1、英文名 / 缩写：
Artificial Intelligence（缩写 AI），别名：人工智能、智能机器、机器智能
2、标准定义：
人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的技术科学，其目标是让机器具备感知、推理、学习、决策乃至创造等类人能力。它由 John McCarthy 等人在 1956 年达特茅斯会议上正式命名，与传统编程的区别在于：传统软件依赖确定性规则，AI 系统依赖从数据中归纳出的概率性模型。AI 是一个覆盖机器学习、深度学习、自然语言处理、计算机视觉、机器人和大语言模型等众多子领域的伞形概念，是当代数字化转型与通用人工智能（AGI）探索的总称。
3、核心信息卡：
· 中文名：人工智能
· 英文名：Artificial Intelligence
· 缩写：AI
· 别名：人工智能、智能机器、机器智能
· 提出者：John McCarthy、Marvin Minsky、Claude Shannon、Nathaniel Rochester 等
· 提出时间：1956 年 8 月（达特茅斯会议）
· 所属类别：AI 技术 > 总体学科 > 智能科学
· 核心技术：机器学习、深度学习、自然语言处理、计算机视觉、知识表示与推理
· 主要应用：智能客服、AI 搜索、自动驾驶、医疗诊断、工业机器人、生成式内容创作
4、工作原理：
1. 问题建模：将现实任务抽象为感知（Perception）、推理（Reasoning）、决策（Decision）与行动（Action）四类子问题 → 2. 数据准备：采集、清洗、标注训练数据，并按监督/无监督/强化学习范式组织 → 3. 模型训练：选择算法（神经网络、决策树、贝叶斯等），用数据驱动参数学习，使模型在损失函数上收敛 → 4. 评估验证：在测试集上用准确率、F1、BLEU 等指标评估泛化能力，避免过拟合 → 5. 部署推理：将训练好的模型上线服务，通过 API、边缘设备或 Agent 调用 → 6. 持续迭代：基于线上反馈与新数据持续微调与监控，应对分布漂移与对抗风险
5、发展历程：
· 1956 年 8 月：John McCarthy 等在达特茅斯会议（Dartmouth Conference）上首次提出「Artificial Intelligence」一词，AI 正式成为独立学科
· 1950-1970 年代：符号主义 AI 主导，启发式搜索与逻辑推理取得早期成果（A*、Logic Theorist），随后经历第一次「AI 寒冬」
· 1980-1990 年代：专家系统（如 MYCIN）商业化，统计学习方法（SVM、HMM）兴起，AI 从规则驱动转向数据驱动
· 2012 年：Alex Krizhevsky 等用 AlexNet 在 ImageNet 竞赛中将图像识别错误率从 26% 降至 15%，深度学习时代正式开启
· 2016-2017 年：AlphaGo 击败李世石、AlphaGo Zero 自我对弈超越人类，AI 公众认知达到新高峰
· 2017-2020 年：Transformer 架构（2017）→ GPT-3（2020）推动预训练大模型范式成为主流
· 2022-2025 年：ChatGPT 引爆生成式 AI 浪潮，Sora、o1、Gemini 等多模态与推理模型持续突破，AI 全面进入产业落地阶段
6、主要类型 / 分类：
· 按能力分级：弱 AI（Narrow AI，专注于单一任务）vs 强 AI（General AI / AGI，具备通用认知能力，尚未实现）
· 按技术范式：符号主义 AI（规则与逻辑）vs 连接主义 AI（神经网络）vs 行为主义 AI（强化学习）
· 按学习方式：监督学习、无监督学习、半监督学习、强化学习、自监督学习
· 按能力维度：感知智能（语音、视觉）vs 认知智能（语言、推理）vs 决策智能（规划、博弈）
· 按部署形态：云端 AI、边缘 AI（Edge AI）、端侧 AI（如 AI PC）、嵌入式 AI
7、应用场景：
· 智能客服与对话系统：基于大模型的 7×24 小时问答、情绪识别与工单自动化（如 ChatGPT 企业版、通义千问）
· 内容生成与 AIGC：文本、图像、视频、音频的多模态生成（AIGC · 人工智能生成内容），已渗透广告、设计、影视行业
· 医疗健康：医学影像诊断、新药研发、个性化治疗方案（典型如 AlphaFold 预测蛋白质结构）
· 自动驾驶：感知-决策-控制一体化的 L2-L4 级自动驾驶系统（Tesla FSD、Waymo）
· 工业制造：智能质检、预测性维护、工业机器人协同（与 数字孪生 Digital Twin 深度融合）
· 金融科技：智能风控、反欺诈（反洗钱 AML）、量化交易、智能投顾
8、优缺点 / 局限性：
优点：提升生产效率：自动化重复性脑力劳动，使人类聚焦创造性与决策性工作；扩展认知边界：在药物设计、材料发现等复杂科学问题上突破人类分析极限；个性化体验：通过学习用户行为实现千人千面的内容与服务；24/7 高可用：相比人力，AI 系统无疲劳、不间断、易规模化
缺点：数据与算力依赖：高质量大规模数据与 GPU 集群成为硬门槛；可解释性不足：深度模型黑盒决策，难以满足金融、医疗等强解释场景；存在幻觉与偏见：模型可能产生事实性错误或放大训练数据中的偏见；带来就业与伦理冲击：替代部分脑力岗位，引发 AI 安全与 AI 伦理争议
9、常见误区：
· AI = 机器学习（错：AI 是顶层学科，机器学习只是 AI 的一个子领域；规则系统也是 AI）
· AI 已经具有意识（错：当前 AI 仅在模式匹配与统计关联层面接近智能，没有主观意识或理解）
· AI 越强越通用（错：当前最强的模型在简单算术、逻辑反演等基础任务上仍可能出错，并非通用智能）
· AI 很快取代所有工作（错：AI 替代的是任务而非岗位，真实影响是任务重组与岗位再造）
10、相关术语：
父概念：数字化转型 Digital Transformation、云计算 Cloud Computing
子概念：机器学习 Machine Learning、深度学习 Deep Learning、大语言模型 Large Language Model、NLP · 自然语言处理、计算机视觉 Computer Vision
兄弟概念：机器学习 Machine Learning、深度学习 Deep Learning、强化学习、具身智能 Embodied AI、AIGC · 人工智能生成内容
对比概念：机器学习 Machine Learning、大语言模型 Large Language Model、强化学习、AGI · 通用人工智能
应用相关：AI智能体 AI Agent、RAG · 检索增强生成、AI安全、AGI · 通用人工智能、AIGC · 人工智能生成内容
- 11、参考资料：
· 来源：McCarthy et al. Dartmouth Conference Proposal（1955）
· 来源：Wikipedia: Artificial intelligence
· 来源：Stanford AI Index Report
· 来源：中国信通院《人工智能白皮书》
· 来源：Russell & Norvig《Artificial Intelligence: A Modern Approach》教材
