01 · 什么是人工智能？ - Artificial Intelligence
所属知识库：Agent 全栈技术地图
所属领域：01 · AI
所属章节：01 · 什么是 AI？如何发展？ - Fundamentals
文档类型：基础理论研究
版本：v1.0
更新日期：2026 年 10 月 27 日
核心问题：什么是人工智能？人工智能研究什么问题？它通过哪些技术方法实现智能能力？与传统软件有什么区别？
专题导读
这一篇需要建立对人工智能的准确理解，重点回答：人工智能究竟是什么、它试图解决哪些问题、智能能力如何实现、有哪些主要技术路线，以及 AI 与传统软件有什么区别。
为了避免与后续《AI、ML 与深度学习》《AI 主要发展阶段》和《生成式人工智能》重复，这篇以定义、研究对象、技术范式和基本工作机制为重点。正文采用编号引用，文末列出可核验的原始文献与权威资料。
一、人工智能是什么？
人工智能（Artificial Intelligence，简称 AI）是计算机科学中的一个重要研究领域，主要研究如何构建能够执行智能任务的计算系统。
这些任务通常涉及感知、学习、知识表示、推理、规划、决策、语言理解和问题求解等能力。
从技术角度看，人工智能的核心研究问题是：
如何通过计算方法，使机器能够处理复杂信息、适应环境并完成具有智能特征的任务？
例如，当一个计算系统能够识别照片中的物体、理解自然语言、预测未来趋势、规划行动路线或生成文本时，我们可以从人工智能的角度研究这些能力如何实现。
但需要注意，人工智能并没有一个被所有研究者完全统一接受的定义。
不同研究传统对“智能”的理解有所不同，因此对人工智能的研究对象和评价标准也存在差异。
在《Artificial Intelligence: A Modern Approach》中，Stuart Russell 和 Peter Norvig 从人类思维、人类行为、理性思维和理性行动等角度介绍了人工智能的不同研究取向，并将理性智能体（Rational Agent）作为组织人工智能研究的重要框架。[1]
这意味着，人工智能并不一定要求计算机像人类一样思考，也不一定要求计算机拥有意识。
一个系统只要能够通过计算方法有效完成某些智能任务，就可能属于人工智能的研究范畴。
1.1 人工智能的三个基本特征
为了建立初步认知，可以从三个方面理解人工智能。
第一，人工智能处理的是具有一定复杂性或不确定性的任务。
例如，自然语言理解、图像识别和复杂环境下的行动规划，通常难以通过少量简单规则完整解决。
第二，人工智能通过计算方法实现智能行为。
这些方法可能包括逻辑推理、搜索算法、概率模型、机器学习和神经网络等。
不同 AI 系统不一定采用相同的技术。
第三，人工智能的能力需要通过任务表现进行评价。
例如，图像识别系统可以通过识别准确率评价，语言模型可以通过任务测试评价，规划系统可以通过目标完成情况和资源消耗评价。
因此，判断一个系统的人工智能能力，需要结合具体任务和评价标准，而不能仅依据其是否表现得像人类。
二、人工智能研究的“智能”是什么？
要理解人工智能，首先需要理解它试图研究和实现哪些智能能力。
在人工智能领域，智能通常不是一个单一功能，而是由多种信息处理和行动能力构成。
2.1 感知（Perception）
感知是从环境或输入数据中获取信息的能力。
例如：
- 从图像中识别物体；
- 从音频中识别语音；
- 从传感器数据中判断环境状态；
- 从视频中识别动作和事件。
计算机视觉、语音识别和多模态感知等技术主要研究这类问题。
2.2 知识表示（Knowledge Representation）
知识表示研究如何将事实、概念、关系和规则组织为计算机可以处理的形式。
例如，一个系统可以使用知识图谱表示人物、地点和事件之间的关系，也可以使用逻辑规则表达某些条件与结论。
知识表示是人工智能早期研究的重要方向，在现代知识系统和推理应用中仍然具有价值。[1]
2.3 推理（Reasoning）
推理是根据已有信息、规则或证据形成判断和结论的过程。
例如：
已知某个系统出现异常，同时多个监测指标发生变化，AI 可以根据这些信息分析可能的原因。
人工智能中的推理方法包括逻辑推理、概率推断以及现代模型支持的多种问题求解方法。
需要区分的是，语言模型能够生成看起来符合推理过程的文本，并不意味着其所有推理结论都可靠。
2.4 学习（Learning）
学习是系统通过数据或经验改善任务表现的过程。
例如，一个图像分类模型可以通过大量标注图像学习识别不同类别的物体。
机器学习是研究这种能力的重要技术领域。
Tom Mitchell 在《Machine Learning》中提出了一个经典的学习定义框架：如果计算机程序在某类任务上的表现，能够随着相关经验的增加而改善，就可以认为它在这一意义上发生了学习。[2]
2.5 规划（Planning）
规划是根据目标、当前状态和可执行操作，确定行动步骤的能力。
例如，机器人需要从当前位置移动到目标地点，就可能需要计算一条可行路径。
在 Agent 系统中，规划也可能用于任务分解、步骤安排和行动选择。
2.6 决策与行动（Decision-making & Action）
决策是根据目标和环境信息选择行动的过程。
例如，自动驾驶系统需要根据道路环境决定是否减速、转向或停车。
强化学习则研究智能体如何通过与环境交互，学习能够提高长期收益的行动策略。[3]
2.7 语言与内容生成（Language & Generation）
语言能力包括理解、分析和生成自然语言。
生成能力还可以扩展到图像、音频、视频和其他数据形式。
现代大语言模型与生成式 AI 显著扩展了计算机在这些任务上的表现。
这些能力并不一定同时存在于一个 AI 系统中。
例如，图像分类模型可能只负责识别图像类别，而一个复杂机器人系统可能需要结合感知、规划、决策和行动。
因此，人工智能可以理解为围绕多种智能任务形成的技术研究领域，而不是某一种固定的智能功能。
三、人工智能是如何实现的？
人工智能并不存在唯一的实现方法。
从技术发展和研究方法来看，可以将主要实现思路概括为三类：基于规则与符号的方法、基于数据学习的方法，以及结合多种方法的混合系统。
这种分类用于建立宏观认知，并不是对所有 AI 算法的严格划分。
3.1 基于规则与符号的方法
符号人工智能（Symbolic AI）主要研究如何通过符号、逻辑、规则和搜索机制表示知识并进行推理。
例如，可以定义以下规则：
规则：
如果某个设备的温度超过阈值，
并且冷却系统没有正常运行，
则触发高温风险警报。系统根据明确的条件和规则执行判断。
这种方法的优势在于，知识和推理过程通常具有较明确的表示形式。
但对于复杂、模糊或难以完整描述的现实问题，人工编写全部规则可能非常困难。
3.2 基于数据学习的方法
机器学习（Machine Learning）通过数据和优化方法，使模型学习任务所需的规律。
例如，开发者希望构建一个识别猫和狗的图像分类系统。
传统规则方法可能需要人工定义耳朵形状、身体比例和其他视觉特征。
机器学习方法则可以通过大量训练图像，使模型学习区分不同类别的特征。
其基本过程可以简化为：
训练数据
│
▼
学习算法
│
▼
模型参数更新
│
▼
训练完成的模型
│
▼
接收新的输入
│
▼
生成预测结果需要注意，训练数据并不是直接变成模型内部的一组可查询规则。
机器学习通常通过优化目标函数来调整模型参数，使模型在训练任务上获得更好的表现。
3.3 深度学习方法
深度学习（Deep Learning）是机器学习的重要分支，主要利用具有多层结构的神经网络学习数据表示。
它在图像识别、语音处理、自然语言处理等领域取得了重要进展。
LeCun、Bengio 和 Hinton 在 2015 年发表的综述《Deep Learning》中，系统介绍了深度学习通过多层表示学习处理复杂数据的基本思想。[4]
现代大语言模型通常建立在深度学习技术基础上。
例如，Transformer 架构通过注意力机制处理序列信息，成为许多现代语言模型的重要基础。[5]
3.4 混合方法
实际 AI 系统经常结合不同技术方法。
例如，一个智能问答系统可以同时使用：
- 大语言模型理解问题；
- 信息检索系统获取资料；
- 规则程序验证输出格式；
- 数据库保存信息；
- 规划机制组织任务执行。
因此，人工智能系统并不一定只能采用符号方法或机器学习方法。
在现代 Agent 开发中，将模型能力与传统软件机制结合，是一种重要的工程实践。
四、AI、机器学习、深度学习和生成式 AI 的关系
人工智能领域包含多种技术路线，其中机器学习、深度学习和生成式 AI 是现代 AI 应用中经常出现的概念。
它们之间既有联系，也存在不同的分类维度。
4.1 人工智能（AI）
人工智能是最广泛的研究领域。
它包含机器学习，也包含符号推理、搜索、规划等其他技术方法。
4.2 机器学习（Machine Learning）
机器学习是人工智能的重要分支。
它主要研究如何通过数据或经验改善计算系统的任务表现。
常见方法包括监督学习、无监督学习和强化学习等。
4.3 深度学习（Deep Learning）
深度学习是机器学习的重要分支。
它主要使用多层神经网络学习复杂的数据表示。
现代大语言模型、许多计算机视觉模型和语音模型都使用深度学习技术。
4.4 生成式人工智能（Generative AI）
生成式人工智能主要指能够生成文本、图像、音频等内容的 AI 模型与应用技术。
它按照能力和任务类型进行分类，而机器学习、深度学习更多描述实现方法。
因此，生成式 AI 与深度学习不是完全相同的分类维度。
现代生成式 AI 主要依赖深度学习，但不能将“生成式 AI”简单定义为“深度学习的下一个层级”。
可以通过以下关系理解：
人工智能（AI）
│
├── 符号推理、搜索、规划等方法
│
└── 机器学习（Machine Learning）
│
├── 传统机器学习方法
│
└── 深度学习（Deep Learning）
│
├── 图像识别模型
├── 语音处理模型
├── 大语言模型
└── 多种生成式模型这张图展示的是常见技术方法之间的关系。
生成式 AI 横跨模型类型与应用任务，不能完全通过这张包含关系图表达。
更详细的概念比较将在下一篇《02 · AI、ML 与深度学习》中展开。
五、人工智能与传统软件有什么区别？
理解 AI 的一个重要方法，是将其与传统的软件开发方式进行比较。
传统软件通常通过开发者明确编写的程序逻辑处理任务。
现代机器学习系统则通过训练数据和优化算法学习输入与输出之间的关系。
例如，开发一个垃圾邮件识别程序。
传统规则系统可能通过预设关键词、发件人规则和其他条件判断邮件是否为垃圾邮件。
机器学习系统则可以通过大量邮件样本，学习哪些特征与垃圾邮件有关。
两者的区别主要体现在规则来源和系统行为形成方式上。
| 比较维度 | 传统规则软件 | 机器学习系统 |
|---|---|---|
| 核心逻辑来源 | 开发者明确编写规则 | 通过数据和算法学习模型参数 |
| 开发方式 | 编写程序逻辑 | 设计模型、准备数据并训练 |
| 适合的问题 | 规则明确、流程稳定的任务 | 模式复杂、难以完整手写规则的任务 |
| 行为解释 | 通常可追踪到明确规则 | 可能需要额外的模型解释方法 |
| 更新方式 | 修改程序或规则 | 可能需要更新数据、重新训练或调整模型 |
| 主要风险 | 规则遗漏、程序缺陷 | 数据偏差、泛化失败、预测错误 |
需要强调，这不是传统软件与所有 AI 技术之间的绝对区别。
首先，符号人工智能本身就可以采用明确的规则和程序逻辑。
其次，现代 AI 应用仍然依赖大量传统软件组件，例如 API、数据库、任务队列和权限管理。
因此：
人工智能不是传统软件的替代品，而是为软件系统提供了新的信息处理和决策能力。
实际应用通常需要将 AI 模型与传统软件工程结合。
六、AI 模型是什么？它与 AI 系统有什么区别？
在现代 AI 技术讨论中，AI 模型和 AI 系统经常被混用，但二者并不完全相同。
6.1 AI 模型
AI 模型是执行特定计算任务的数学或计算结构。
对于机器学习模型，它通常包含模型结构和通过训练获得的参数。
模型接收输入，并根据其计算机制产生输出。
例如：
输入文本
│
▼
语言模型
│
▼
输出文本6.2 AI 系统
AI 系统是将 AI 模型与其他软件组件组合形成的完整应用或服务。
例如，一个智能客服系统可能包含：
- 用户交互界面；
- 后端服务；
- 语言模型；
- 知识检索；
- 业务数据库；
- 权限控制；
- 日志与监控。
这些组件共同支持智能客服功能。
因此，一个 AI 系统可以包含一个或多个模型，也可以结合规则、搜索算法和其他计算机制。
6.3 两者的关系
可以将二者理解为：
AI 模型负责提供特定的智能计算能力，AI 系统负责将这些能力组织为实际可用的软件功能。
这一关系对于后续研究 Agent System 非常重要。
因为 Agent System 同样需要将模型、执行机制、工具、状态管理和应用接口组织为完整系统。
七、人工智能是否意味着机器具有意识？
人工智能经常与人类智能、意识、自我认知等概念联系在一起，但这些概念需要区分。
在人工智能工程研究中，通常可以根据系统在具体任务上的表现来评价其能力。
例如，一个模型能够准确翻译文章，并不需要先证明它拥有与人类相同的语言体验。
同样，一个系统能够规划行动，也不意味着它必然具有自我意识。
人工智能研究中的智能行为、意识和主观体验属于不同的问题。
关于机器是否可能具有意识，以及如何判断机器意识，目前仍存在科学和哲学上的争论，尚无普遍接受的判定方法。
因此，在本知识库中，人工智能主要从可观察的能力、计算机制和工程实现三个角度进行研究。
对于模型是否真正“理解”“思考”或“具有意识”等问题，需要根据具体定义和研究证据审慎讨论，不能仅依据模型的语言表现作出结论。
八、人工智能与 Agent 有什么关系？
Agent 是本知识库后续研究的核心对象。
理解 AI 与 Agent 的关系，有助于明确人工智能技术在整个 Agent 技术体系中的位置。
8.1 AI 提供智能能力
现代 LLM Agent 通常使用大语言模型完成语言理解、信息分析、推理和内容生成等任务。
例如，模型可以根据用户目标分析当前信息，并提出可能的下一步行动。
8.2 Agent 组织智能行动
Agent 将模型能力与目标、指令、工具和执行机制结合，使系统能够围绕任务进行行动。
例如，一个研究 Agent 可能需要：
- 理解用户提出的研究问题。
- 判断需要收集哪些资料。
- 调用搜索工具。
- 分析返回的信息。
- 判断是否需要继续检索。
- 形成研究结果。
其中，AI 模型参与信息处理和行动判断，Agent 的执行机制则负责组织任务过程。
8.3 AI 与 Agent 并不是包含全部与被包含的关系
Agent 是人工智能领域中的一个重要概念，其历史早于现代大语言模型。
传统 Agent 可以通过规则、搜索或强化学习等方法实现。
因此，并不是所有 Agent 都必须使用大语言模型。
同时，并不是所有使用 AI 模型的软件都是 Agent。
例如，一个通过 API 调用语言模型生成摘要的应用，可以是 AI 应用，但不一定具有 Agent 的目标驱动与自主行动机制。
在本知识库中，AI 与 Agent 的研究重点分别是：
| 领域 | 研究重点 |
|---|---|
| AI | 智能能力如何产生、表示、训练和使用 |
| Agent | 如何围绕目标组织智能决策与行动 |
更详细的 Agent 定义、结构和执行机制将在 02 · Agent 板块中展开。
九、如何理解人工智能的研究边界？
人工智能是一个不断发展的研究领域，其技术边界与其他计算机科学领域存在大量交叉。
例如：
- 机器学习与统计学、优化理论密切相关；
- 计算机视觉与图像处理密切相关；
- 自然语言处理与语言学密切相关；
- 智能机器人与控制理论密切相关；
- Agent System 与软件工程、分布式系统密切相关。
因此，不能简单地将所有具有自动化功能的软件都归类为人工智能。
也不能认为只有使用深度学习或大语言模型的系统才属于人工智能。
在具体研究中，更合理的方法是分析系统采用的计算机制、解决的任务类型，以及它与人工智能研究传统之间的关系。
对于本知识库，AI 板块主要研究与现代 Agent 技术直接相关的人工智能基础、模型架构、模型工程和知识检索。
其他人工智能领域将在需要时作为相关知识进行补充。
十、核心结论
人工智能是研究如何通过计算方法实现智能任务的广泛技术领域。
它关注感知、知识表示、学习、推理、规划、决策和语言处理等多种能力。
人工智能并不存在唯一的实现方法。符号推理、搜索算法、机器学习和深度学习都是重要的技术路线。
现代大语言模型是人工智能技术发展的重要成果，但不能代表人工智能的全部。
理解人工智能，需要明确以下几个核心认识：
第一，AI 是技术领域，不是某个具体模型。
第二，AI 的智能能力可以通过不同计算方法实现。
第三，机器学习和深度学习是 AI 的重要技术路线，但并非全部。
第四，AI 模型与 AI 系统需要区分，模型通常只是完整应用中的一个组件。
第五，AI 的能力应当通过具体任务和评价标准判断，而不能简单等同于人类智能或意识。
第六，AI 为现代 LLM Agent 提供重要的智能能力基础，而 Agent 进一步研究如何将这些能力组织为目标驱动的行动。
理解这些基本概念后，下一步需要深入研究人工智能内部不同技术路线之间的关系。
十一、参考文献与延伸阅读
以下文献为本文涉及的人工智能定义、机器学习、深度学习、Transformer 和强化学习等内容提供基础参考。
[1] Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
人工智能经典教材，系统介绍理性智能体、搜索、知识表示、推理、学习和决策等研究领域。
官方教材网站：Artificial Intelligence: A Modern Approach
[2] Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
机器学习经典教材，提出了基于任务、经验和性能改进理解机器学习的经典定义框架。
[3] Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.
强化学习经典教材，系统介绍智能体与环境交互、奖励、策略和序贯决策等基本概念。
官方电子版：Reinforcement Learning: An Introduction
[4] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521, 436–444.
深度学习领域的重要综述，介绍多层神经网络和表示学习的基本思想。
论文：Deep Learning — Nature
[5] Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.
提出 Transformer 架构，为现代大语言模型的发展奠定了重要技术基础。
论文：Attention Is All You Need
[6] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
系统介绍深度学习的数学基础、神经网络结构、优化方法和实际应用。
官方在线教材：Deep Learning Book
十二、关联研究
| 关联文档 | 研究内容 |
|---|---|
| 02 · AI、ML 与深度学习 | AI、机器学习和深度学习的关系 |
| 03 · AI 主要发展阶段 | 人工智能的历史与技术演变 |
| 04 · 生成式人工智能 | 生成式 AI 的定义、机制与应用 |
| 05 · 能力与局限 | 人工智能的能力边界与主要问题 |
| M1 · AI 模型是什么？它由什么构成？ | 模型结构与基本组成 |
| M2 · 神经网络如何学习和处理信息？ | 神经网络的基本机制 |
| M3 · Transformer 如何处理和生成信息？ | Transformer 架构 |
| 02 · Agent → 01 · 什么是 Agent？ | Agent 的定义与技术边界 |