Artificial Intelligence (AI)

人工智能 (AI) 是计算机科学的一个分支，致力于构建能够执行与人类智能相关任务的系统：感知图像和声音、理解并生成语言、推理、规划，以及从经验中学习。OECD 的定义与欧盟《人工智能法案》所采用的定义非常接近；该定义将 AI 系统描述为一种基于机器的系统，能够根据输入推断如何生成预测、内容、建议或决策等输出。如今，大多数 AI 都通过机器学习 (ML)从示例数据中学习这种行为。

AI 简史#

艾伦·图灵在 1950 年发表的论文《计算机器与智能》提出机器能否思考的问题，并提出了模仿游戏，也就是现在所说的图灵测试。约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农在 1955 年为 1956 年达特茅斯暑期研讨会提交的提案中创造了「人工智能」一词；这次研讨会奠定了该领域的基础。在接下来的三十年里，符号 AI凭借逻辑、搜索和基于规则的专家系统占据主导地位；而在 20 世纪 70 年代和 80 年代末的两次「AI 寒冬」中，由于成果不及预期，资金也两度枯竭。

20 世纪 90 年代，统计 AI方法凭借从数据中学习的能力逐渐占据主导。1997 年，IBM 的 Deep Blue 凭借专用硬件击败国际象棋世界冠军 Garry Kasparov，每秒搜索约 2 亿个棋局局面。2012 年，AlexNet 卷积神经网络在 ImageNet图像分类挑战赛中大幅领先并夺冠，开启了深度学习 (DL)时代。2017 年推出的Transformer 架构催生了大语言模型 (LLM)；ChatGPT 于 2022 年 11 月发布，让数亿用户开始使用生成式 AI。

AI、机器学习与深度学习之间的关系#

AI 是一个统称领域。符号 AI 和机器学习是 AI 的两种主要方法：前者将知识编码为明确规则，后者则从示例中学习模式。深度学习是机器学习的一个子集，使用具有多层结构的神经网络；现代计算机视觉、语言和图像生成领域几乎所有的突破都建立在深度学习之上。

机器学习系统主要通过几种方式学习。监督学习利用带标签的示例进行拟合，例如标注了所含物体的图像。无监督学习从无标签数据中寻找结构；自监督学习从原始数据中生成自身的训练信号，是 LLM 预训练背后的方法；强化学习则通过在环境中采取行动并获得奖励来学习。

按能力划分的 AI 类型#

• 人工狭义智能 (ANI)或弱人工智能：为特定任务或一组任务构建的 AI。所有已部署的系统都属于这一类，包括在自身任务范围内达到超人水平的系统。
• 人工通用智能 (AGI)：一种假设中的系统，在几乎所有认知任务上的表现都能与人类相当，通常也称为强人工智能。
• 人工超级智能 (ASI)：一种假设中的系统，几乎在所有领域都超越最优秀的人类，也是技术奇点设想背后的情景。

通用 LLM 模糊了第一条界限。一个模型可以编写代码、翻译和描述图像，但它在不同任务上的技能并不均衡，这种现象称为锯齿状智能。Ultralytics VLM Leaderboard衡量这类技能之一：这些模型在真实世界图像中检测对象的准确度。

AI 的应用#

• 计算机视觉：检测物体、分割场景并跟踪运动，应用于自动驾驶车辆、工厂检查、零售分析和医学图像分析。
• 语言与语音：聊天机器人、机器翻译、文档摘要和语音转文字。
• 预测与排序：欺诈检测、需求预测，以及流媒体和购物平台的推荐系统。
• 科学：DeepMind 的 AlphaFold 能够预测蛋白质结构，其创作者因此获得了 2024 年诺贝尔化学奖的一部分。
• 智能体与机器人技术：能够规划多步骤任务并调用软件工具的 AI 智能体，以及将感知与控制相结合的机器人。

运行预训练的视觉模型是观察深度学习系统运作的最快方式。Ultralytics YOLO26是一种物体检测器，它从带标签的 COCO图像中学会了 80 个日常物体类别：

from ultralytics import YOLO

# 加载预训练的 YOLO26 物体检测器
model = YOLO("yolo26n.pt")

# 在模型从未见过的图像上运行推理
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# 保存带有预测框、类别标签和置信度分数的图像
result.save(filename="bus_detections.jpg")

保存的图像会用边界框、类别标签和置信度分数标出每个检测到的物体，例如公交车及其旁边的人；所有这些都是从示例中学到的。

风险、伦理与监管#

AI 系统会继承其数据和目标中的缺陷。模型可能会对在训练数据中代表不足或受到不公对待的群体形成偏见；LLM 可能会流畅地陈述虚假信息；生成模型可能会制作深度伪造内容；而缺乏透明度的模型若没有可解释人工智能 (XAI)，就很难审计。AI 伦理和AI 安全研究致力于应对这些风险，自愿采用的NIST AI 风险管理框架则为组织提供了管理风险的流程。自 2024 年 8 月起生效的欧盟《人工智能法案》全面禁止社会评分等少数几种做法，并对招聘、信用评分和医疗器械中的 AI等高风险用途设定了严格要求。