
人工智能
人工智能:一本由 200 个精选词组成的紧凑双语数字书。它解释这个主题的核心概念、关键区分和常见误读。
200
English / Español / 简体中文
个人使用
适合谁读
适合想先清楚进入一个主题、但不想一开始就读厚教材的读者。
书里有什么
- 关键词
- 重要区分
- 重新理解这个主题的清晰路径
它不是什么
不是编程教程,也不是炒作文案——而是带着判断去指挥、落地并核查 AI 所需的词。
试读
人工智能
人工智能是让软件完成某些通常与思考有关的能力,例如识别语言、发现模式、预测结果、生成媒体或选择行动。本书把它作为总伞词:机器学习、模型、提示词、智能体、工具和自动化都在伞下。它和人类智能的边界必须保留:AI 可以在窄任务上表现惊人,却没有自己的生活经验、责任感或常识。真正值得问的不是它算不算“真的聪明”,而是它延展、模仿或扭曲了哪一种判断。
机器学习
机器学习是让系统从数据里学出模式,而不是由工程师把每条规则都手写进去。之所以有用,是因为今天很多 AI,从推荐系统到大语言模型,都依靠大量例子训练出来。这里不要把机器学习和深度学习混为一谈:深度学习只是其中很强的一类,机器学习还包括决策树等更简单的方法。说 AI 会学习,通常指它会根据证据调整,并不等于它像人一样理解。
深度学习
深度学习是一类机器学习方法,用很多层神经网络去学习复杂模式。它让 AI 从手工设计特征,跃迁到能大规模处理图像、语音、翻译和语言生成的系统。要避免把深度学习理解成深刻理解:深度说的是计算层数,不是智慧或意识。它的力量来自无数小的数学调整叠在一起,所以既惊人,也常常难以看清内部原因。
模型
模型是 AI 系统学出来的一套结构,用来把输入变成输出。训练之后,它携带统计模式,可以回答、分类、预测、推荐或生成。本书里的语言模型、扩散模型、部署、评估和治理都围绕它展开:模型是团队测试、调校、包裹、监控,有时也要替换的对象。要把模型和应用分开:应用是你点击的产品,模型只是其中一个判断引擎。模型不是完整智能,而是关于“什么常常跟着什么”的压缩下注。
数据
数据是被记录下来的信息,AI 可以从中学习,也可以据此行动。它可能是文字、图像、语音、数字、点击、标签或传感器读数,并决定模型能注意到什么。在实际 AI 应用中,训练、测试、偏见和评估都从数据开始:收集了什么,遗漏了什么。不要把数据等同于知识:数据是材料,知识是被整理成可用理解的材料。坏数据不只是让系统混乱,它会教会系统错误习惯。


