芯耀
与非AI
255
理论基础层：算法的基石
没有稳固的地基，再漂亮的AI大厦也难以构建。当前，人工智能理论研究的基石，正是以机器学习和深度学习为代表的算法体系的构建。
机器学习（Machine Learning，ML）是人工智能走向实际应用最核心的“根系”，它让计算机摆脱了传统的“显式编程”的束缚，通过从数据里“学本事”，从而掌握解决问题的能力，实现预测、分类、决策等复杂目标。机器学习的细分方向包括监督学习、无监督学习、半监督学习和强化学习等。
监督学习
通过“标注数据”进行AI模型训练，以实现分类和回归等任务。最典型就是用带标签的照片教计算机认猫。2015年提出的擅长图像识别的残差网络（Residual Network，ResNet）属于监督学习模型，它能通过100多万张标注过的图片来学会分辨1000多种物体。
无监督学习
用于从“无标注的数据”中发现规律，如聚类和降维。典型的算法就是DeepCluster，该算法在没有标注的情况下，通过无监督方式训练深度神经网络，实现了对无标注图像的聚类分析。
半监督学习
将少量的标注数据和大量的未标注数据相结合，进行模型训练。先通过标注数据来学习基础规律，再借助未标注数据挖掘隐藏的结构特征（如数据分布、相似性等），从而在标注成本高昂的场景（如医疗影像识别）中，用较低的人工标注代价提升模型性能。
强化学习
通过与环境交互试错的奖惩机制来学习最优策略，例如，AlphaGo靠“赢棋加分、输棋扣分”练出了围棋神技能，仅用3天的自我对弈，就超越了人类围棋冠军。强化学习在游戏、机器人、推荐系统和自然语言处理等领域有重要的应用价值。
深度学习（Deep Learning，DL）是以深度神经网络为基础的机器学习。相比于传统的机器学习，它不需要人工设计特征提取规则，能自动从海量数据中“学”到深层规律。深度学习架构中，卷积神经网络（Convolutional Neural Network，CNN）擅长处理图像等具有空间结构的数据（如识别照片里的物体），循环神经网络（Recurrent Neural Network，RNN）适合分析序列数据（如理解一句话的语义），而图神经网络（Graph Neural Network，GNN）则用于处理结点之间的关联数据（如社交网络中的人际关系）。这些不同的神经网络，让深度学习在不同领域大显身手。
卷积神经网络
它是图像领域的“视觉神经”，在视觉应用中表现卓越，如目标检测和图像分割。英国Ultralytics公司推出的YOLOv8模型能在几毫秒内识别视频中的数十种物体，准确率超过90%，使摄像头具备“瞬间看懂世界”的能力。
循环神经网络
它是处理序列数据的高手，比如翻译句子、处理语音等。其核心特点是具有记忆能力，能利此前的数据信息来影响当前时刻的输出。
图神经网络
它通过学习图中结点间的关系来完成各种任务，例如，在社交网络中，通过图神经网络能预测用户兴趣，推荐准确率比传统方法提升了30%以上，从而实现了“物以类聚”的效果。
感知交互层：构建数字感官
感知交互层是一座“桥梁”，其一端连接着底层的算法理论，另一端通向实际的智能产品，专门解决“机器如何看懂世界”和“如何与人类顺畅交流”的关键问题。通过开展交互层研究，为机器构建“数字眼睛”、“数字嘴巴”和“数字耳朵”等数字感官，从而确保AI融入真实的人类世界。
计算机视觉
研究如何让机器“看懂”图像和视频。例如，在自动驾驶场景中，通过对图片和视频进行目标检测，机器能自动判断红绿灯状态、识别车辆和行人等。又例如，家用监控系统能够自动识别“摔倒”场景，这也是计算机视觉的典型应用。
自然语言理解
研究如何让计算机“听懂“并”说出”人话，如机器翻译、自动问答、情感分析等。通过自然语言理解技术，ChatGPT能保持多轮对话的连贯性，Google Translate（谷歌翻译）支持100多种语言翻译，让“即时全球沟通”成为现实。
自动语言处理
研究如何让计算机理解和生成语音。例如，苹果的语音助手Siri，能把说话声转成文字。在一些有声书朗读、虚拟主播等的应用场景中，还能使用语音合成技术将文字转化为语音。
应用实践层：落地与场景创新
应用实践层则是最“接地气”的一层，它专注于如何把人工智能这些前沿技术转化为具体的产品和服务，切实解决现实社会中的难题。
1.机器人学
机器人学（Robotics）研究的目标是让机器“能动手、会做事”。它融合了人工智能、机械工程、控制理论等多个领域的技术，就像给机器装上“聪明的大脑”和“灵活的身体”。工业协作机器人（Collaborative Robot，Cobot）能够精准地组装零件、搬运重物。医疗机器人可以辅助医生完成精密手术。家庭服务机器人能扫地、照顾老人。机器人的应用已从工业生产延伸到日常生活的各个方面。
具身智能
将AI嵌入实体机器人，实现自主感知与行动（如自动驾驶、工业机械臂）。榆树科技的人形机器人能够完成后空翻、跑酷等动作，动态平衡能力超越人类，其核心是基于模型预测控制的实时运动规划算法。
仿生机器人
通过模仿生物体的结构、运动方式、感知机制或行为策略，设计并制造的机器人系统，可用于救援、勘探和环境监测等领域。波士顿动力公司开发的爬行机器人Rise，能够紧密附着在物体表面，垂直爬行墙壁、树木、栅栏等，如图1所示。
自主导航
大疆的无人机通过视觉即时定位与地图构建（SLAM）等技术，在特定环境下，无须依赖全球定位系统（GPS）即可构建三维地图，定位误差甚至小于5cm。
2.大模型与生成式AI
大模型与生成式AI是当前人工智能最热门的研究领域之一。如果把普通AI比作小学生，则大模型就像一个读了博士还在不断钻研的学者：它的“参数”少则数十亿，多则上万亿，相当于把整个互联网的知识存储于其中，这使得大模型具有强大的“理解与生成”能力。通过大模型超强的内容生成能力，衍生了生成式AI的各种应用。
文本生成
ChatGPT、DeepSeek等对话模型，能聊天、写邮件、做攻略，甚至自动生成新闻稿、营销文案、小说剧本等，例如，某游戏公司用AI生成了80%的非游戏玩家（NPC）对话内容，工作效率显著提升。
图像生成
当用户输入文字描述时，如“一只穿着宇航服的兔子在月球上喝咖啡”，MidJourney、Stable Diffusion等图像与艺术生成平台能够迅速生成高清图片，效果不逊色于电影海报。此外，还能智能化修改图片细节（如给人物换衣服）、修复老照片等。
视频生成
RunwayML、PikaLabs等平台能根据文字生成短视频，虽然目前时长和细节还有限，但未来可期。这些平台甚至还能自动生成视频转场效果、添加特效，甚至“AI续写”视频剧情。
3.垂直应用
从通用能力供给转向垂直行业渗透，人工智能正在创新医疗、金融、制造、能源等领域的底层逻辑。据麦肯锡测算，到2030年，人工智能将为全球产业创造13万亿美元的经济价值，其中70%将来自垂直行业的深度应用。
智能制造
制造业是AI落地最具挑战性最能体现价值的领域之一。例如，通用电气公司用AI预测飞机发动机故障，提前维修，避免停机。在西门子的智能工厂，就连螺丝钉的拧紧力度，都能得到精准控制。
智能医疗
在医疗辅助方面，AI能显著提升诊断精度和治疗效率。达芬奇手术机器人能完成人类手抖而难以进行的高难度操作，全球6000多台设备已完成上千万例手术，堪称外科手术领域的佼佼者。
智能金融
AI在智能金融领域重塑了从风险控制、投资顾问到客户服务的全链条。AI通过分析消费记录、社交数据等信息，能在极短时间内识破信用卡盗刷行为。智能投顾系统能根据客户的风险偏好，自动配置股票与基金组合。
智能农业
AI赋能农业，实现了资源节约、产量提升和生态友好。无人机搭载AI摄像头，给庄稼做全身检查，病虫害还没扩散就被处理。通过声纹识别技术，AI能听出猪咳嗽声，提前预警传染病。
智能零售
AI在智能零售中的作用已从辅助工具升级为核心驱动力，通过提升效率、优化体验、降低风险，推动零售业向“精准化、智能化、全渠道化”转型。Zara的供应链反应速度比竞争对手快几十天，确保其在时尚潮流领域保持领先地位。亚马逊无人商店用AI摄像头自动结算。
智能教育
AI在教育领域已覆盖教学、学习和管理等多个环节。科大讯飞的AI学习机，能自动批改作文，即使是书写潦草的作文也能准确识别。英特尔推出的面部表情AI分析术，能在网课中发现注意力不集中的学生，并立刻弹出趣味问答，引导学生重新专注于课堂。
伦理社会层：守护智能时代
如果说AI的技术研究是“让机器变聪明”，那么AI的伦理与社会学研究就是要给这颗“聪明脑袋”戴上“紧箍咒”：既要防止它“智商高却三观不正”，又要帮助它更好地融入人类社会这个“大家庭”。
1.AI伦理研究
为技术发展划定边界，并设计行为准则，确保AI讲规矩，是AI伦理研究的核心。例如，如何保障个人数据不被滥用，避免隐私泄露？如何避免大数据“杀熟”，确保算法公平？AI算法需要大量数据作为“学习”素材，但数据收集可能像“偷看日记”，存在过度滥用的可能。例如，健康类应用程序可能用你的体检数据训练模型，却没有告诉你这些数据的用途。
算法偏见
由于训练数据、算法缺陷、人为因素等影响，AI有时丧失“绝对理性”，甚至“戴着有色眼镜看世界”。例如，某招聘软件基于AI技术优先推荐男性求职者，因为在训练数据里，高级管理岗位男性占比更高。美国某司法评估系统对黑人的误判率更高，这种算法偏见实质上是历史犯罪数据中结构性偏见的数字化再现。
隐私保护
为了训练出高精度的模型，数据收集者通常会收集尽可能多的数据，如果在用户的知情权和同意权得不到充分保障的前提下，擅自扩大数据应用范围，就侵犯了用户隐私。
责任界定
特斯拉自动驾驶撞车后，AI自动驾驶的责任界定成为难题。如果用户说“我开启了自动驾驶，责任在车”，车企说“你没及时接管，责任在人”，律师说“算法有缺陷，责任在代码”，那该如何划分责任呢？这确实是一个值得深思的问题。
黑箱困境
AI有时让人难以捉摸，它也不知道自己在干什么，为什么这么做。例如，深度学习模型动辄有万亿参数，连开发者都不知道它为何会判定“这张图是猫”。这在医疗、法律等领域很危险：医生敢用连自己都不懂的AI给病人诊断吗？法官敢信AI的量刑建议却说不出理由吗？
2.社会影响研究
当算法推荐、机器人服务、智能系统无处不在时，人类社会的互动模式、权力分配、身份认知，乃至整个社会的共同观念，会发生哪些变化？跳出AI本身的技术范畴，聚焦如何塑造社会结构、影响群体行为、重构制度规范、社会文化、伦理价值，以及如何反作用于AI的设计与应用，这就是AI社会影响研究的核心。
产业转型
制造业机器人取代流水线工人，物流行业中的智能分拣系统替代人工分拣员，催生了“零工经济”，重构了劳动形态。Uber等平台的算法调度系统，通过动态定价、派单规则重塑了司机与乘客的关系。司机为追求算法奖励被迫“绕路”或“挑单”，乘客因价格波动产生焦虑，反映了技术对服务业社会关系的重构。
数字鸿沟
老年人、低收入群体因“数字排斥”难以使用智能医疗、政务系统，加剧了代际与阶层分化。英国某医院曾引入AI分诊系统，因训练数据中65岁以上患者的比例不足15%，导致算法对老年患者的症状模式识别能力不足，持续低估老年患者的病情严重程度。这揭示了AI可能放大而非缩小既有社会不平等。
信任危机
医疗诊断AI的普及改变了医患互动模式。一项覆盖上万名患者的匿名问卷调查显示，大多数患者（72.9%）期待AI作为医生决策的支持系统，而非替代者。仅有4.4%的患者愿意接受完全由AI作出的诊断结论。这种信任差异折射出技术判断与实践认知的博弈。
人工智能的社会学研究，是对“技术与人的关系”追问与探索：如果算法开始“理解”人类、机器参与了社会分工、数据成为重要的生产要素，由人类主导的社会本质是否会发生改变？这需要全社会来共同思考。技术从来不是目的，而是加速人类进程发展的工具。社会的核心始终是人，而非代码。
以上内容节选自《漫话人工智能》作者：陶少国 郎为民
推荐阅读
本书为读者勾勒出了一幅人工智能发展与进步的全景图。全书核心内容可归纳为四个维度：一是回溯千百年来，人类对智慧本质与机械生命的持续探索，梳理AI思想的源头；二是聚焦20世纪50年代“机器能思考吗？”这一命题，并以达特茅斯会议为起点，展现人工智能在“兴起期”“寒冬期”与“复苏期”跌宕起伏的发展历程；三是剖析互联网、大数据、计算机硬件等技术如何推动机器学习与深度学习崛起，进而促成人工智能的范式变革与能力跃迁；四是立足当下大模型时代，探讨AI如何赋能产业变革、加速人类社会发展，诠释“AI未来已来”的时代图景。
撰 稿 人：计旭
责任编辑：张淑谦
审 核 人：曹新宇
