第 10 章　AI为何有多条技术路线

人工智能是一片研究与工程领域

人工智能包含让机器完成感知、推理、学习、规划、生成和行动等任务的多种方法。谈具体系统时，更有用的是观察：系统围绕谁设定的目标，对什么输入产生预测、建议、决策或内容，又怎样影响数字或现实环境。[1][2]

这些可观察功能不要求机器拥有人的意识。一个系统能够识别图像、下棋或生成语言，说明它在定义任务上表现出某种能力，不能据此推出它拥有全面理解和责任。

AI系统还属于软件系统。数据怎样取得，接口怎样调用，权限和失败怎样处理，仍受前面章节的工程规律约束。

显式规则适合边界清楚的条件

规则系统把知识、条件和动作写成可执行形式。例如“温度超过阈值且保护装置正常时发出警报”，或者制度中明确的资格条件。

规则可读、可审查，适合边界相对稳定和责任要求明确的任务。规则多到一定程度会相互作用，例外和冲突难以维护；现实输入模糊时，规则也需要前置识别。

机器学习流行以后，规则没有消失。支付限制、安全联锁、访问权限和业务流程常需要确定规则；模型输出也可能在规则边界内使用。

搜索与规划在可能行动中寻找路径

搜索把问题表示为状态、可选动作、目标和成本，再寻找可行或较优路径。下棋、路线规划、排程和自动推理都可以使用不同搜索方法。

可能空间很大时，系统不能枚举所有路径。启发式方法和评价函数帮助优先探索更有希望的方向。结果是否最优，取决于问题表示、信息、算法和计算资源。

规划还要考虑动作前提和结果。环境变化、信息不完整或其他参与者行动，会使原计划失效，系统需要重新规划。

大语言模型参与Agent系统时，也可能提出步骤；这不等于传统规划问题已经消失。模型建议仍要经过状态、工具和规则验证。

机器学习从数据中调整模型

机器学习↗让计算系统依据数据和训练目标调整参数或表示，以改善某类任务表现。[3]

监督学习使用带目标或标签的样本，例如根据历史邮件和标记学习垃圾邮件分类。无监督或自监督方法从数据结构中形成表示或训练信号；现代语言模型常通过预测文本中的部分或后续内容进行大规模预训练。强化学习则让系统根据行动后的奖励信号改进策略。

这些名称覆盖许多具体算法，不是三种互斥盒子。一个系统可以先自监督预训练，再用监督数据微调，并使用人类反馈相关方法进一步调整。

模型不是训练样本的简单复制，也不是现实本身。它学到的是在训练目标下有助于表现的参数关系。数据遗漏、标注错误、历史偏差、环境变化和评价指标不当，都会影响真实结果。

深度学习与神经网络位于数据驱动路线

神经网络由多层可调参数和计算组成。深度学习使用具有多层表示的神经网络，在图像、语音、语言等任务中取得广泛应用。

“深”描述网络层次与表示学习，不表示理解更深。模型规模增加可能带来新能力，也增加训练成本、能耗、数据治理和评估难度。

Transformer是神经网络架构的一类，后面C11会解释它怎样处理序列上下文。生成式AI还包括图像、音频和视频模型，其表示与训练细节不同，不能用一条语言生成链解释全部。

数据、算法和算力共同影响结果

近年AI能力提升常被概括为数据、算法和算力共同发展。三者确实重要，却不是简单相乘关系。

更多数据若质量差、权利不清或与任务不匹配，会增加成本和风险。更大算力能训练更大模型或尝试更多实验，不保证目标定义正确。算法改进也需要工程实现、评价与部署条件。

系统表现还取决于使用方式：提示、检索资料、工具、反馈和人的判断会改变最终结果。同一个基础模型进入不同系统，可以产生很不一样的能力和风险。

真实系统经常采用混合方法

导航服务用规则排除禁行道路，用搜索寻找路线，用学习模型估计时间。客服系统用规则识别高风险请求，用语言模型生成候选，再调用数据库和人工流程。推荐系统也可能结合业务规则、统计模型和人工运营。

混合系统按任务分配职责：规则处理明确约束，搜索寻找组合路径，模型从复杂数据中形成预测或表示，人在目标、例外和责任上不可缺席。

评价时应问哪一部分采用哪种方法、输入是什么、用什么证据评估、失败怎样处理，而不是只问它“算不算AI”。

从训练分数到真实系统还有一段距离

机器学习项目要经历任务定义、数据准备、训练、评估、部署、监测和停用。训练在数据与目标下调整参数；推理让形成的模型处理新输入。

离线测试分数只适用于相应数据和指标。部署环境变化、用户行为改变或输入分布偏移，性能可能下降。高影响系统需要持续监测、反馈和人工复核。

把资料贴进对话，通常只为本次推理增加上下文，不等于重新训练。把模型接入检索和工具，则形成更大的系统。C11与C12将分别放大这两层。

理解多条路线以后，新技术不再只有“先进／落后”两种标签。它成为一种选择：任务有什么结构，哪种方法最适配，代价和责任由谁承担。