没有一项普遍适用的测试可以判定某个软件是否属于“AI”。这一标签会随技术、历史和法律背景而变化。与其问机器是否像人一样思考，不如问：系统如何将输入转化为输出，这一输出会带来什么，以及目标由谁选择。

一个有用的思维模型

你可以将 AI 系统理解为五个相互连接的部分：

  1. 目标： 系统应帮助产生什么结果？
  2. 输入： 系统接收什么信息？
  3. 方法： 系统如何根据输入得出输出？
  4. 输出： 它生成的是预测、内容、推荐还是决策？
  5. 后果： 人、软件或机器如何使用这一输出？

方法只是系统的一部分。它可能是一组编码规则、一个AI 模型（由示例构建），或是多个协同工作的组件。目标、数据、阈值、界面和人工监督都会影响结果。

Objective and design choices
             │
             ▼
Input ──▶ AI method or model ──▶ Output ──▶ Decision or action ──▶ Effect
             ▲
             │
      Rules, examples,
     feedback, constraints

这张图还说明了为什么 AI 模型与 AI 产品不是一回事。模型可以返回分数或生成文本，而周围的系统决定何时调用模型、向它提供什么信息、是否接受其输出，以及采取什么行动。

AI 如何工作

AI 系统从一项任务和对有用结果的某种定义开始。这一定义可能是明确的，例如尽量减少错误的欺诈提醒；也可能部分隐含在示例、反馈或设计选择中。

然后，系统会将相关输入表示为其方法能够处理的形式。图像识别器接收像素值；路线规划器接收位置和道路信息；语言系统接收编码后的文本。这种表示会保留某些细节并舍弃其他细节，因此它本身已经影响了系统能够做什么。

该方法将输入映射为输出。在基于规则的系统中，人们会编码知识和逻辑关系。在机器学习中，训练过程会调整模型，使示例中的模式帮助模型处理新的输入。许多实际系统会将学习得到的模型与规则、搜索、数据库和人工决策结合起来。

部署后的模型处理新输入时，执行的是推理。其结果可能是一个类别、数值分数、生成的段落或建议采取的行动。随后，另一个层可以在改变现实世界中的任何事物之前，应用业务规则、安全检查或人工审核。

最后，系统必须在实际使用环境中接受评估。对于一个目标有用的输出，对另一个目标可能有害。医疗建议和电影推荐所需的证据、审核或错误容忍度并不相同。测试中的性能也无法保证部署后输入、人员或条件会保持不变。

一个具体例子

设想有一项电子邮件服务，目标是在阻止垃圾邮件进入收件箱的同时，不隐藏正常邮件。

其目标并不只是“拦截垃圾邮件”，而是在拦截不需要的邮件的同时限制误报——即把真实邮件错误标记为垃圾邮件。

其输入是一封收到的邮件，以及服务可获得的相关信号，例如邮件正文、发件人信息、链接和附件属性。

其方法可能包括一个从过往已标注邮件中学习模式的模型，也可能包括针对已知恶意发件人或不安全文件类型的固定规则。

假设模型为某封邮件给出的垃圾邮件分数是0.94。这个数字就是输出。它并不是关于该邮件的事实，也不一定是经过良好校准的概率。

该服务选择了0.90作为将邮件移入垃圾邮件文件夹的阈值。由于0.94高于该阈值，周围的软件便采取了这一行动。其影响是你不会在收件箱中看到这封邮件。

现在只将阈值从0.90改为0.95。相同的模型输出不再会移动这封邮件。尽管模型没有改变，产品的行为却不同了。

这就是关键区别：AI 组件根据输入得出了一个分数，而人和传统软件决定了这个分数将如何影响你。诸如“不是垃圾邮件”这样的反馈可以保存下来，用于之后的更新，但你点击它的瞬间，系统不一定会立即重写自身。

为什么 AI 很重要

当人们能够预先明确规定每一种重要情况时，普通软件非常出色。当输入变化太大、相关模式难以写成完整指令，或系统必须在不确定的结果中进行选择时，AI 方法就会发挥作用。

因此，AI 适用于语音识别、搜索结果排序、异常交易检测、商品推荐、路线规划和媒体生成等任务。这些任务看起来各不相同，但都可以描述为：系统为了某个目标，根据输入得出输出。

同样的灵活性也会带来风险。AI 系统可能重复本不应重复的模式，在不熟悉的输入上失败，或优化一个可测量但与人们实际需求不一致的目标。其输出还可能以某种规模或在某种环境中使用，从而改变错误造成的伤害。只评估模型本身，会忽略这些系统层面的选择。

常见误解

AI 就是聊天机器人或大语言模型

聊天机器人是产品界面，而大语言模型是一类模型。AI 是更大的领域，还包括感知、规划、预测、控制、推荐以及其他任务的系统。

AI 和机器学习是一回事

机器学习是 AI 中的一种主要方法，而不是 AI 的同义词。AI 领域还有逻辑、搜索、规划和基于知识的方法等悠久历史。现代产品通常会结合多种方法。

AI 必须像人一样思考

将某个系统称为 AI，并不能证明它具有意识、自我意识，或以人类方式进行推理。定义通常关注能力或行为。一个系统可能极其擅长某项任务，却在许多人觉得容易的事情上屡屡失败。

AI 会自动从每次交互中学习

有些系统会在部署后适应变化，但许多系统不会。部署后的模型通常会保持不变，直到开发人员收集数据、评估新版本并发布更新。保存反馈与从反馈中学习是两个独立的步骤。

AI 使用数学，所以是客观的

人们会选择目标、示例、标签、度量指标、阈值和部署规则。这些选择可能编码不完整的假设或相互冲突的价值观。数学使方法形式化，但不会消除判断。

任何自动化都是 AI

将一个字段中的值复制到另一个字段的固定脚本属于自动化，但很少有定义会将其称为 AI。更复杂的情况存在争议。历史上的 AI 包括基于规则的专家系统，而当前的政策定义通常要求系统能够进行超越基本规则执行的推理，而不是仅执行由人们完全规定的规则。因此，是否使用 AI 这一标签，可能取决于这种区分为何重要。

AI 如何融入更广泛的系统

AI 是一组相关术语中最宽泛的概念。

这些类别并不是从“较不智能”到“更智能”的阶梯。它们描述的是不同的方法、组件、输出和系统设计。

接下来阅读什么

阅读什么是机器学习？，了解现代 AI 背后的主要方法。然后阅读什么是 AI 模型？，将模型与使用它的更大系统区分开来。如果你对创建文本、图像、音频或视频的系统感兴趣，请继续阅读什么是生成式 AI？。