一个被忽略的常识
如果我让你说出一个“AI”的名字，你脱口而出的多半是 ChatGPT、豆包、Claude、Kimi，或者你手机里那个智能助手。
这很正常。过去三年，“大语言模型”和“生成式AI”铺天盖地，好不热闹。但这不正常的地方在于：很多人开始觉得AI = 聊天“机器人”。
当然，AI肯定不是聊天“机器人”，能聊天的“机器人”也不是“机器人”。
这不是一个词义辨析的游戏。这是一个认知错误：它会影响你对AI能做什么、不能做什么、危险在哪里的全部判断。
当你以为AI就是聊天机器人时：
- 你不会理解为什么自动驾驶也是AI
- 你不会意识到你用手机拍照时的人像虚化、语音输入时的实时转写，这些都是AI
- 你更不会想到，决定一个仓库机器人能不能准确抓取货品的那个系统，和ChatGPT共用同一套底层模型结构
但当你理解了AI的完整版图，你会突然看懂很多事：为什么大语言模型会“说错话”而人脸识别不会“认错人”？为什么能让AI一夜之间爆火的围棋AI敢下人类看不懂的招？为什么自动驾驶撞人比写错文案严重一万倍？
这一章，我们就刨根问底。
AI到底是什么
不需要背概念，我们看一张图。
图1：AI的定义与范围
最外层蓝色——人工智能（AI）： 一切让机器表现出“智能行为”的技术。下围棋、识别人脸、理解语音、控制机器人走路、给你推荐视频……只要在某个任务上做出了看起来“需要智慧”的结果，都算AI。
第二层绿色——机器学习（ML）： AI的一个子集。传统编程是“人写规则，机器执行”（如果是红灯，就要停车）。机器学习是“人给数据，机器自己找规律”（喂给它十万张“红灯”和“非红灯”的照片，神经网络模型自己学会怎么判断）。
第三层紫色——深度学习（DL）： 机器学习的一个子集。特点是“层数多”，即用多层神经网络（几十层、上百层、上千层）来提取数据中的深层模式。这层是现代AI的核心引擎。
最内层橙色——大语言模型（LLM）： 深度学习的一种特定应用。它专门处理文本序列（后来也扩展到图像、音频等多模态数据）。ChatGPT、豆包都在这一层。
你现在看到很多人在讨论的“AI”，其实只是在说最里面那个小橙圈。
但外面那几圈同样重要，甚至在某些领域更重要。
LLM之外，AI还在做什么
我们走马观花，看几个方向。不是为了让你成为专家，而是让你感受一下“AI”这个词真正的覆盖范围。
图2: 各种AI的区别
计算机视觉（CV）——让机器“会看”
你手机的人脸解锁。医院里CT影像的肿瘤筛查。工厂传送带上自动挑出残次品。自动驾驶汽车识别行人、路标和车道线。
这些系统的底层技术是卷积神经网络（CNN）及其后代，它们从像素中提取边缘、形状、局部特征、全局语义，一层一层向上抽象。2012年，一个叫AlexNet的模型在大规模图像识别比赛中把错误率从26
现在你每天用的“拍照搜题”“拍照识花”“视频美颜”背后都有CV。但大部分人在用这些功能时不会说“我在用AI”。
语音技术（ASR/TTS）——让机器“会听会说”
语音识别（ASR）和语音合成（TTS）合在一起，是你和智能音箱、车载助手、手机语音输入交互的基础，它让你与豆包直接对话。
早在深度学习爆发前，语音识别就有一套成熟的统计方法（隐马尔可夫模型）。深度学习进来后，准确率直接跳了一个台阶，从“勉强能听懂”变成“比人还准”。2016年，微软的语音识别系统在某个测试集上达到了人类水平。现在你的手机能实时把你说的话转成文字，延迟不到200毫秒。
强化学习（RL）——让机器“决策”
和前面两种不同，强化学习不是“看数据”或“听声音”，而是“在环境里试错”。
2016年，AlphaGo赢了李世石，“AI”这个概念一炮而红。它怎么做到的？不是背了人类棋谱，是和自己下了几千万盘棋，自己琢磨出了“走哪步赢面大”。2017年，AlphaZero更极端，它完全不看人类棋谱，从零开始自学围棋、国际象棋和将棋，超越几乎所有人类和AI。
强化学习的逻辑是：做对了给奖励，做错了给惩罚，让系统自己在无数次试错中找到最优策略。这套逻辑不只用于下棋，ChatGPT刚问世时在后期训练中使用的RLHF（人类反馈强化学习），本质上就是把“人类偏好”当成奖励信号，让模型学会“怎么回答更让人满意”，这里其实也给用户觉得“AI变笨”埋下了隐患。
顺便说一句，RL中也有一个概念叫Agent，但它与我们后面说的大模型驱动的AI Agent不同。本书所说的Agent就是AI Agent。
具身智能（EI）——让机器“动手”
这是目前AI最热的前沿之一。它回答一个问题：如果AI有了身体，会怎样？
一个仓库里的机械臂，要从杂乱的料箱里抓取特定形状的零件。它的“脑子”是一套视觉+规划+控制的深度学习系统，它的“身体”是电机、传感器和夹爪。这比纯文本生成难得多，错了不是“输出一段错误文字”，而是“撞坏零件”甚至“伤人”。
说白了，就是对“机器人”的又一包装，从机械手（机械臂）到人形机器人，拥有了“大脑”（一般就是动作大模型，VLA）之后就成为了“具身智能”。
具身智能被很多人认为是AI的终极形态：当AI不仅能“说”，还能“做”，那才是真正的“智能体”。
科学AI（AI4S，AI for Science）——让机器“发现”
DeepMind的AlphaFold 2解决了困扰生物学五十年的大问题：根据蛋白质的氨基酸序列预测其三维结构。这不仅是一个AI成果，它改写了药物研发和基础生物学的进程。到2022年，该系统已预测了超过2亿种蛋白质结构（2024年，AlphaFold因此获得诺贝尔化学奖）。
这就是AI在科学领域的威力：它不是“替代科学家”，而是把科学家从“手工分析庞大数据”中解放出来，让他们去问更重要的问题。
LLM为什么成了AI的“代言人”
看到这儿你可能会问：既然AI这么丰富，为什么公众眼里“AI = 聊天机器人”？
因为LLM撞上了一个特殊的东西：语言。
语言是人类最通用、最自然的交互界面。你不会用数学公式和人交流，不会用图像标签和人交流，你用句子。而LLM恰好可以接收句子、输出句子。这意味着任何人不需要会写代码、不需要学过数学，都能直接“使用”它。
这是AI史上第一次，人和机器的交互不需要“翻译”。
对比一下：计算机视觉也需要专业背景才能用（你没法“说话”让一个人脸识别系统工作），强化学习训练一个模型要烧几百万美元算力，一个机器人的硬件成本动辄几十万。
而LLM？打开一个网页，打字，回车。零门槛。
这就是为什么LLM成了AI的“代言人”，不是因为它是AI的全部，而是因为它是AI中唯一一个所有人都能直接触碰到的形态。
这也意味着一个巨大的认知风险：你最容易接触到的那个AI，恰恰是AI家族里最“擅长表演”的一个。 它能流畅地说话，不代表它能准确地思考。它能自信地输出结论，不代表它真正“知道”那个结论。
这一点，我们下一章会展开。
三个你从此要记住的概念
在结束这一章之前，有三个概念需要记住。
Token——AI的“字”
你说话的时候，AI不是“听”，是把你的话切成一小块一小块的符号单元。这个单元就是Token。
- 中文大约1.5个字一个Token：“人工智能”约等于2个Token
- 英文大约4个字母或1个单词一个Token：“artificial”约等于2.5个Token
- 标点符号、换行、空格也可能各占一个Token
为什么要切分？因为大模型的底层（神经网络）只能处理数字，不能处理文字。Tokenizer（分词器）做的就是“把人类文字映射成数字”这件事。
更重要的是：Token不仅决定了AI“读”你的方式，也决定了AI“写”给你的成本。 每次你和AI对话，你输入的内容和你收到的内容，都按Token计费（如果你用付费版的话）。
所以你会看到“中文对话可能比英文对话贵”，就是因为有些AI对话产品会先将中文翻译成英文，翻译的过程是额外的开销。而国产大模型（如DeepSeek）会直接使用中文字词作为Token单位，没有翻译这一步，因此在中文对话场景下，不仅成本更低，而且速度更快、语义保留更完整。相比之下，依赖翻译路径的模型，除了多一层Token开销，还可能因为翻译误差丢失原意，尤其是中文里的成语、俗语、双关语。
上下文窗口——AI的“短期记忆”
AI能“记住”多少对话？取决于它的上下文窗口，也就是前面说到用于计算概率的输入条件。
你可以把上下文窗口想象成一个黑板。你和AI的每一次对话，都写在这个黑板上。黑板的大小有限，可能是32K Token（大约2-3万字中文），也可能是200K Token（大约15万字中文）。
当黑板写满了，最前面的内容就会被擦掉。所以：
- 如果你和AI聊了很久，它“忘了”开头你说过的话，不是不尊重你，是黑板满了
- 如果你把一整本书扔进去，AI可能“没看到”中间的某段，因为那段被挤出窗口了
- 上下文窗口的位置也很重要，因为通常越靠近首尾的内容，AI“注意”得越多
推理——AI的“思考”
当我们说AI“推理”时，我们在说的不是人类的逻辑思考。
AI的“推理”是：把输入Token跑一遍神经网络，在每一层做矩阵乘法+非线性变换，最终输出一个新的Token。这个Token被加回输入，再跑一遍。如此循环，直到生成结束。
所以AI的“推理”更像是一台巨大的函数机器：输入一串数字，输出一串数字。只不过这台函数机器有几千亿个参数（可以理解为“旋钮”），旋钮调整得当，它输出的数字序列恰好对应一段有逻辑的话。
但这不意味着它“理解”了逻辑。它只是在大规模训练中学到了“当人们讨论逻辑时，他们通常这样说话”。
本章小结
AI是一个巨大的家族。大语言模型只是这个家族里最能说会道的那个孩子，它因为“语言”这个通用界面，成了全家的门面，但这不意味着它就是全家。
计算机视觉、语音技术、强化学习、具身智能、科学AI……它们和LLM共享一些底层技术（都在深度学习这个大框架下），但各自解决完全不同的问题。
认清这个格局的价值在于：
- 你不会高估LLM。 它能写论文不代表它能写很好。
- 你不会低估LLM。 当LLM搭配上工具、记忆和验证（后面几章会讲），它可以从“只会说话”变成“会做事”，甚至做的比人还好。
- 你不会把“AI”这个词用成一个模糊的黑箱。 下次有人说“AI很危险”，你可以追问：你具体说的是哪种AI？
自查清单
在进入下一章之前，检查一下：
- 我能说出AI、机器学习、深度学习、大语言模型这四个概念的包含关系
- 我能举出至少三个“非LLM的AI应用”（比如：人脸识别、语音转文字、围棋AI、蛋白质预测）
- 我理解为什么LLM成了AI的代言人（语言是通用界面+零使用门槛）
- 我能用一句话解释Token是什么
- 我理解LLM为什么会遗忘
- 我知道LLM实际上是计算概率
参考链接
- Alex Krizhevsky, Ilya Sutskever & Geoffrey Hinton, "ImageNet Classification with Deep Convolutional Neural Networks", NeurIPS 2012. https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks
- Alec Radford et al., "Improving Language Understanding by Generative Pre-Training", OpenAI, 2018.
- OpenAI, "GPT-4 Technical Report", arXiv:2303.08774, 2023. https://arxiv.org/abs/2303.08774
- AlphaFold 2 获2024年诺贝尔化学奖, https://www.nobelprize.org/prizes/chemistry/2024/press-release/
- 机器学习（周志华）, 清华大学出版社
- 动手学深度学习（李沐等）, 人民邮电出版社, https://zh.d2l.ai/
理解了AI的版图，下一个问题是：既然LLM能说会道，为什么它总是曲解你的意思？我们要钻进概率引擎里面去看一看。
