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。
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。
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。
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。
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。