人工智能是如何工作的？
人工智能通过从经验（数据）中学习来工作，就像人类通过经验学习一样。通过训练过程，机器逐渐从样本数据中归纳知识并形成模型以供后续应用。
人工智能（AI）正越来越多地出现在我们的日常生活中，从Netflix推荐的电影到Waymo等公司的自动驾驶汽车。你是否曾好奇人工智能是如何工作的？每一个智能应用背后都有一个让机器从数据中学习并做出决策的过程。
本文将探讨一个易于理解的人工智能工作原理，特别聚焦于现代人工智能核心的机器学习系统。
人工智能基于数据“学习”并做出决策
从本质上讲，人工智能通过数据学习来运作。人工智能系统（尤其是使用机器学习的系统）并非为每种情况编写固定规则，而是提供了大量数据，并自动发现数据中的模式或隐藏规则。
随后，它们利用所学知识在遇到新数据时进行预测或决策。这一过程类似于人类学习：我们观察大量实例，得出结论，然后将经验应用于新情境。
在训练过程中，系统逐步调整内部参数以提升准确率。最终，人工智能形成了一个模型，能够识别图片是猫还是狗。当给出一张新的（未见过的）图片时，模型会基于所学知识预测其类别。如果预测错误，人工智能可以通过数学算法进行微调，以提高下次的准确度。
人工智能学习过程的四个关键步骤
简单来说，人工智能的学习和运作过程通常包括以下关键步骤：
数据收集（输入）
首先，人工智能需要输入数据进行学习。数据形式多样：数字、文本、图像、音频等，通常需要精心收集和准备。例如，要训练人工智能识别猫，你需要收集数万张猫和非猫的图片并进行标注。
模型训练（学习/训练）
接下来是机器从数据中学习的阶段。输入数据被送入学习算法（机器学习算法），该算法寻找数据中的模式或关联，并逐步调整内部参数以拟合数据。
以人工神经网络（深度学习中常用）为例，训练即通过多次迭代调整神经元之间连接的权重。人工智能不断尝试对训练数据进行预测，并根据预测结果与实际结果的差异进行自我纠正（神经网络中称为反向传播）。
预测/结果生成（推理）
训练完成后，人工智能拥有了一个训练好的模型。当接收到新的输入数据（之前未见过）时，人工智能可以应用所学模型进行预测或决策。
- 一个区分猫狗的模型可以查看新照片并预测“这是只猫”，并给出一定置信度
- 基于银行交易数据训练的人工智能可以预测哪些新交易是欺诈行为
- 基于医疗数据训练的模型可以为新患者提供诊断建议
这一阶段称为推理——人工智能将所学知识应用于实际情境。
反馈与改进
人工智能（尤其是机器学习系统）的一个重要特性是能够随着时间自我改进。如果人工智能产生结果并收到关于准确性的反馈（例如人类指出预测是否正确），它可以调整模型以更好地拟合数据。
回到猫狗分类的例子：如果模型误判了一些情况（如将狗误判为猫），工程师可以添加更多难以区分的样本数据，或调整模型结构/超参数，使人工智能学得更好。通过持续更新，人工智能的准确度和智能水平会不断提升。
人工智能系统通过结合三大能力运作：从数据学习、应用逻辑推断结果以及从错误中自我纠正。在学习阶段，人工智能从数据中收集并提取信息（形成“知识”）。在推理阶段，人工智能利用所学知识处理新情境并产生结果。通过自我纠正，人工智能不断优化运作以提升准确性。
— 人工智能核心运作原理
这种学习、推理与自我调整的结合构成了现代人工智能系统的强大动力。
一个简单示例说明人工智能如何工作
让我们通过一个现实案例更好地说明上述过程：一个自动回复消息的人工智能聊天机器人。假设你想构建一个支持客户并能自然回答越南语问题的聊天机器人。
数据收集
聊天机器人训练
用户响应
持续改进
该示例清晰展示了实用人工智能如何“学习”与运作：从过去数据学习以应用于未来情境。无论是猫狗分类还是客户问答，基本原理是一致的。
生成式人工智能是如何工作的？
近期人工智能的一个突出趋势是生成式人工智能——能够创造全新内容的人工智能系统，如文本、图像或音频。那么生成式人工智能是如何工作的？它与传统人工智能有何不同？
分类与预测
- 识别模式
- 进行预测
- 分类数据
- 从已有选项中选择
内容创作
- 创造新内容
- 生成文本、图像、音频
- 结合学习到的模式
- 产出原创作品
实际上，生成式人工智能同样基于海量数据的深度学习，但模型训练目标不仅是预测或分类，而是基于所学模式生成新的输出。
大型语言模型
以ChatGPT这类大型语言模型为例：该模型在数十亿字的文本（书籍、文章、网站）上训练，学习词语和句子之间的关系。
- 拥有数百亿参数
- 预测序列中的下一个词
- 生成流畅且有上下文的回答
人工智能艺术生成器
像Midjourney和DALL-E这样的人工智能艺术生成器，通过深度学习图像“语言”，按需构建新的视觉作品。
- 基础模型在海量数据集上训练
- 采用Transformer架构
- 实现创意内容生成
使用时，ChatGPT不再回复预存答案，而是基于学习到的概率逐词选择，创造新的回答。结果是流畅的文本，反映训练数据的语言风格，但内容全新。
这使得ChatGPT或Midjourney等程序能够基于所学知识生成新内容（文本、图像、音乐等），而非仅仅选择已有答案。
生成式人工智能的特别之处在于它不仅识别或分析，还能在一定程度上进行创造。当然，这种创造基于人工智能所学——它结合并转化所见模式以创造新事物。但结果丰富多样，使生成式人工智能成为内容创作、设计、娱乐等领域的强大工具。
— 生成式人工智能的力量
关键要点总结
总之，人工智能通过经验（数据）学习来工作，就像人类通过经验学习一样。通过训练，机器逐渐从样本数据中归纳知识并形成模型以供后续应用。
模式发现
人工智能发现数据中的隐藏模式，以有效解决问题
持续学习
系统通过反复试错不断提升性能
实际应用
涵盖从图像识别到自动文本生成及艺术创作
尽管底层算法多样——从简单的决策树到拥有数十亿参数的深度神经网络——人工智能的共同目标是发现隐藏模式，帮助解决问题。得益于海量数据和强大计算能力，人工智能已取得显著成果，从精准的图像和语音识别，到能够自动撰写文本和创作艺术。
关注INVIAI，掌握最新人工智能知识！
