课程概述

如果你最近才听说 AI，不知道从何了解——这门课就是为你准备的。

我们从 1950 年图灵提出的那个著名问题开始，一路走到今天的 ChatGPT。不需要任何技术背景，你只需要保持好奇心。

学完这门课你会明白： AI 不是什么神秘的黑魔法，它是计算机科学的一个分支，经历了 70 年的起起落落，最近几年因为深度学习和大语言模型的突破，才真正开始"理解"人类的语言。

学习目标

• 理解人工智能、机器学习、深度学习这三个概念的区别和关系
• 了解 AI 发展的几个关键里程碑（图灵测试 → 专家系统 → 深度学习 → ChatGPT）
• 明白为什么 2023 年被称为"AI 元年"
• 建立对 AI 技术的正确认知，既不神化也不轻视
• 知道当前 AI 的三种主要形态以及各自的用途

课程内容

1. 图灵的天才问题：机器能思考吗？

1950 年，英国数学家艾伦·图灵发表了一篇论文，标题是《计算机器与智能》。这篇论文开头就问了一个看似简单但影响深远的问题："机器能思考吗？"

图灵没有直接回答。他设计了一个巧妙的实验：如果一台机器能在对话中让人类误以为它也是人类，那么我们就可以说这台机器具有"智能"。这就是著名的图灵测试。

图灵测试怎么做的？

裁判（人类）通过键盘和屏幕，同时跟两方对话——一方是人类，一方是机器。如果裁判无法判断谁是谁，机器就通过了测试。

为什么这个测试很重要？

因为它避开了"什么是智能"这个哲学难题。图灵不纠结定义，而是说：如果一个东西表现得足够像人类，我们就该承认它是智能的。这种"不看本质看表现"的思路，直接影响了后来整个 AI 领域的研究方向。

70 多年后的今天：

2022 年，ChatGPT 发布。它能流畅对话、写代码、翻译、做题、写诗……图灵测试被远远超越了。现在问题是逆向的：怎么设计一个"证明你是人类"的测试？——这就是我们在各种网站上看到的验证码（CAPTCHA）。

2. AI 的三个层次：别再混为一谈

很多人把 AI、机器学习、深度学习混为一谈。把它们想象成俄罗斯套娃——一个套一个：

一个经典例子帮你理解三者：

假设你要教计算机识别猫的照片：

• 传统 AI 方法： 人工告诉它"猫有尖耳朵、胡须、圆眼睛"。计算机按你写的规则判断。但猫千姿百态，规则永远写不完。

• 机器学习方法： 你给它 10000 张图片，每张标注"猫"或"不是猫"。它自己从数据中找到识别猫的规律。但需要你手动设计特征——比如你得告诉它注意边缘、纹理、颜色分布。

• 深度学习方法： 你给它 100 万张图片和标签。它自动一层层学习——第一层识别边缘、第二层识别形状、第三层识别面部结构……最后直接输出"这是一只猫"。你不需要告诉它该注意什么。

记住一句话：所有深度学习都是机器学习，所有机器学习都是 AI，但反过来不成立。

3. AI 的两次冬天和三次春天

AI 的发展不是一帆风顺的直线上涨，而是经历了多次大起大落。了解这段历史，你就能理解为什么很多人至今对 AI 持怀疑态度——他们可能在某个"冬天"入的行。

第一次春天（1956-1974）：AI 的诞生

1956 年夏天，一群科学家在达特茅斯学院开了个会，正式提出了"人工智能"这个词。参会的都是后来的大神：麦卡锡、明斯基、香农（信息论之父）、西蒙（后来的诺贝尔经济学奖得主）。

这个时期的 AI 能证明数学定理、下跳棋、理解简单的自然语言。媒体疯狂报道，政府砸钱研究。

为什么进入冬天？

1973 年，英国政府委托的报告指出：AI 研究在几乎所有方向上都"未能实现其宏伟目标"。这些系统在实验室里看起来不错，但一到真实世界就崩溃——真实世界太复杂了，当时的计算机算力根本不够。加之石油危机导致经济衰退，政府砍掉了大部分 AI 研究经费。第一次 AI 冬天持续了将近 10 年。

第二次春天（1980-1987）：专家系统登场

80 年代初，"专家系统"火了。它不再追求通用智能，而是聚焦具体领域——比如诊断特定疾病、配置计算机订单。原理很简单：把专家的知识写成"如果……那么……"的规则。

DEC 公司用专家系统来配置客户订购的计算机组件，每年节省了 4000 万美元。到 1985 年，全球企业在 AI 上的投入超过 10 亿美元。

为什么又进入冬天？

专家系统有三个致命缺陷：维护成本高（一条规则变了要手动改 200 条）、脆弱（遇到规则没覆盖的情况直接崩溃）、性价比不敌个人电脑。1987 年到 1993 年，AI 再次进入低谷。这次企业级市场受创更深——很多 AI 公司倒闭或被收购。

第三次春天（2012 至今）：深度学习革命

2012 年，一个叫 AlexNet 的深度学习模型在 ImageNet 图像识别大赛中以碾压式优势夺冠。错误率 15.3%，而传统方法第二名是 26.2%。

然后一切开始加速：

为什么这次不会再有冬天？

前两次冬天的根本原因是技术能力没跟上预期。这次不同：深度学习的效果已在数百个真实场景中验证，互联网产生了海量训练数据，GPU 算力成本 10 年下降 100 倍，开源生态让 AI 技术不再是少数实验室的专利。

4. 为什么 ChatGPT 是分水岭？

ChatGPT 之前的 AI 工具都是"专用"的：图像识别只能识别图片，翻译只能翻译文字，推荐只能推荐商品。就像你用计算器算账，用电话沟通，用相机拍照——三种工具，三种交互。

ChatGPT 打破了这个格局。同一个模型可以写邮件、写代码、写诗、翻译、总结、分析、头脑风暴、逻辑推理、解数学题、扮演不同角色和你对话。

通用模型证明了什么？

"足够大的模型 + 足够多的数据"可以产生涌现能力——模型展现出训练数据中并不直接存在的泛化能力。比如 GPT-3 没被专门训练做翻译，但它能做——而且做得很不错。这彻底改变了我们对 AI 能力的认知。

5. 当前 AI 的三种形态——你应该知道和使用哪个？

给初学者的建议： 先用好聊天 AI——它是理解其他两种形态的基础。别急着学 Agent，先跟 AI 聊 100 轮天，感受它的能力和局限。就像学开车——先开手动挡，再玩自动驾驶。

6. 三个常见误解，一次性澄清

误解 1："AI 会取代所有工作"

AI 不是替代人类，而是替代某些任务。翻译员不会被取代，但只会逐字翻译的人竞争力会下降。能用 AI 提高效率再打磨译文质量的翻译员会更吃香。核心：学会和 AI 协作，而不是和 AI 竞争。

误解 2："AI 什么都知道"

AI 的知识来自训练数据——截止日期前的、互联网上公开的、以英文为主的信息。它不知道你公司内部的销售数据，不知道今天的新闻。而且它会"幻觉"——编造听起来合理的错误答案。批判性使用，比什么都重要。

误解 3："学 AI 需要会编程"

使用 AI 不需要。ChatGPT 的界面就是一个输入框——跟百度搜索一样简单。但如果你想自己训练模型或开发 AI 应用，那就需要编程了。对 95% 的人来说，会用就够。

实操练习

练习 1（5 分钟）：如果你还没用过任何 AI 聊天工具，现在去注册 DeepSeek（chat.deepseek.com，国内直接访问，免费）。问它："用最简单的语言解释什么是人工智能，给我举 3 个生活中的例子。"

练习 2（10 分钟）：把同一个问题分别输入百度搜索和 AI 聊天。观察输出区别——一个是给你一堆链接让你自己找，一个是直接给你整理好的答案。哪个更高效？什么情况下哪个更好？

练习 3（5 分钟）：回顾你今天的工作/学习中，有哪些任务是"重复性的、有明确输入输出的"？这些可能是最适合 AI 处理的。写下来。

总结

AI 经历了 70 年的起起落落，但这次是货真价实的突破。关键不在于技术本身有多牛，而在于它终于可以普通人使用了。

记住三件事：

1. AI 是工具，会用它的人比不会用的人更有竞争力
2. 会提问比会编程重要——后面课程会深入讲
3. 现在就开始用——注册一个免费 AI 聊天工具，每天用它做一件小事

从下一课开始，我们将深入了解让 ChatGPT 成为可能的核心技术——大语言模型。