章 01什么是人工智能
人工智能（Artificial Intelligence，简称 AI）是计算机科学的一个分支，致力于让机器表现出 感知、推理、学习、决策、创造等通常需要人类智能才能完成的能力。
「人工智能」这个词本身就包含两个关键词：人工——它由人类设计与制造； 智能——它能在一定环境中完成需要心智参与的任务。它不是一个单一技术， 而是一个由算法、数据、算力共同支撑的技术群。
一个广为引用的工作定义
人工智能研究的奠基者之一、达特茅斯会议发起人 约翰·麦卡锡（John McCarthy）曾给出这样的描述： 「人工智能就是要让机器的行为方式，与人类在相同情境下表现出的智能行为方式相同或相似。」 这一定义强调了行为等价而非内部机制一致，也因此留下了「机器是否真的在思考」这一哲学争论空间。
判断「智能」的四个常用维度
Perception
能否从原始信号中提取意义：看懂图像、听懂语音、读懂文本、理解传感器数据。
Reasoning
能否基于已有信息进行逻辑推演、因果判断与多步求解，而不是仅做模式匹配。
Learning
能否从经验与数据中改善自身表现，并把能力迁移到未曾见过的新问题上。
Action
能否在真实或虚拟环境中做出决策并执行动作，且对结果负责、可被调用。
弱人工智能与强人工智能
| 类型 | 含义 | 现状与例子 |
|---|---|---|
| ANI 弱人工智能 / 窄人工智能 |
在特定任务上达到或超过人类水平，但能力不能跨领域迁移。 | 已广泛实现：语音识别、人脸识别、围棋程序 AlphaGo、推荐系统、当前所有大模型产品。 |
| AGI 通用人工智能 |
像人类一样具备跨领域学习、抽象与迁移能力，可胜任任意智力任务。 | 尚未实现，是当前前沿研究的核心目标与最大争议点。 |
| ASI 超级人工智能 |
在所有认知领域远超人类，具备自主科学发现与自我改进能力。 | 纯属设想，属于长期风险研究与思想实验的范畴。 |
需要澄清的是：媒体常把当下的大模型称为「通用人工智能」，但从严格定义看， 它们仍属于能力覆盖面很广的弱人工智能——强于语言与模式，弱于可靠的世界模型与自主长期规划。
章 02全站知识地图
本站共设十一个页面，按「来源 → 发展 → 原理 → 技术 → 智能体 → 概念 → 应用 → 治理 → 未来」的顺序组织， 可以顺序通读，也可以按需要跳转查阅。
思想起源
automata 传说、图灵机、控制论、图灵测试与 1956 达特茅斯会议——AI 从哲学与数学中诞生。
进入章节 → II发展简史
七十年起伏：黄金期、两次寒冬、专家系统、深度学习革命与大模型时代，读懂周期背后的规律。
进入章节 → III基础原理
AI / 机器学习 / 深度学习的层次关系，监督、无监督与强化学习，训练与推理的完整流程。
进入章节 → IV核心技术
神经网络、CNN、RNN、Transformer 与注意力机制、预训练微调、RLHF、蒸馏与量化。
进入章节 → VAI Agents
智能体的定义与架构：感知、规划、记忆、工具调用、多智能体协作与落地框架。
进入章节 → VI关键概念
Token、Embedding、RAG、多模态、幻觉、上下文窗口、MoE、CoT……一次说清高频术语。
进入章节 → VII应用领域
医疗、教育、金融、制造、科研、编程、办公与创作：AI 正在怎样改变各行各业。
进入章节 → VIII伦理与治理
偏见与公平、隐私、可解释性、对齐与安全、就业冲击，以及全球监管框架。
进入章节 → IX未来展望
规模定律是否继续有效、具身智能、世界模型、人机协作新范式与可能的技术路线。
进入章节 → X术语与资源
按主题分类的中英术语对照表、延伸书目与公开课资源、站点说明。
进入章节 → XI学习路径
给不同背景读者的自学建议：需要哪些数学基础、先学什么、如何动手。
进入章节 →章 03三层关系：AI ⊃ 机器学习 ⊃ 深度学习
这是入门者最容易混淆的一组概念。它们是逐层包含的关系，而非并列关系。
让机器表现出智能行为的一切方法
不写死规则，让机器从数据中学习规律
规则系统 · 搜索 · 知识图谱
用多层神经网络自动学习特征表示
决策树 · SVM · 集成学习
超大规模预训练 + 通用任务能力
| 层次 | 核心思想 | 典型方法与例子 |
|---|---|---|
| 人工智能 | 用机器模拟智能行为 | 规则专家系统、搜索算法、机器学习、规划系统 |
| 机器学习 | 从数据中自动归纳规律 | 线性回归、决策树、随机森林、支持向量机、聚类 |
| 深度学习 | 多层神经网络自动提取特征 | CNN、RNN/LSTM、Transformer、扩散模型、GAN |
| 大模型 | 海量数据预训练 + 迁移到下游任务 | GPT 系列、Claude、Gemini、Llama、Qwen、DeepSeek 等 |
章 04三大思想流派
人工智能的发展并非单线演进，而是几条思想主线此消彼长、最终融合的过程。
Symbolicism
认为智能源于对符号的操作与逻辑推理。知识可形式化表达，用规则与搜索求解问题。
- 代表：专家系统、知识图谱、逻辑程序
- 优势：可解释、严谨
- 短板：难以处理模糊与感知问题
Connectionism
认为智能源于大量简单单元的互联与学习，即模拟神经网络。知识存在于连接权重之中。
- 代表：感知机、深度学习、大模型
- 优势：擅长感知与模式识别
- 短板：可解释性差、依赖数据
Actionism
认为智能体现在与环境的交互与反馈中，智能体通过「感知—行动—奖惩」循环习得策略。
- 代表：强化学习、控制论、具身智能
- 优势：适合序贯决策
- 短板：训练成本高、样本效率低
当前的大模型路线本质上是连接主义主导、并吸收符号主义与行为主义的产物： 用神经网络承载知识（连接主义），用思维链与形式化工具补充推理（符号主义）， 用人类反馈强化学习优化行为（行为主义）。详见基础原理。
章 05AI 能力图谱
把人工智能当前能做到的事情按「输入—处理—输出」拆分，可以更清楚地理解其边界。
🖇 感知能力（看懂、听懂）
- 计算机视觉：图像分类、目标检测、分割、OCR、人脸识别
- 语音：语音识别 ASR、声纹识别、语音合成 TTS
- 多模态：同时理解图文、视频与音频的混合输入
🧠 认知能力（理解、推理）
- 自然语言理解：语义解析、情感分析、信息抽取
- 推理：数学求解、代码生成、多步规划、因果推断（仍在进步）
- 知识：海量事实记忆与跨领域联想
✍ 生成能力（创造内容）
- 文本生成：写作、改写、摘要、翻译
- 图像 / 视频生成：扩散模型、文生图、文生视频
- 代码与结构化输出：程序生成、SQL、JSON
🎯 决策与行动（做事）
- 推荐与排序：内容分发、广告、搜索
- 控制：机器人、自动驾驶、工业优化
- 智能体：调用工具、执行多步任务、人机协作
章 06关键里程碑速览
奠基期
图灵提出「模仿游戏」；麦卡锡等人召开达特茅斯会议，「人工智能」正式成为学科名称。
第一次黄金期
感知机、通用问题求解器、ELIZA 聊天程序相继出现，乐观情绪高涨。
第一次寒冬
算力不足、组合爆炸、承诺落空，英美大幅削减 AI 研究经费。
专家系统时代
XCON 等知识工程系统商业成功，日本「第五代计算机」计划掀起热潮。
第二次寒冬
专家系统维护成本高、难以泛化，专用 Lisp 机市场崩塌。
机器学习崛起
统计学习成为主流；1997 深蓝战胜国际象棋冠军；2011 IBM Watson 赢得智力竞赛。
深度学习突破
AlexNet 引爆视觉革命；2016 AlphaGo 战胜李世石；2017 论文《Attention Is All You Need》。
大模型时代开启
BERT、GPT-2/3、扩散模型、AlphaFold2、ChatGPT 发布，能力从专用走向通用。
多模态与智能体
GPT-4V、Claude、Gemini 等支持图文；推理模型、长上下文、AI Agent 与工具使用成为主线。
章 07当下最受关注的六个方向
智能体
让模型不只是「回答问题」，而是自主规划、调用工具、完成长程任务。被认为是大模型落地的关键形态。
推理模型
通过延长「思考时间」（思维链、自我验证）提升复杂问题正确率，把算力从训练侧转移到推理侧。
多模态
文本、图像、音频、视频统一建模，让模型具备更接近人类的综合感知与表达能力。
检索增强生成
外挂知识库 + 向量检索，缓解幻觉与知识过时问题，是企业落地最常用的技术方案之一。
高效与小型化
蒸馏、量化、MoE 稀疏架构与端侧部署，让大模型在手机和边缘设备上可用、可负担。
对齐与安全
让模型行为符合人类意图与价值观：可解释性、可控性、防滥用，以及全球监管框架的建立。
章 08推荐阅读路线
不同背景的读者可以从不同入口开始，本站每个页面都独立成篇，不必强求顺序。
| 读者类型 | 建议路线 | 重点提示 |
|---|---|---|
| 完全零基础 | 首页 → 基础原理 → 发展简史 → 关键概念 → 应用领域 | 先建立概念框架，不必纠结数学细节。 |
| 产品 / 运营 / 管理者 | 基础原理 → 关键概念 → AI Agents → 应用领域 → 伦理治理 | 关注能力边界、成本结构与落地形态。 |
| 开发者 / 工程师 | 核心技术 → AI Agents → 关键概念（RAG、微调）→ 术语资源 | 重点理解工程链路：数据、训练、部署、评测。 |
| 学生 / 研究者 | 思想起源 → 发展简史 → 基础原理 → 核心技术 → 未来展望 | 结合原始论文与公开课深入理解原理。 |