一句话定义
人工智能（Artificial Intelligence）不是一个具体的技术，而是一个目标：让机器完成那些如果由人来做、需要智能的任务——识别、理解、推理、生成、决策。
只要一个系统在某个任务上表现得像需要智能，它就可以被叫做 AI。这解释了为什么这个词如此宽泛，也解释了为什么它每隔十年就换一次内涵。
为什么重要
分清「目标」和「方法」，是理解后面所有概念的前提。
- AI 是目标：让机器表现出智能行为。
- 机器学习是实现它的主流方法：不写死规则，而是从数据里学出规则。
- 深度学习、大语言模型是当前最有效的一类具体技术：用神经网络在大规模数据上训练。
今天的新闻里说「AI」，九成指的是第三条。但把这三层混为一谈，会导致很多错误判断——比如误以为「AI 效果不好」就是「机器学习这条路走不通」。
一条时间线
| 阶段 | 做法 | 典型问题 |
|---|---|---|
| 符号主义 | 人手工编写规则 | 规则写不完，遇到例外就崩溃 |
| 统计学习 | 人设计特征，机器学权重 | 特征工程成本高 |
| 深度学习 | 机器自己学特征 | 需要大量数据和算力 |
| 基础模型 | 一次预训练，多任务复用 | 成本极高、可解释性差 |
每一次跃迁的本质都是：把更多「人来定义」的工作，交给「从数据中学」。
常见误解
- 「AI 在思考」：更准确的说法是它在做高维统计推断。它没有意图，也没有对世界的持续体验。
- 「AI 就是机器学习」：机器学习是手段之一。搜索算法、规则引擎在特定场景里仍然是 AI 的一部分。
- 「AI 会突然觉醒」：能力的增长是渐进的工程结果，不是某个开关被打开。
延伸阅读
- Machine Learning：理解「从数据里学规则」这件事
- Large Language Model：当前这一轮 AI 的核心载体
- AGI：这个目标最终要走到哪里