摘要：近日，在国家图书馆举办“相信阅读的力量——第二十届文津图书发布暨国家图书馆4.23世界读书日特别活动”上，我社出版的《计算机教授白话人工智能》（钱振兴 著）荣获第二十届“文津图书奖”提名奖。

近日，在国家图书馆举办“相信阅读的力量——第二十届文津图书发布暨国家图书馆4.23世界读书日特别活动”上，我社出版的《计算机教授白话人工智能》（钱振兴 著）荣获第二十届“文津图书奖”提名奖。

AI是如何"思考"的？

未来它将如何重塑世界？

复旦大学计算机学院钱振兴教授继《计算机教授给孩子讲历史》后，再次用生动有趣的语言，为大众打造的这本零门槛的AI科普读物——《计算机教授白话人工智能》。

比科幻更有趣的AI科普！这本获奖书把把机器学习翻译成"人话"，文科生也不怕！

想要跟上AI时代的步伐？就从这本书开始吧！

01 什么是人工智能？

最近几年，人工智能（Artificial Intelligence，简称AI）火遍全世界。那么，什么是人工智能？这个问题我们需要探讨一下。

“人工”，顾名思义，是人创造出来的。那“智能”又是什么？从字面上看，“智能”应该包含了“智力”和“能力”两重含义，智力是认识世界的本领，能力则是开展各种活动的本领。因此我们可以简单地说，“人工智能”是人类创造的智能体（机器或程序），用于模拟人类的智能。

现在，几乎大家能想到的各种应用场景，都已发展出了相应的人工智能技术。比如知识问答、写文章、绘画、拍电影、创作音乐、翻译、编程、自动驾驶、医疗辅助、安防监控、智慧农业等。这样的人造智能体很多，人工智能的概念远比大家想象的宽泛。

名震天下的大语言模型ChatGPT（Chat Generative Pre-trained Transformer）是人工智能吗？是的。你可以和ChatGPT对话，让它写出一段条理清晰的文字，或者一首隽永的诗歌，甚至可以让它作出一篇高考满分作文。

智能手表是人工智能吗？是的，它可以监测用户的心率、血氧、运动轨迹、睡眠质量等数据，自动分析人体的健康状况，随时为人们提供服务，部分具备了医生的能力。甚至一个简单的智能红外线报警器，也可以算是一种人工智能，它可以精准地感应到人的存在。

世界上还有很多并非人类制造的智能体。比如，蜜蜂能够采集花粉和酿造蜂蜜，植物能够根据阳光调整叶子的方向，蚂蚁能够有组织地进行食物采集，猎犬可以帮助猎人追踪、搜寻猎物，等等。这些“智能”不是靠“人工”实现的，是通过神经系统和生物结构来实现的，因而被称为“生物智能”。

人工智能和生物智能有显著的区别。生物智能是基于自身的神经系统实现的智能，根据周围的环境变化进行认知和动作，需要大量的生物能量。人工智能则是使用计算机系统实现的智能，依赖硬件和软件，从数据学习中找出解决问题的方法，这个过程需要电力提供能量。由于生物智能依赖于碳水化合物，因而它又被称为“碳基”智能；而人工智能依赖于计算机芯片（主要成分是硅），因而它又被称为“硅基”智能。

目前，人工智能已经对我们人类社会的多种活动产生了重要影响。人工智能可以自动完成许多烦琐的任务，解放了人的脑力和体力。比如，智能机器人、智能家居等应用，可以提高人们的生活质量；智能交通、智能城市等应用，可以让城市管理变得更加高效，可以更有效地改善城市环境；人工智能强大的计算能力和数据处理能力，在医疗诊断、金融风险评估等领域也发挥着重要作用。在图像内容识别、自然语言处理等领域中，很多人工智能已经展示出超越人类的能力。

然而，现有的人工智能技术还不具备通用性，无法在所有领域都实现人的智能。在逻辑推理、数学计算等方面，人工智能容易受到各方面的干扰，无法完美地处理异常或错误。

人工智能的发展还带来了一系列挑战和问题。例如，人工智能系统在学习过程中需要使用大量数据，这可能侵犯用户隐私或用户权益；人工智能技术也有可能被用于网络攻击、黑客行为等非法活动；人工智能算法的决策过程，可能还存在严重的错误或偏见。如何避免人工智能带来的负面影响，是全世界重点关注的问题。

总的看来，人工智能的意义在于，它可以解放人类的脑力和体力，推动社会的进步。当然，我们也要关注并解决它在发展过程中出现的问题，让它更好地为人类服务。

02 机器是怎么学习的？

机器学习是人工智能的分支，也是当前人工智能的主流。它让计算机从数据中学习规律或方法，从而具备预测或判决的能力。

比如，我们想预测明天的天气情况，可以搜集以往的天气状况，让机器分析一下天气变化的趋势，得出明天最有可能出现的天气。

再比如，我们希望机器能够自动识别猫和狗，可以预先准备很多猫和狗的图片，分别给它们贴上猫或狗的标签，让机器去学习两种动物的差别，当完成学习后，机器就可以形成自动识别猫和狗的本领，以后再给它猫和狗的新图片，它就能正确区分猫和狗。想一想，人类似乎就是这样学习本领的！

在机器学习中，最常见的方法可以分为三个阶段。人们先给机器很多例子（学习资料），让机器逐步调整自己的参数，提高识别的准确性至最优。然后，拿一些新例子去测试（考试），看看机器学得怎么样。只有通过测试的模型，才会被拿出来给人使用。

机器学习的方法分很多种，最常见的是下面三种：监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）、强化学习（Reinforcement Learning）。

监督学习，指在机器学习的过程中，不仅提供问题，还提供标准答案，机器通过参考答案来理解问题。当机器完成学习之后，用考题来检查它学习得怎么样。常见的监督学习算法有回归、分类等。

无监督学习，就没有那么好的条件了，在机器学习的过程中，只提供问题，不提供答案，机器需要自己去找答案，尝试找出数据中的一些规律或者把相似的东西归类，常见的无监督学习算法有聚类等。

强化学习，就是让机器通过各种尝试来寻找答案，每次尝试后都会得到反馈分数，机器根据得分来调整下一步的行为，这种方法在智能下棋的游戏中很常见。

大家可能会有一个疑问，如何评价一个机器学习出来的模型好不好呢？判断的方法多种多样，这里介绍三种。

首先，一般我们要在应用中观察机器学习模型输出结果的“准确性”（Accuracy），可以直接将模型输出的结果与真实结果作比较，也可以将模型输出的结果与人类给出的结果作比较，计算模型输出的准确率。

其次，我们要考察模型的“泛化性”（Generalization），观察模型在不同的数据集上输出的准确性。举个例子，机器如果用上海的中学教材来学习，用上海的中学试卷考试可以得高分，那么用江苏的中学试卷来考试能不能考好呢？这考验的就是模型的泛化性，也就是应用的普适性。

再次，对于使用人工智能生成内容的大模型来说，我们还期望模型能够产生“涌现能力”（Emergence），这既可以认为是机器学习能够实现“量变引起质变”，也可以认为是合成意想不到的内容，如同人类大脑的灵感迸发。

03 它如何理解人类语言？

语言是人类最重要的交流工具，我们可以用语言进行各种沟通和交流，表达自己的想法、需求和情感，分享各种知识和经验，等等。自然而然，人们会问一个问题：机器能否理解人类的语言？

在机器学习中，自然语言处理（Natural Language Processing，简称NLP）试图解决的就是这个问题，这个研究方向探讨和人类语言相关的各种机器学习手段。

让我们回忆一下，咱们小时候是如何学习语言文字的呢？是从学习拼音开始的，再由汉字到词语，然后是语句和文章。也就是说，在能够看懂文章或写出文章之前，我们必须要有足够的词语储备，要理解它们的含义和用法。

对计算机来说，学习语言的过程也是如此。在机器学习中，大家把句子中的基本单元称为词元（token），中文的词元是汉字，英文的词元是单词。计算机首先需要构建包括大量词元的词汇表，然后才能学习语句。由于计算机只能理解数据，因而词汇表中的每个词元实际上是用一串数字来表示的，这串数字被称为“词向量”。

一个好的词向量应该有这样的规律：含义相近的单词对应的词向量是相似的。例如，如果我们把单词在平面上用点标出来，你会发现“跑”和“跳”挨得很近，它们都表示动作；“狗”“猫”和“兔子”挨得很近，它们都是动物；“树”“草”和“花”挨得很近，它们都是植物。经过很多年的研究，词向量的生成已经有了不少专门的算法。

构建完词汇表后，就可以开始训练计算机理解自然语言了。和人类理解自然语言的顺序相同，计算机通常也会按照文本的顺序进行理解。循环神经网络是一种具有代表性的自然语言处理方法，它通过深度学习网络逐一理解词汇的意思。它是一种特殊的神经网络，具备一定的记忆能力，可以记住前面处理过的信息，并在需要时加以利用。

循环神经网络也是通过梯度下降算法来进行参数学习的，随时间反向传播误差，按照时间的逆序将误差一步步地往前传递。循环神经网络在处理长序列时存在不足，无法有效地传递长序列中信息前后的关联。后来，研究人员又提出了长短时记忆网络（Long Short—Term Memory，简称LSTM）、转换器等多种神经网络模型，这些模型可以有选择地记住或忘记信息，能够保持长序列中的重要信息，因而可以获得更好的理解能力。

作者简介

钱振兴，复旦大学计算机科学技术学院教授、博士生导师。担任复旦大学文化与旅游部重点实验室副主任，以及多个国际著名学术期刊编委。获得上海市自然科学奖一等奖、上海市科技进步奖二等奖等奖项，中国图象图形学学会“科普先进工作者”称号。编著《计算机教授给孩子讲历史》《多媒体与人工智能安全极简综述》等图书。

来源：复旦大学出版社一点号