能”分别代表什么，我们继续往下说。

和人类的智慧表现相同，AI在某方面的“智慧”也决定着解决一个问题时的思考方式、思考效率、解决问题的完美程度。但不一样的是，目前AI的智慧并不是全面的，因为AI的每一份能力都是有成本投入的，所以为了能够让AI具备商业价值，提升性价比，AI的智慧往往是在单一或者某几个方面发展。这个智慧是面向最终期望AI解决的问题，而选择的计算分析模型，是基础的线性回归、逻辑回归，还是某个神经网络，这决定着这个AI处理问题能力的上限。现在你只需要知道这几个模型的存在，具体的解释，我们放在后面逐步深入，这是学习AI的核心部分。

AI技能的表现更为显著一些，技能的强弱决定着处理问题的最终效果，如人脸识别是否准确，产线上质量检测是否有误检漏检，也是大家经常在网络上看到的关于某个AI算法是否够强的评价。上面有提到，AI的技能是通过反复地训练来提升的，这个提升的过程是如何体现的呢？这个要回到上面的模型，其中这些模型的底层是一个又一个的数学方程公式，训练的过程就是不断的调整方程中的一个又一个参数，线性方程大家都还记得吧？y=kx+b，没错调整的就是方程里面的k和b，只不过真正算法模型中的方程参数要比这个复杂的多（比如现在相当火热的大模型，包含数百万到数十亿个参数）。所以AI的训练就是把很多组真实的数据（包含输入和输出）作为训练集合，通过对模型公式参数的不断调整，让这个方程能比较好的拟合（新名词，想象一个坐标轴，训练集是一组一组有着某种规律分布的数据点，拟合就是让方程尽量符合这个分布规律）这些真实的数据，这样当再次来一个新的数据输入时，就可以预测出一个在可接受范围内的输出。参数调整的是否合理决定着AI算法的好坏，因此很多算法公司的算法参数是核心机密。

AI的分类

对于AI人工智能（还记得开篇的定义么？AI是结果）来说，总体分为两大类：生成式AI和判别式AI。两者没有好坏之分，运用在不同领域。

生成式AI指的是可以按照用户的指令输出指定的内容，包括文章、图片、视频等。模型相对复杂，训练集数量一般都以亿为单位，同时考虑到生成的内容要接近于人类输出的，所以在训练的时候往往利用生成对抗网络来进行训练，所谓对抗网络就是算法内有生成器负责输出内容，判别器判定是否由非人类输出，如果判别器认为输出的内容是由机器来生成的，那么就认为目前的模型不合格，需要继续训练，直到判别器无法分辨出是由机器生成。属于当前社会上最火热的AI类型。

判别式AI不能生成新的内容，只能基于给定数据进行判别，包括分类（包括对和错、是和否的逻辑分类）或预测。模型相对于生成式AI会简单一些，因此对设备配置的要求也会低一些，这样就可以把算法部署在很小的设备中，便于在各行业的应用，包括人脸识别门禁机、智能识别摄像头等等。

机器学习的分类

机器学习（学习过程）对于我们初学者来说，我们暂时可以只考虑分为监督学习和非监督学习，这里面的监督和非监督就是可以简单的理解为是否有人在旁监督，告诉你对或者错来进行分类。

监督学习会给结果进行打标签，如在分辨一张图片里面是否有小猫咪的算法，在训练集里面就会给所有的图片打上是否有小猫咪的标签，所以在输出的时候也同样会给出是或否的结果。

非监督学习则不会有标签，算法会依据整体数据集的特征进行自动的分类，比如给客户进行细分，算法会依据购买频次、单次消费金额、年龄等特征进行分类，分类后再人工的去查看不同分类的用户特征是什么再去定义这类客户的后续运营策略。

AI能做什么

先从我说起，我最近刚刚完成了我非全日制研究生的论文（3.7W字，70页，有建模分析），如果没有AI大模型，这个论文我可能还要再延后半年才能完成，举几个我问大模型问题，然后输出了我期望内容的例子：

1、基于对深圳某社区综合现状的了解，针对自然灾害、事故灾害、公共卫生灾害、社会灾害，如果用1-9标度法，应该如何赋值，给出推荐值，确保符合真实现状；

2、先写一段文字，然后告诉大模型，这段话要写在论文里面，基于上面问过的问题进行联想，将这句话展开润色说明一下，段落不要超过3个，符合论文的风格；

3、写一下本章小结、写一下本文摘要；

4、基于以上问过的问题，应该如何改善。

对于个人来说AI可以算是一个个人的专业知识助手，很多时候你可以不再局限于一个给出答案的角色，更好的提出问题和要求显得更加的重要了，所以现在大模型的提示词（有些专业人士喜欢叫Prompt）也成为了一门学问。

另外再说几个常见的AI，OCR（光学字符识别）：拍身份证识别身份证上的全部信息、车牌识别；机器视觉：人脸识别、行为分析、质量检测、自动驾驶；语音识别：语音控制（小度小度）、语音转文字；推荐系统：推荐小视频、推荐文章、你可能喜欢的商品等等。

总结

AI作为现代科技的重要成果之一，正以独特的方式影响着世界的每一个角落。通过对机器学习等核心技术的理解，我们可以更好地把握住这一趋势，甚至参与到推动其发展之中。无论你是想成为一名专业的AI从业者，还是仅仅对这项技术感到好奇，了解AI的基本原理都将为你打开一扇通往未来世界的大门。让我们一起期待AI带来的无限可能吧！

如果我讲述的内容对您有帮助，请关注、点赞、转发、收藏！您的支持是我更新的动力来源！