Skip to content

第一堂课:从身边任务认识AI ​

手机把语音变成文字,软件帮你推荐内容,聊天工具解释陌生概念,工作台把记录整理成文档。这些体验都可能与AI有关,却不一定使用同一种技术,也不能用同一个标准评价。

这一堂先不背产品名称。我们从四类任务认识AI,再区分人工智能、机器学习、深度学习和生成式AI。学完以后,你应该能够描述一个系统实际做了什么,而不是只说“它很智能”。

01 看见输入与输出 ​

先看一个虚构情境:社区工作人员录下筹备会,希望得到一份可以执行的活动安排。系统把录音转成文字,提取决定和待办,再生成一份通知。

这里至少有三个任务。转写关注声音是否被准确识别;整理关注原记录的事实和关系是否保留;写通知关注文字是否符合读者与用途。一个环节做好,不代表另两个环节也做好。

例如,录音里说“周五讨论是否采用方案A”,转写准确了,纪要却写成“决定采用方案A”。错误发生在理解和整理环节。此时只提高语音识别准确率,不能保证决策记录正确。

先辨认正在做的任务
先辨认正在做的任务识别:把声音或图像分类;预测:依据条件估计结果;生成:组织新的内容;执行:在授权范围内操作识别把声音或图像分类预测依据条件估计结果生成组织新的内容执行在授权范围内操作联系与区别
先辨认正在做的任务;图中数量、箭头和节奏用于说明关系。查看原图 →

识别:把观察到的信号变成可用信息 ​

语音转写、图像中的文字识别、图片分类,都可以帮助人从声音或画面里获得信息。输入质量会影响结果,姓名、方言和专业词也可能造成困难。

识别完成以后仍要看任务。有些错字不影响理解,有些则改变金额、日期或人的身份。检查应围绕影响,而不是只看文字是否通顺。

预测:根据条件估计结果 ​

天气预报、设备故障风险或需求变化,都涉及预测任务。预测需要明确对象、时间范围和评价方法,不能把一个输出数值当成确定发生的未来。

一个系统善于预测某类变化,不代表它能回答所有知识问题。任务不同,输入、模型和评价标准也不同。

生成与执行:写出内容与改变状态 ​

生成可以是文字、图像或其他内容。执行则可能涉及生成文件、更新表格或提交请求。模型给出操作建议,与工具已经执行,是两件事。

这些能力可以组合,也可以分别出现。普通软件按固定规则执行,也不因此都变成了AI系统。

02 几个常见概念怎样联系 ​

人工智能是一个广义领域,关注让机器完成通常需要智能的任务。机器学习是一类从数据学习模式的方法;深度学习使用多层神经网络。生成式AI则从任务形态描述系统生成内容的能力。

AI概念的不同维度
AI概念的不同维度人工智能:广义的技术与任务领域;机器学习:从数据中学习的方法;深度学习:多层神经网络的方法;生成式AI:以生成内容描述任务人工智能广义的技术与任务领域机器学习从数据中学习的方法深度学习多层神经网络的方法生成式AI以生成内容描述任务联系与区别
AI概念的不同维度;图中数量、箭头和节奏用于说明关系。查看原图 →

这些名称有的描述技术路线,有的描述任务,不能完全放在同一条等级线上。一个系统可以使用深度学习,也同时属于生成式AI;一个AI应用也可以把模型与普通规则程序组合起来。

为什么不必先背完术语 ​

假设你需要核对报名名单是否重复。先明确“找出可能是同一个人的记录”比先选一个看起来最先进的模型更重要。

接着再判断:哪些信息可以直接精确匹配,哪些名字需要进一步比较,哪些模糊情况应该交给人确认。任务清楚之后,技术选择才有落点。

03 规则、检索和生成可以共同工作 ​

在一份服务说明中查找开放时间,与编写一段宣传语,是不同工作。前者需要找到适用的原文,后者需要根据要求组织表达。

规则检索与生成
规则检索与生成规则:按已设条件处理;检索:寻找已经存在的材料;生成:依据输入组织输出;组合:按任务连接多种能力规则按已设条件处理检索寻找已经存在的材料生成依据输入组织输出组合按任务连接多种能力联系与区别
规则检索与生成;图中数量、箭头和节奏用于说明关系。查看原图 →

以预约系统为例:是否超出名额可以由明确规则判断;最新开放安排可以从资料中检索;给用户的说明文字可以由模型组织。三者结合,比单纯要求模型“想一个合理答案”更接近可靠服务。

例子:计算预算 ​

模型可以帮助识别费用项目、解释结果,但金额求和可以交给确定的计算工具。工具返回正确合计以后,还要核对输入是否遗漏,单位是否一致。

程序算对了错误的输入,仍然会得到不适用的结果。模型与工具都不能替我们决定这份预算究竟应包含什么。

例子:查询制度 ​

如果需要了解当前规则,应该找到适用对象、版本和生效时间。模型能写得像制度,不代表它知道最新规定。对于没有找到的例外,合理结果可能是说明未知,而不是补出一个条款。

04 模型、应用与服务结果 ​

模型提供处理能力,应用组织任务和工具,完整服务还依赖运行环境、资料和人的工作。我们在下一章用五层结构展开这个关系。

比较两个产品时,可以记录:输入是什么、发生了哪些操作、得到什么产物、怎样检查。仅凭相似聊天框或同一个模型名字,很难判断它们是否具备同样的能力。

从答案回到完整成果
从答案回到完整成果目标:谁要使用什么结果;输入:可读材料与实际要求;处理:模型工具和人的工作;结果:对照任务检查是否可用目标谁要使用什么结果输入可读材料与实际要求处理模型工具和人的工作结果对照任务检查是否可用联系与区别
从答案回到完整成果;图中数量、箭头和节奏用于说明关系。查看原图 →

一个结果的三个问题 ​

首先,它是否满足原要求?其次,关键事实能否核对?最后,它能否在接下来的真实工作中使用?

会议纪要有标题、表格和总结,只能说明形式完整。把提议写成决定,会影响后续执行;漏掉责任人,会让待办难以落实。评价应该进入具体内容。

05 给自己的第一个判断框架 ​

当你遇到一个AI功能,可以按顺序描述:它接收什么,处理什么,输出什么;它在哪些条件下有帮助,又有哪些条件需要人补上。

这种描述比“完全替代”或“毫无用处”更容易讨论。它也让后面的技术知识与现实体验连接起来。

案例走读:同一场活动里的四种任务 ​

假设你协助举办社区摄影展,需要整理往年的报名表、估计到场人数、写邀请函并发送通知。这看起来是一个任务,内部却至少有四种不同的问题。

环节可能的方法仍需核对的事
从扫描表中读出姓名和人数图像识别或文字识别模糊数字、重名、漏行
估计本次到场人数历史统计或预测天气、活动性质与样本变化
写一封邀请函依据材料生成文字时间、地点、邀请对象和语气
向报名者发送通知邮件或消息工具收件人、授权、发送状态

如果最后有人没有收到通知,不能立刻认定“语言模型不聪明”。可能是名单识别漏行、筛选条件错误,也可能根本没有执行发送。先辨认环节,才能讨论问题。

反过来,即使系统一次完成了这些步骤,也不能只凭“一键完成”判断所有环节都正确。把自动化拆开看,并不会削弱它的价值,而是让我们知道应当信任什么、检查什么。

1. 转写正确,为什么纪要仍可能错误? 转写和归纳是不同环节。系统可能准确识别了“讨论”,却在整理时写成“决定”。应回到原记录检查关系与状态。
2. 一个软件能自动计算,能否据此认定它使用AI? 不能。固定规则程序也能自动计算。需要看它实际采用的方法和承担的任务,自动化与AI不是同义词。
3. 为什么评价AI之前要先明确任务? 只有任务清楚,才知道正确输出是什么、应核对哪些内容,以及哪些环节需要其他工具或人。

第二堂课:从几个转折理解AI发展

微信联系

李不凯的个人微信二维码,扫码添加好友

使用微信扫一扫,手机上可长按保存二维码