早上拿起手机，刷脸解锁；通勤路上，导航提醒前方拥堵、建议绕行；午休时刷短视频，推荐的内容好像越来越懂你；晚上随手拍一张植物照片，App 告诉你这是绿萝。这些事情背后，都有人工智能（AI）的影子。
可如果有人追问一句「AI 到底是什么」，大多数人只能说出「很聪明的程序」「会聊天的机器人」。这节课不讲公式，只用一个核心对比把它讲透：传统程序靠人「写规则」，AI 靠机器从数据里「学规律」。
先给 AI 下个定义
人工智能，简单说就是：让机器去完成那些过去被认为需要人类智能才能完成的事。从能力上看，AI 常做的事大致有四类：
- 看和听（感知）：人脸识别、语音转文字、拍照识物；
- 读和懂（理解）：翻译、提取合同要点、判断一条评论是好评还是差评；
- 猜和选（预测与决策）：推荐你可能喜欢的商品、预估外卖送达时间、帮导航选路线；
- 写和画（生成）：写文案、画插图、合成配音，这是最近几年最火的一类。
有两点值得先说清楚：
- AI 是一个领域，不是一个产品。就像「医学」不是某一种药，AI 是一大类技术和研究方向的总称。聊天机器人、人脸识别、推荐算法、自动驾驶，都只是它的不同应用。
- 「智能」是按表现说的，不是按内心说的。我们说一个程序「智能」，是因为它做事的效果看起来像有智能，而不是说它像人一样有想法、有感受。
两种让机器做事的方法：写规则 vs 学规律
想理解 AI，最好的办法是先看看「不是 AI」的程序是怎么工作的。
方法一：写规则
传统程序就像一本极其详细的操作手册。程序员把每一步都写清楚：如果满足条件 A，就做 B；否则做 C。计算器、表格里的求和公式、ATM 取款流程，都是这样工作的。只要规则写对了，结果就分毫不差。
但有些事，规则根本写不出来。试着用规则描述「什么是猫」：有尖耳朵？狐狸也有。有胡须？老鼠也有。四条腿、毛茸茸？狗也是。再考虑到猫可能侧着、蜷着、只露半张脸、躲在昏暗的角落里……你会发现规则越写越多，永远写不完。
方法二：学规律
AI 换了一个思路：不告诉机器规则，而是给它看大量例子，让它自己总结规律。
给机器看成千上万张标好「猫」或「不是猫」的照片，它会一遍遍地猜、对答案、调整自己，慢慢掌握那些人类说不清、但确实存在的特征组合。最后，遇到一张从没见过的猫的照片，它也能认出来。
这很像小孩认猫。没有人给孩子讲「猫的定义」，大人只是在每次看到猫时说一句「看，小猫」。见得多了，孩子自然就会认了。
| 对比项 | 写规则（传统程序） | 学规律（AI） |
|---|---|---|
| 谁来总结规律 | 程序员 | 机器从数据中自己总结 |
| 需要什么 | 清晰、能穷举的规则 | 大量例子（数据） |
| 擅长的事 | 算账、审批流程、按条件筛选 | 识图、听音、理解语言、做预测 |
| 结果特点 | 规则对了就精确无误 | 大多数时候对，但有一定出错率 |
| 遇到新情况 | 规则没覆盖到就不会处理 | 能举一反三，但也可能判断错 |
小贴士：「学规律」并不比「写规则」高级，两者各有用处。算工资就该用规则，一分钱都不能错；识别一张字迹潦草的手写单据，才需要 AI。很多实际产品是把两者结合起来用的。比如银行的风控系统：「单笔转账超过一定金额要二次确认」是人写的规则；「这笔转账和你平时的习惯很不一样，可能是遇到了诈骗」则是 AI 从大量交易记录里学出来的判断。
机器「学习」到底在学什么
「机器会学习」听起来很神秘，其实可以想象成一个学生在刷练习册：
- 做题：看一个例子，给出自己的答案，比如判断这封邮件是不是垃圾邮件；
- 对答案：和正确答案比较，看差了多少；
- 改正：根据错误调整自己内部的「判断标准」；
- 做下一题：重复成千上万次，甚至更多。
这里的「判断标准」，在 AI 内部是一大堆可以调节的数字，通常叫作「参数」。你可以把它想象成调音台上密密麻麻的旋钮，学习的过程就是不断微调这些旋钮，直到输出越来越准。
以垃圾邮件过滤为例。如果靠人写规则，比如「出现'中奖'两个字就拦截」，骗子只要写成「中_奖」就能绕过去，而正常的抽奖结果通知反倒会被误拦。改用 AI 之后，系统从大量被用户标记过的邮件里学习，综合发件人、措辞、链接等许多线索一起判断，效果好得多，而且能随着新样本不断更新。
既然是从例子里学，例子的质量就决定了学得好不好。如果给它看的猫照片全是橘猫，它可能会把「橘色」当成猫的关键特征，见到黑猫反而认不出来。所以数据越多、越全面、标注越准确，AI 学得就越好。人们常说「数据是 AI 的粮食」，就是这个意思。
需要注意的是：机器学到的是统计规律，不是人类那样的理解。它知道「这些特征同时出现时，大概率是猫」，但它不知道猫会撒娇、怕水、需要喂养。这也是为什么 AI 有时会在人看来很简单的地方犯错。
今天的 AI 走到了哪一步
你可能听说过「通用人工智能」（AGI），指像人一样能胜任几乎各种智力工作的 AI。它离现实还有多远、怎样才算实现，业内争论很大，目前没有公认的结论。
能确定的是，过去很长一段时间里，AI 大多是「专才」：下棋的只会下棋，识别人脸的只会识别人脸。近几年出现的大语言模型（比如 GPT、Claude、Gemini、DeepSeek、通义千问等家族）让 AI 变得「通才」了许多，同一个模型能写文案、改代码、做翻译、答疑解惑。但它们仍然会犯错，也没有科幻电影里那种自我意识。
下面这张对照表，帮你纠正几个最常见的误解：
| 常见误解 | 更准确的理解 |
|---|---|
| AI 有感情、有意识，会自己「想」事情 | AI 根据学到的规律计算出结果，表现出的「情绪」是模仿人类语言的结果 |
| AI 什么都知道，说的都对 | AI 的知识来自训练数据，会过时、会遗漏，也会一本正经地说错 |
| AI 的每句话都是程序员提前写好的 | AI 的回答是模型当场生成的，连开发者也无法逐句预料 |
| 有了 AI，就不需要人了 | AI 擅长提速和打草稿，方向、判断和责任仍然在人 |
所以面对 AI，比较健康的心态是：把它当成一个能力很强、但需要你把关的助手。接下来几节，我们会依次讲清它和机器学习、大模型是什么关系，它从哪里来，它是怎么「说话」的，以及它能做什么、不能做什么。
本节要点
- AI 是让机器完成需要人类智能的任务的一大类技术，是一个领域，不是某个产品。
- 传统程序靠人「写规则」，AI 靠机器从大量数据中「学规律」。
- 机器「学习」就是反复做题、对答案、调参数，学到的是统计规律，不是真正的理解。
- 规则清晰、不能出错的事交给传统程序；规则说不清、需要举一反三的事才是 AI 的主场。
- 今天的 AI 更「通才」了，但仍会出错、没有自我意识，判断和责任要留在人手里。
