- 能力地图
- 基本概念
START WITH A QUESTION
手机为什么会推荐你想听的歌？
闹钟按你设定的时间响起，地图绕开拥堵，音乐软件推荐一首新歌。它们都由计算机完成，但解决问题的方法并不一样。判断一个系统是否使用 AI，不能只看它有没有聊天窗口，也不能只看结果是否让人惊讶。
人工智能是一组让机器完成感知、推理、规划或生成等任务的方法。推荐系统可以从历史行为中学习，路线规划可以搜索候选路径；许多实际产品把多种方法组合起来。本课先画地图，不要求记住算法公式。
BUILD YOUR VOCABULARY
先把三个概念讲清楚
人工智能（AI）
研究和构建能够执行感知、推理、决策等任务的系统。它不等于具有人的意识，也不保证理解人的全部意图。
路径搜索通过比较候选行动寻找出口，是一种经典 AI 思路。
机器学习（ML）
人工智能中的一类方法：利用数据建立模型，再用模型处理新样本。模型是对规律的近似描述，会受到数据和任务条件限制。
根据听歌记录估计你对新歌曲的偏好。
深度学习（DL）
机器学习中的一类方法，主要使用多层神经网络学习表示。AI 包含 ML，ML 包含 DL；不能把三者当成互不相干的平行产品。
把录音变成文字的系统，常使用深度神经网络。
FOLLOW THE PROCESS
把原理放进完整流程
- 01
描述任务
先说系统需要完成什么，例如从候选歌曲中选出五首。
- 02
检查依据
判断依据是明确规则、历史样本，还是可搜索的行动空间。
- 03
组合方法
用模型估计偏好，用规则过滤不可播放的歌曲。
- 04
检验结果
观察是否帮助用户发现喜欢的音乐，同时检查重复、偏差和反馈机制。
| 场景 | 主要依据 | 需要注意 |
|---|---|---|
| 定时闹钟 | 时间达到预设值 | 普通确定性功能无需强行使用 AI |
| 路线规划 | 道路连接与通行代价 | 搜索方法不一定需要学习 |
| 歌曲推荐 | 历史行为与歌曲特征 | 预测偏好可能出错 |
CHANGE ONE THING & OBSERVE
为生活场景选择实现方法
先选择场景，再判断最合适的主要方法。这里比较教学中的简化实现，同一产品在现实中可以组合多种技术。
每天 7 点响铃，时间由用户设置，不需要猜测偏好。
KNOW THE LIMITS
哪些结论不能直接推出？
规则系统也不都等于 AI
普通加减计算和定时执行通常不称为 AI；经典知识推理、搜索与规划则是 AI 的重要研究内容。
像人不代表就是人
流畅的对话是可观察的输出，不能据此推断系统有意识、情感或始终正确的常识。
READ, RUN & EXPLAIN
用一段规则描述一个明确任务
以下示例仅使用 Python 3 标准库，可复制到本地 Python 环境运行。先看每一行的作用，再修改一个输入观察结果；无需网络或密钥。
temperature = 31
threshold = 30
if temperature >= threshold:
print('建议检查降温措施')
else:
print('继续观察')复制或下载只获取本课示例，不会自动执行。
逐行解释（6 行）
- 第 1 行
temperature = 31保存温度 31。变量是给一个值起的名字，之后可以再次使用。
- 第 2 行
threshold = 30保存触发提醒的阈值，即分界值。这里的 30 只是教学设定。
- 第 3 行
if temperature >= threshold:if 表示如果；>= 比较温度是否大于或等于分界值。冒号后接缩进的代码。
- 第 4 行
print('建议检查降温措施')条件成立时打印提醒。程序没有从历史数据学习，也没有证明风险一定发生。
- 第 5 行
else:else 表示条件不成立的另一条分支。
- 第 6 行
print('继续观察')温度低于阈值时输出另一条提醒。修改温度后可以比较结果。
建议检查降温措施
CHECK YOUR UNDERSTANDING
换一个角度，检查自己是否理解
已回答 0 / 3 题 · 当前答对 0 题
TAKE IT WITH YOU
带走三个判断，再做一次迁移练习
- AI 是总体领域，ML 与 DL 是其中逐层包含的方法。
- 从任务和依据判断方法，不从产品名称判断。
- 能力、意识和正确性是不同问题，输出需要验证。
参考与延伸阅读
本课例子、代码和模拟数据为教学设计。以下一手文档用于延伸核对，不代表对本示例的认证。
- Python 官方教程：数据结构列表、集合与队列等示例语法参考。
- scikit-learn：模型评估评估指标与预测、决策的区别。
- IBM：检索增强生成检索与生成组合的进一步说明。
- NIST：AI 风险管理框架可靠性与风险管理的延伸阅读；不是特定项目的合规结论。