人工智能与机器学习：概念、训练与工作机会

阅读目标

读完本页，你将能够：理解人工智能是什么，以及它与传统计算的差别；识别并比较主要 AI 技术；认识常见产品和行业里的 AI 应用；分辨真正的 AI 能力与营销宣传；在自己的工作中寻找适合使用 AI 的机会。

本页先呈现知识正文，再保留四段配套视频的完整中文文字稿。它们有内容重叠，也有各自独有的例子，可以选择先读正文，再顺着文字稿听懂讲解。

一、人工智能入门

什么是人工智能

人工智能（Artificial Intelligence，AI）指能够执行通常与人类思考相关任务的计算机系统，例如识别模式、理解语言、作出决策，以及从经验中学习。

它与传统计算有什么区别

两种方法的根本差别，在于问题如何得到解决。这也决定了它们分别适合哪些挑战。

这里有五个核心概念：

• 数据（Data）：系统用来学习的原始信息，包括图像、文字、声音和数字。
• 算法（Algorithm）：处理数据所用的指令或数学过程。
• 模型（Model）：用来表示系统所学内容的统计结构。
• 训练（Training）：调整内部参数、建立模型的过程。
• 推断（Inference）：用训练好的模型，对新数据作出预测或判断。

核心要点是：机器学习系统从数据里学习模式，再把模式用于新的情境。

译注：本页把学习型 AI 与手写规则作对比，是为了介绍机器学习。AI 的范围更广，也包含基于规则和知识表示的系统；“能学习”并不是所有 AI 的必要定义。已经部署的模型通常也不会因为多看一次输入就自动更新，需要相应训练或更新机制。

查看图解文字说明

上方训练路径把历史样本交给模型，比较预测与目标，再通过优化更新参数。下方推理路径把新订单输入保存的模型，得到预测；使用次数增加不表示参数自动学习。

二、主要的 AI 技术

机器学习

机器学习让系统从数据中改善表现，而不是为每种情况都编写明确规则。这里先介绍两种主要学习方式。

监督学习使用带标签的数据，也就是已经给出正确答案的例子。模型学习怎样预测新数据的标签。垃圾邮件过滤、信用评分和疾病诊断是常见例子。可以把它想象为在有人及时反馈的情况下学习。

无监督学习使用没有标签、没有预设类别的数据。系统自行寻找隐藏模式或分组，例如客户细分和某些异常检测任务。它更像在没有向导的情况下探索一座陌生城市。

神经网络

神经网络是一类受到人脑结构启发的机器学习模型。它的基本结构包括：

• 输入层：接收原始数据。
• 隐藏层：处理信息。
• 输出层：给出最终预测或判断。
• 权重：决定节点之间相互影响程度的数值。

对传统编程或较简单的机器学习方法难以解决的复杂模式识别问题，神经网络往往有用。

自然语言处理

自然语言处理（Natural Language Processing，NLP）让计算机能够处理、解释和生成人类语言。常见应用包括：

• 邮件分类：把邮件分到不同类别。
• 情感分析：判断文字表达了正面、负面还是中性的态度。
• 语言翻译：在保留含义的同时转换语言。
• 聊天机器人和虚拟助手：理解问题并生成有帮助的回答。

计算机视觉

计算机视觉让机器能够从图像和视频中提取并解释视觉信息。它可用于安防中的人脸识别、自动驾驶的物体检测、医学影像分析，以及制造业的质量检查。

这类系统将图像表示为像素，并通过分析模式、形状、颜色和边缘来处理视觉内容。

查看图解文字说明

AI 是更大的领域；机器学习从数据拟合模型，深度学习使用多层神经网络。符号与规则方法不必属于机器学习。语言、视觉、推荐等任务可以采用或组合不同方法。

三、日常生活中的 AI

AI 已经融入许多常见产品和服务。

不同行业的应用

医疗健康：从医学图像辅助诊断疾病、远程监测患者、药物发现、提供个性化治疗建议。

金融：欺诈检测、算法交易、信用风险评估、个性化财务建议。

零售：库存管理、需求预测、个性化营销、视觉搜索。

制造：质量控制、预测性维护、供应链优化、机器人引导。

客户服务：用聊天机器人处理常见咨询，分析客户反馈的情绪，分配电话并确定优先级，预测客户行为。

AI 如何改善使用体验

个性化使内容和体验更符合个人偏好；自动化处理重复任务，为人留出更多创造性工作的时间；增强搜索尝试理解意图，而不只是匹配关键词；语音界面、图像描述和实时翻译则能改善无障碍使用。

译注：这些是应用方向，不代表每个系统都已在所有场景达到可靠水平。医疗、贷款等会影响个人权益的用途，还需要各自的验证、人工监督和适用条件。

四、寻找适合 AI 的工作机会

分辨实际能力与宣传

在讨论学习型 AI 时，可以观察它是否从数据中学习、能否应对变化和边缘情况，以及能否处理文字、图像等复杂的非结构化数据。不要只看产品是否自称“智能”。

译注：手工编写的对话树与“通过训练得到的决策树模型”是两回事。这里讨论的是前者，不能据此说决策树算法不属于机器学习。

从四类任务里寻找机会

1. 重复而且需要识别模式的任务：文件分类、质量检查、数据录入与核验、报告里的趋势分析。
2. 依赖预测的活动：需求预测、维护排程、风险评估、资源分配。
3. 涉及非结构化数据的任务：邮件分类、客户反馈分析、图像与视频处理、会议录音转写。
4. 需要大规模个性化的任务：客户沟通、产品推荐、学习与发展、内容分发。

决定是否值得做之前，问四个问题

数据够不够？ 原文以数百或数千个例子说明学习需要数据。真正所需数量取决于任务、数据质量、模型以及是否使用预训练模型，不能把这个数量当作统一门槛。

潜在收益是否值得投入？ 优先找有价值的问题：即使只有小幅改进，也能带来明显收益。

有没有所需的能力与资源？ 可以考虑内部能力、无代码平台，或与外部团队合作。

AI 是否适合这个问题？ 有时，基于明确规则的简单自动化更有效率。

知识正文小结

本页用“从数据学习模式”解释机器学习与传统编程的差别，介绍了机器学习、神经网络、自然语言处理和计算机视觉，并把它们连接到日常产品和行业任务。Teachable Machine 等无代码工具让没有编程基础的人也能尝试建立简单模型。寻找机会时，可以从模式识别、预测、非结构化数据和个性化出发，同时检查数据、投入与更简单的替代方法。

视频文字稿一：什么是人工智能

人工智能到底是什么？它与传统计算有什么不同？下面从这些基础问题出发，认识后面会反复用到的概念。AI 正越来越多地进入商业、教育和日常生活，因此需要弄清楚它究竟能做什么，也知道哪些能力不能只凭名字就认定。

说到 AI，我们指的是能执行一些通常与人的思考相关任务的计算机系统，例如识别模式、理解语言，或者从经验中学习。

可以用一个简单的比喻理解：想象你在教一个孩子认猫。你不会先递给他一份判断清单，而是给他看照片，告诉他“这是一只猫”。看过足够多的例子之后，他就能认出没见过的猫。学习型 AI 的做法与此类似：处理数据，从中识别模式。

先明确几个词。数据是 AI 用来学习的原始信息，可以是图像、文字、数字，或其他能用于学习的数字信息。算法是这些系统处理数据和解决问题的方法。在这里，它们不是简单的“如果……那么……”规则，而更像寻找模式、作出预测的一套操作方法。

把数据交给机器学习算法后，算法在这个过程中从数据里学习。学习的结果，就是训练好的模型。它用数学形式表示系统所学到的内容，可以类比为一种内部表征。

用算法处理数据、建立模型的过程叫作训练。训练时，系统会调整参数，使自己更好地完成任务。训练好以后，模型对新的数据作出推断、预测或判断，把学到的模式用于新的情形。

它和传统计算的区别在哪里？传统计算里，人会写出明确指令：“如果出现这个条件，就做这件事。”例如，如果邮件主题里出现“紧急”，就把邮件标成高优先级。计算机严格执行规则，但这个过程本身没有让它学会新的判断方法。

现代机器学习采取另一条路径。人不是先手写全部规则，而是给系统很多例子，例如数千封已经标记为“紧急”或“不紧急”的邮件。系统分析这些例子，寻找模式，形成自己的判别规律。训练完成后，它可以将这些规律用于以前没有见过的新邮件。

这个差别很关键。传统计算接收输入，执行人写好的规则，再产生输出；机器学习则从输入及示例输出中学习规律，再把规律应用于新输入。也就是说，系统从例子中发现规律。

这种做法的力量在于：它可以寻找复杂到人难以明确编程的模式，也有可能应对新的情境。概括地说，这段讲解关注从数据学习、从例子建立模型、再利用模型预测或判断的系统。接下来再看这些系统有哪些主要技术类型，以及如何用于不同行业。

译注：这是学习过程的类比，不表示模型像孩子一样具有人类理解能力；前文关于学习型 AI 范围的说明同样适用。

视频文字稿二：主要技术类型

了解了 AI 的基本含义及其与传统计算的差别，接着看推动现代应用的几类主要技术。

先看机器学习。它让系统通过数据改善表现，而不是完全依赖明确编写的程序。假设要预测房价：系统不是直接套用一个人写死的公式，而是分析数千条历史成交记录，学习房屋特征与价格之间的关系。

这里先介绍两种方式。第一种是监督学习，使用有标签的数据，也就是附有正确答案的例子。做垃圾邮件过滤时，可以提供已经标记为垃圾或正常的邮件。模型学习区分两类邮件的模式，再对新邮件分类。这类似于在有人反馈答案的情况下学习。

第二种是无监督学习。数据没有标签，系统自行发现隐藏模式。做客户细分时，它可能找出偏爱折扣与偏爱高端商品的不同群体，即使人没有提前告诉它这些类别。这有点像没有向导，自己探索一座新城市。

接着看神经网络。这是一类受到人脑启发的模型，由相互连接、分层排列的节点构成，节点也被称作“神经元”。每个节点接收信息、处理信息，再把结果传给下一层。节点之间的连接有权重，决定影响的大小。训练时调整权重，模型就逐渐学到模式。

它的基本结构包括接收原始数据的输入层、处理信息的隐藏层，以及给出预测的输出层。

自然语言处理使计算机能够处理和生成人类语言。Siri、Alexa 一类语音助手会先将语音转换成文字，再解释意图、组织答复。邮件分类、商品评论的情感分析和语言翻译，也都属于这类应用。

最后是计算机视觉，它让机器处理并解释视觉信息。系统可以在图片或视频中检测物体、人物和动作。手机相机对准人脸聚焦，或照片服务建议人物标签时，都可能用到计算机视觉。系统通过模式、形状、颜色和边缘等信息处理画面。

相关用途包括人脸识别、自动驾驶、医学影像分析和制造业质量控制。

不同技术擅长的问题不同。传统机器学习方法常用于结构化数据，神经网络常用于语言和图像等复杂任务。机器学习、神经网络、自然语言处理和计算机视觉，共同支撑了大量现实应用。接下来看看这些技术如何出现在日常产品和不同行业中。

译注：这几项不是互斥分类。神经网络属于机器学习方法，而 NLP 和计算机视觉是应用与研究领域，常常也使用神经网络。

视频文字稿三：AI 在生活与行业中

前面已经认识 AI 及其主要技术。现在看看它们如何出现在每天使用的产品和服务里，又怎样影响不同行业。

AI 往往在后台运行，因此你不一定注意得到。Netflix 的节目建议、Amazon 的商品推荐、Spotify 的播放列表，都使用推荐系统。以视频推荐为例，系统可以分析观看了什么、什么时候看、是否已经看过，以及在哪里暂停等行为，再据此推荐可能让人继续观看的内容。

Siri、Alexa 等语音助手结合了语音识别、自然语言处理和语言生成。你询问天气时，系统需要在口音和背景噪声中辨认词语，理解你关心的是当地天气，再用自然的方式呈现信息。

Google Maps 一类导航应用会分析实时用户数据、历史模式，以及可能影响交通的事件，预测路况并建议路线。手机键盘的输入预测也可能随使用逐步适应写作习惯，改善推荐。

再看行业。医疗健康领域的 AI 可以分析医学图像，辅助疾病诊断，也可用于远程监测、药物发现和个性化治疗建议。文字稿将部分诊断表现描述为可与专业影像人员比较。

金融领域，欺诈检测系统能实时标记可疑交易；算法交易根据市场情况迅速作出决定；贷款评估系统则可能利用更广泛的数据评估信用情况。

零售企业使用 AI 预测需求，改善库存，并按照不同客户的偏好开展个性化营销。

制造领域，质量检查系统可以高速检测缺陷，预测性维护则分析设备数据，在故障发生前寻找征兆。

客户服务中，聊天机器人可以全天候处理常见问题，情感分析工具则监测社交平台与客户反馈，识别满意度变化。

除了具体行业，AI 还会从几个方面改善体验。个性化让内容更符合个人偏好；自动化承担重复工作，为创造性任务释放时间；增强搜索尝试理解意图，而不只匹配关键词；无障碍支持借助语音界面、图像描述和翻译，让更多人能使用技术。

AI 已成为许多数字体验和业务流程的一部分，常在后台改善产品和服务。后续可以借助容易上手的工具，自己尝试创建模型。

译注：关于诊断准确率的表述没有在文字稿中给出具体研究、病种、数据或比较条件，因此不能理解为所有医学 AI 都达到专业人员水平。对具体产品行为的描述是讲解示例，也不替代产品当时的功能和隐私说明。

视频文字稿四：识别真正的机会

下面练习分辨 AI 能力与营销话术，并寻找自己工作里可能有价值的应用。AI 成为流行词后，一些产品即使只有基础自动化，也会声称自己使用 AI。判断具体能力，有助于理解它可能增加什么价值。

在这段以学习型 AI 为重点的讲解中，有三个观察角度。第一，它从数据学习，而不只是执行规则；系统分析数据，并能通过更多示例和相应训练改进。第二，它能否应对变化、边缘情况和不完美输入；传统系统可能在条件改变时失效。第三，它能否处理复杂的非结构化数据，如文字、图像和声音。

用几个例子检查理解。传统计算器遵循固定规则，没有学习过程。Netflix 推荐会分析观看数据，形成个性化建议。客服聊天机器人则要看具体实现：如果只是沿着预设对话树选择答复，就不能因为它能聊天便认定有学习能力。Google Translate 的神经机器翻译从大量语言材料中学习语言之间的对应关系。

在自己的工作中，可以找四类任务。第一是反复识别模式：如果需要不断排序、分类或寻找模式，就可能有自动化空间。例如，模型帮助检查合同，找出指定条款。

第二是涉及许多变量的预测：如果依据历史数据预测未来，机器学习可以纳入比人工通常考虑得更多的变量，尝试改善预测。

第三是非结构化数据处理：如果仍在手工处理文件、邮件、录音或图片，可以探索相关方法。例如，用 NLP 根据内容给支持工单分类。

第四是大规模个性化：如果目前向所有人提供相同内容，但希望因人而异，AI 可能使这种安排更可行。例如，营销团队按兴趣和行为调整内容。

评估时继续问三个实际问题。有足够的数据吗？ 这段文字稿用“数十万示例”描述某些学习需求。潜在收益值得投入吗？ 应优先考虑能为业务带来明显改善的高价值问题。有必要的能力和资源吗？ 可以建设内部能力、使用无代码平台，或寻求外部合作。

还要记住，AI 并不总是合适的解决办法。有时，基础自动化等更简单的方法已经足够，而且效率更高。

至此，你已经初步认识 AI 的含义、主要技术、应用方式，以及寻找工作机会的思路。沿着后面的阅读，还可以进一步了解每类技术和模型如何运作。

译注：这里的“数十万示例”与知识正文的“数百或数千”并不一致，两处都已保留并指出。所需数据量没有一个适用于所有 AI 项目的统一数字；使用预训练模型、微调模型和从头训练模型，条件可能差别很大。

关联阅读

如果你想继续区分“分析内容”和“产生内容”，可以接着读生成式 AI 入门；把这些能力用于工作，则可从机会识别练习开始。

参考与延伸阅读

以下为编辑补充的查询与学习入口，可按需要继续阅读。

• Google：什么是机器学习？（中文）：区分监督学习、无监督学习、强化学习，以及分类和回归。
• Google：神经网络（中文）：继续理解输入、隐藏层与输出之间的关系。
• Google Teachable Machine（交互工具／英文）：用图像、声音或姿态样例体验训练与分类。