人工智能是如何工作的？

阅读约 7 分钟

人工智能 (AI) 是一种模拟人类智能执行任务的技术，并且能够根据其收集的信息不断自我改进 [1]。简单来说，我们使机器能够以类似于人类智能的方式进行思考、学习和解决问题。

人工智能工作的基本原理

人工智能利用数据、算法和数学模型来发现模式，并生成预测、分类、决策或新内容 [2]。现代人工智能系统能够从示例中学习模式，而不是手动为每种可能的情况进行编程 [2]。

其核心思想是通过提供海量信息或“数据”来“训练”人工智能，它会对这些大数据进行分析，以寻找其中隐藏的模式和关系。基于这些模式，它会构建一个内部的“模型”，然后使用该模型在面对从未见过的新信息时做出预测或决策 [3]。

人工智能在海量的原始且未分类的数据（文本、图像、视频）上训练大规模基础模型，从而形成一个包含数十亿参数的神经网络，这些参数代表了数据中的模式和关系 [4]。基础模型可以通过根据提示词（prompts）调整所需的输出格式，被用于多种应用以提供正确且合适的回答 [4]。

机器学习与深度学习的区别

机器学习和深度学习是两个密切相关的领域，可以说深度学习是机器学习的一个先进子集。

机器学习 (Machine Learning)

这是一个更广泛的技术集合，允许系统从数据中学习并做出决策，而无需为每个任务进行显式编程。模型会被提供大量数据，人类工程师通常需要通过一个称为“特征工程”的过程来“告知”模型这些数据中哪些特征是重要的。模型使用统计算法来寻找模式和关系。

机器学习在较小的数据集上也能运行良好，被用于推荐系统、垃圾邮件检测和房价预测等应用。

深度学习 (Deep Learning)

它是机器学习的一种特殊类型，使用“深度神经网络”，这是一种受人类大脑工作方式启发而构建的结构。模型直接接收原始数据而无需指定特征，具有多层结构的深度神经网络会自动学习数据中不同且复杂的特征。

深度学习通常需要海量数据和强大的计算能力，在图像和声音识别、自然语言处理以及自动驾驶汽车等复杂任务中表现卓越。

神经网络如何从数据中学习？

神经网络的学习方式类似于人类通过试错进行学习，但规模更大且速度极快。

学习阶段

1. 随机开始： 在训练开始时，网络的“权重”和“偏置”完全是随机的，这意味着它最初一无所知，并且会给出错误的预测。

2. 前向传播（预测）： 数据通过神经网络的各层。每个“神经元”处理输入，将其乘以权重，加上偏置，然后将结果传递给接下来的神经元。最终，网络输出一个“预测”。

3. 计算误差： 我们将网络的预测与正确答案进行比较，并计算“损失”（Loss）的大小。预测值与真实值相差越大，误差就越大。

4. 反向传播 (Backpropagation)： 我们将误差信号从最终层向之前的层反向发送，以确定每个权重对该误差的贡献程度。

5. 调整权重： 根据反向传播的结果，网络使用诸如“梯度下降”（Gradient Descent）等优化算法来调整其权重和偏置，旨在减少下一次的误差。

6. 迭代： 这一过程使用不同的数据重复数千或数百万次，直到权重变得更加精确，网络的误差逐渐减少。

大语言模型及其文本生成方式

大语言模型 (LLMs) 是一种高级的深度学习模型，专门设计用于理解和生成人类语言。其“大”体现在训练数据的量（可能达到万亿个词）以及包含的参数 (Parameters) 数量（数十亿或数万亿个）。

文本生成机制

生成文本的基本方法是反复进行预测下一个词（或“标记” - token）：

1. 输入： 从向模型提供一个“提示词”或“上下文”开始。

2. 分词（Tokenization）： 模型将单词转换为其作为数字处理的“标记”（tokens）。

3. 预测下一个标记： 模型通过其神经网络处理这些标记，并计算每个可能标记作为下一个最合理标记的概率。

4. 选择： 模型并不总是选择概率最高的词。这里有不同的技术：

• 贪婪搜索（Greedy Search）： 始终选择概率最高的标记。
• 采样（Sampling）： 根据概率随机选择。
• 温度 (Temperature)： 控制随机程度；低温度使模型更谨慎，高温度则使其更具创造力。

5. 迭代： 一旦选择了下一个标记，它将被添加到序列中，然后重复该过程以预测随后的标记。

6. 停止： 该过程一直持续到出现表示结束的标点符号或特殊的停止标记。

模型会获得人类关于输出准确性或适用性的评价，这有助于通过所谓的基于人类反馈的强化学习 (RLHF) [4] 来提高模型性能并引导其产生更好的输出。

人工智能的局限性与风险

基本局限性

• 不具备意识或真正的理解： 它不像人类那样理解世界，也没有情感或自我意识。
• 完全依赖数据： 其质量反映了训练数据的质量和数量。
• 缺乏常识： 在推断对人类而言显而易见的事情时可能会遇到困难。
• 难以处理新情况： 在与训练数据相似的任务中表现出色。
• “黑盒”问题： 难以理解模型为何做出某个特定的决定。

幻觉 (Hallucination) 风险

当人工智能生成看似合理但完全错误或缺乏事实支撑的信息时，就会发生“幻觉”。其原因包括：

• 概率训练： 模型基于统计数据预测下一个词，而在语言上概率最高的词在事实上可能是不正确的。
• 生成响应的压力： 模型被设计为产出文本，因此它可能会倾向于“编造”答案，而不是承认不知道。
• 数据不一致： 从训练数据中学习到了矛盾之处。

偏见（Bias）风险

当模型对特定群体表现出不公平的预判时，就会出现偏见。这主要源于：

• 训练数据中的偏见： 如果数据反映了社会的偏见或代表性不足
• 算法设计中的偏见： 源于参数的设定方式
• 人类交互中的偏见： 从用户的交互中习得偏见

对未来就业与教育的影响

就业

• 常规任务自动化： 人工智能系统将在重复性和基于规则的任务中取代人类
• 创造新岗位： 出现如人工智能工程师、伦理专家和提示词工程师（Prompt Engineers）等职位
• 职能转型与增强： 人工智能将成为提高生产力的辅助工具，人类将“与”人工智能协作
• 对新技能的需求： 批判性思维、创造力、情感智能和协作能力

教育

• 课程变革： 整合数据科学、机器学习和人工智能伦理学
• 个性化学习： 分析学生表现并根据个体需求提供定制化材料
• 侧重独特的人类技能： 创造力、批判性思维和协作
• 终身学习： 持续学习和技能重塑的必要性
• 提高可访问性： 提供翻译、文本转语音及材料适配工具

总结

人工智能是通过从数据中学习，以执行通常需要人类智能的任务（如语音理解、图像识别、翻译和预测）的软件 [3]。它通过三个基本步骤运行：收集大量样本，随后训练一个通过调整内部数百万个数值以减少误差的数学模型，最后将其应用于此前未见的新数据 [3]。

尽管能力强大，人工智能仍然是一个强有力但并不完美的工具。了解其局限性，特别是幻觉（Hallucinations）和偏见的风险，对于负责任地使用它至关重要。研究人员正在不断努力解决这些问题，并提高人工智能系统的透明度、公平性和可靠性。

未来将不是人工智能取代人类，而是属于那些能与之协作的人——他们既拥有创造力、批判性思维和情感智能等独特的人类技能，又具备持续学习和适应快速变化的能力。