读AI繁荣01AI之屋
<p><img alt="读AI繁荣01AI之屋" loading="lazy" src="https://img2024.cnblogs.com/blog/3076680/202508/3076680-20250804164303162-1377895231.png" class="lazyload"></p><h1 id="1ai是驱动第四次工业革命的通用技术">1. AI是驱动第四次工业革命的通用技术</h1>
<p>1.1. AI不仅被用作科学家的实验工具，而且开始广泛渗透到日常生活中，重塑着我们的工作、教育、社交、健康乃至情感体验</p>
<p>1.2. 着眼于构建公平、透明且负责任的AI系统，确保技术进步惠及每一个人，尤其是那些在传统社会结构中常被忽视的群体</p>
<p>1.3. AI不再是遥不可及的科技梦，而是一个切实可行的工具，它已深度渗透到我们生活的方方面面</p>
<p>1.4. AI作为一项通用技术，具有显著提升生产效率、应对全球紧迫挑战的潜力</p>
<ul>
<li>1.4.1. 因其自身的复杂性、无形性，以及关于其能力与风险的诸多误解，AI又与电力、计算机等早期通用技术有着明显的区别</li>
</ul>
<p>1.5. 在技术高速发展的浪潮下，很多人对未来充满了焦虑和不确定感</p>
<ul>
<li>
<p>1.5.1. AI并不是一场灾难，而是一次重大的机遇</p>
</li>
<li>
<p>1.5.2. AI作为强大的信息工具，不仅可以通过优化医疗和教育资源来提升人类的健康水平，还能通过情感智能和人际交互的设计，改善人与人之间的沟通和关系，进而增进社会整体的和谐</p>
</li>
</ul>
<p>1.6. 与其他任何关键技术一样，它兼具利弊</p>
<ul>
<li>1.6.1. 当前，公众讨论大多聚焦于其负面影响</li>
</ul>
<p>1.7. AI已为改善我们的日常生活带来了诸多积极影响，包括降低各类风险，提升社会安全水平</p>
<h1 id="2机器学习驱动的ai">2. 机器学习驱动的AI</h1>
<p>2.1. AI的核心价值在于机器学习</p>
<p>2.2. 在机器学习这一AI分支中，存在描述性分析、预测性分析、因果性分析和规范性分析这四大基础支柱，为不同应用场景提供底层支撑，比如在线约会、现代健康管理应用、电影推荐，以及为求职者搭建职业网络等</p>
<p>2.3. 一个普遍存在的认知误区：人们常常认为机器学习仅与预测有关，而不涉及因果推断或解释性分析，更无须深入探究变化背后的因果机制</p>
<ul>
<li>2.3.1. 因果性分析是AI的重要组成部分</li>
</ul>
<p>2.4. 无监督学习、监督学习、深度学习和强化学习在她们背后默默发挥着作用</p>
<p>2.5. 无监督机器学习算法</p>
<ul>
<li>
<p>2.5.1. 异常检测技术（anomaly detection）</p>
</li>
<li>
<p>2.5.2. 多维相似性（multidimensional similarity）</p>
</li>
<li>
<p>2.5.2.1. 勾股定理</p>
</li>
</ul>
<pre><code>>2.5.2.1.1. 无监督机器学习算法保障日常交易安全的原理，其背后的核心机制竟然源自古希腊数学家毕达哥拉斯的距离公式
</code></pre>
<ul>
<li>2.5.2.2. 在机器学习算法中，如果交易数据之间相似，算法就会忽略这笔交易；但如果差异显著，交易就可能会被拒绝</li>
</ul>
<p>2.6. 监督机器学习（supervised machine learning）</p>
<ul>
<li>
<p>2.6.1. 预测未来疾病的发生是有明确目标的</p>
</li>
<li>
<p>2.6.2. 机器从数据中“学习”的过程受到严格监督，并由其特定目标（基于当前人口统计学特征、基因数据及相关医学指标预测未来疾病）引导</p>
</li>
<li>
<p>2.6.3. 监督机器学习的预测应用已经渗透到各个领域</p>
</li>
<li>
<p>2.6.4. 计算超空间中数据点的距离差异</p>
</li>
<li>
<p>2.6.5. 监督机器学习的典型特征，即通过预设的结果标签来指导模型训</p>
</li>
<li>
<p>2.6.6. 用于自动筛选简历，也应用于影视推荐、约会对象匹配以及商品推送中</p>
</li>
<li>
<p>2.6.7. 既塑造社交平台上的人际关系网络，也生成个性化的运动提醒</p>
</li>
<li>
<p>2.6.8. 既决定数字广告的定向投放策略，也承担着预测人体这台最精密“机器”出现故障风险的重任</p>
</li>
</ul>
<p>2.7. 深度学习</p>
<ul>
<li>
<p>2.7.1. 为解决通过心电图诊断心脏病等复杂难题，我们需借助深度学习技术</p>
</li>
<li>
<p>2.7.2. 作为AI领域蓬勃发展的分支，深度学习擅长处理图像、语音、视频以及多语言文本等富含细节的感知数据</p>
</li>
<li>
<p>2.7.3. 不同于传统模型只能处理表格中的数字，深度学习模型可以直接加工原始形态的复杂信息，比如图像中的像素点、乐曲的声波</p>
</li>
<li>
<p>2.7.4. 如今，深度学习模型已广泛应用于各个领域</p>
</li>
</ul>
<p>2.8. 强化学习</p>
<ul>
<li>
<p>2.8.1. 强化学习的任务是收集艾莉莎在多个数字平台，如YouTube、TikTok、领英、推特（X）、亚马逊、脸书、网飞和Instagram等产生的数据，比如观看某条视频的时长，分析她的行为情境，然后根据她的历史记录和兴趣偏好，推送精心搭配的内容组合与定向广告</p>
</li>
<li>
<p>2.8.2. 其核心逻辑在于实现探索与利用的平衡</p>
</li>
<li>
<p>2.8.3. 鉴于算法决策公平性的重大意义，以及“探索-利用”策略在丰富人类生活体验方面的广泛应用，强化学习在未来数字生态系统中，必然会扮演更为关键的角色</p>
</li>
</ul>
<h1 id="3ai之屋框架">3. AI之屋框架</h1>
<p>3.1. 2023年9月20日，生成式AI已能稳定通过图灵测试，在多种场景下表现出与人类相当的智能水平，被誉为下一代通用技术</p>
<ul>
<li>
<p>3.1.1. 有望像IT（信息技术）和自动化生产一样，通过替代部分工业劳动和增强人类能力来重塑产业格局，变革白领知识工作</p>
</li>
<li>
<p>3.1.2. 生成式AI有助于提升高端管理咨询行业的生产力水平</p>
</li>
</ul>
<p>3.2. AI不仅是通用技术，更是新型社会级操作系统，能够带来深远的积极影响</p>
<p>3.3. 当前，围绕AI的负面叙事失之偏颇，公共领域的讨论往往以偏概全</p>
<ul>
<li>3.3.1. 这种失衡的舆论态势赋予了科技巨头过大的权力，使其影响着立法进程，主导着政治辩论，还巩固了利己主义的意识形态</li>
</ul>
<p>3.4. 真正的问题在于近年来某些机构和部分学者对AI与大型科技公司的片面解读</p>
<ul>
<li>3.4.1. 如果你想沉浸在AI的反乌托邦叙事中，如今已经形成了一条专门迎合此类需求的“产业链”</li>
</ul>
<p>3.5. “AI教父”</p>
<ul>
<li>
<p>3.5.1. 杰弗里·辛顿</p>
</li>
<li>
<p>3.5.1.1. 对AI的未来表达了深刻的担忧，认为其可能引发灾难性后果，甚至为自己的研究感到后悔</p>
</li>
<li>
<p>3.5.2. 杨立昆</p>
</li>
<li>
<p>3.5.2.1. 对AI在商业和社会领域的广泛应用充满热情</p>
</li>
</ul>
<p>3.6. 探索AI世界的第一步，便是区分事实与炒作</p>
<ul>
<li>
<p>3.6.1. 德国科堡癫痫发作的女性</p>
</li>
<li>
<p>3.6.1.1. 她手机的安卓ELS（紧急定位服务）系统迅速将其位置信息发送给了调度员</p>
</li>
<li>
<p>3.6.1.2. 这一事件仅被安卓官方用于宣传其ELS系统，其他媒体却鲜有报道</p>
</li>
<li>
<p>3.6.2. 在新冠疫情最严峻的时期，智能手机的精准定位追踪技术，协助各国政府开展接触者追踪与社交距离分析，这一举措可能挽救了数百万条生命</p>
</li>
</ul>
<p>3.7. 技术无罪，这是人类社会的问题</p>
<ul>
<li>
<p>3.7.1. 在没有AI介入的传统医学领域，人类放射科医生同样对少数族裔女性乳腺癌存在更高的漏诊率，这是因为医生的培训数据主要来源于白人患者的影像资料</p>
</li>
<li>
<p>3.7.2. 当黑人新生儿由黑人医生照料时，存活率是由白人医生照料时的两倍，因为黑人医生更熟悉这些新生儿的生理特征</p>
</li>
<li>
<p>3.7.3. 我们身处的社会本就复杂且不公平，与其将所有的问题归咎于AI算法偏见，不如先自我反思</p>
</li>
</ul>
<p>3.8. 目标是以基于数据和研究的方式让你了解AI的运作原理</p>
<ul>
<li>
<p>3.8.1. 关注重点不在于严格意义上的强AI（也称通用人工智能，即AGI），也就是机器完全复刻人类行为</p>
</li>
<li>
<p>3.8.2. 主要讨论弱AI（Weak AI），并延伸至生成式AI的应用领域</p>
</li>
</ul>
<p>3.9. 两类任务</p>
<ul>
<li>
<p>3.9.1. 人类因专业知识不足或资源匮乏难以完成的任务</p>
</li>
<li>
<p>3.9.1.1. 在撒哈拉以南的非洲地区，心脏病专家极度稀缺，此时利用深度学习技术能够实时解读心电图（ECG），从而诊断心脏病</p>
</li>
<li>
<p>3.9.2. 机器更擅长处理的复杂计算</p>
</li>
<li>
<p>3.9.2.1. OkCupid等在线约会平台，能够通过数百个维度筛选候选人并预测出某位特定对象是否可能成为理想的约会伴侣</p>
</li>
<li>
<p>3.9.2.2. 推荐可能改变一个人的人生轨迹，毕竟选择伴侣是人生中最重要的决定之一</p>
</li>
</ul>
<p>3.10. 这个框架以数据工程为根基，涵盖因果性分析、规范性分析、生成式AI、决策类型的系统化分类，以及伦理公平准则，通过合理转化分析结果，为社会带来福祉</p>
<ul>
<li>
<p>3.10.1. 旨在帮助普通大众成为AI讨论中的知情参与者</p>
</li>
<li>
<p>3.10.2. 工程师近七成的时间都花费在数据工程这一环节</p>
</li>
<li>
<p>3.10.3. 要为四类机器学习筛选适配的数据源，随后通过清洗、聚合、整合与转换，将原始数据转化为可用资产</p>
</li>
</ul>
<p>3.11. “AI之屋”框架建立在数据分析的四大支柱之上：描述性分析、预测性分析、因果性分析和规范性分析</p>
<p>3.12. 描述性分析</p>
<ul>
<li>
<p>3.12.1. 依托无监督机器学习技术，通过挖掘高维数据中的隐藏模式来增强人类智能，弥补人类在识别复杂模式上的短板</p>
</li>
<li>
<p>3.12.2. 人类通常难以想象三维以上的数据空间</p>
</li>
</ul>
<p>3.13. 预测性分析</p>
<ul>
<li>
<p>3.13.1. 其核心命题在于：“未来会发生什么？”</p>
</li>
<li>
<p>3.13.2. 预测性分析的关键就在于预判未来走向</p>
</li>
<li>
<p>3.13.3. 通过科学的数据挖掘手段，结合监督学习技术，让算法从这些历史数据中自主学习，最终构建出业界领先的风险评估模型，精准测算出新贷款申请的违约概率</p>
</li>
</ul>
<p>3.14. 因果性分析</p>
<ul>
<li>
<p>3.14.1. 其致力于解答“X是否导致Y”这一核心问题</p>
</li>
<li>
<p>3.14.2. 对于大多数决策者而言，这是一项挑战，因为他们需要跳出既有数据框架，运用反事实思维，提出“如果……会怎样”的假设，进而推演出其他不同的情境</p>
</li>
</ul>
<p>3.15. 规范性分析</p>
<ul>
<li>3.15.1. 常常融合前三大支柱的核心要素，帮助我们在组织约束的条件下构建决策模型，回答“我们应该如何应对？”这一关键问题</li>
</ul><br><br>
来源：https://www.cnblogs.com/lying7/p/19021767 感谢楼主的分享！这篇关于AI的科普文章写得非常全面和系统化，读完后让我对AI有了更清晰的认识。
1楼 热心网友
看完这篇"AI之屋"框架，感觉收获满满！特别是关于机器学习的四大支柱（描述性、预测性、因果性、规范性分析）的讲解，把AI的核心原理讲得通俗易懂。
几点感想：
[*] 关于AI焦虑：文章提到"AI并不是灾难，而是重大机遇"，这个观点我很认同。技术本身是中性的，关键在于如何使用。
[*] 关于算法偏见：作者举的那些例子很有说服力——传统医学本身也存在偏见，不能把所有问题都推给AI。这个反思角度很棒！
[*] 关于学习路径：作为AI小白，我很欣赏这种从基础框架入手的讲解方式，比一上来就讲复杂的算法更容易理解。
期待楼主继续分享后续内容！这种高质量的科普帖对我们这些想了解AI的人来说真的很有帮助。
顶一个！:D
頁:
[1]