> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/01_ai_intro/1.1_what_is_ai.md).

# 1.1 那个永远认不出猫的超级计算机

> 以前是教电脑“怎么做”，现在是给电脑“看例子”。

## 1.1.1 算得快不代表更聪明

我们经常听到一种观点：计算机比人类聪明，因为它算数快，记忆力好。

每当听到有人这样说，我就想给他讲一个故事——**“认猫悖论”**。

早在几十年前，计算机就能在几毫秒内计算出炮弹的飞行轨迹，这可是几十个数学家要算几天的量。那时候，人们乐观地认为，既然这么复杂的数学题都能解，那让计算机“看懂一张照片”，简直是小菜一碟。

结果，科学家们被当头泼了一盆冷水。

他们发现，要写一个程序来识别照片里有没有 **“猫”**，几乎是不可能的任务。

## 1.1.2 为什么“规则”失效了？

你可能会问：这有什么难的？我定个规则不就行了？

* 有胡须？
* 有尖耳朵？
* 有毛？

好，那我给你看一张“折耳猫”的照片（没尖耳朵），在这个规则下，它就不是猫了。

那我再给你看一张“玩具猫”的照片（有胡须、有尖耳朵、有毛），在你的规则下，它却被误判成了猫。

这就是传统计算机程序的死穴：**它严重依赖“清晰的规则”**。

在传统软件的世界里（比如 Excel、计算器），这一步做什么，下一步做什么，必须严丝合缝。只要规则有一点模糊，程序就会崩溃。

但这恰恰是人类最擅长的地方。我们从来没背过“什么是猫”的定义，但我们看一眼就知道。这种能力，叫 **“直觉”**（Intuition），或者说 **“默会知识”**（Tacit Knowledge）——那些我们会做，但说不清楚怎么做的事情。

## 1.1.3 AI 的本质：从“教导”转向“喂养”

既然“定规则”这条路走不通，科学家们就换了一条路。

这新的思路，跟教小孩子一模一样。

我们不给计算机下定义了。相反，我们找来海量的猫的照片和不是猫的照片，全部提供给它（这里的数量只是举例）。

我们对它说：“你自己看。我不管你怎么看，反正这张是猫，那张不是。”

刚开始，它全是瞎猜。但猜错了我们就“惩罚”它（本质是让模型根据错误去调整参数、降低损失），猜对了我们就“奖励”它。

在看了几百万张照片后，神奇的事情发生了：这台计算机好像突然“开窍”了。它学会了从照片的像素里提取特征，哪怕是一只只露出尾巴尖的猫，它也能一眼认出来。

**这就是人工智能（AI）的本质转变：**

* **过去（Coding）**：我们需要把 **人类的智慧** 翻译成 **代码规则**。
* **现在（Training）**：我们把 **人类的经验**（即使是不可言传的）打包成 **数据** 喂给它。

## 1.1.4 价值互换：用算力换认知

AI 的出现，其实是一场巨大的 **成本互换**。

在 AI 出现之前，**计算力**（Calculation）很便宜，但 **认知力**（Cognition）很贵。所以我们用 Excel 处理表格（便宜），但必须雇佣高薪的会计来做判断（贵）。

AI 做的事情，就是 **燃烧大量的计算力（现在变得越来越便宜），通过海量数据的训练，提炼出认知力。** 当“认知”变得像自来水一样便宜时，世界的逻辑就变了。以前需要十年经验的老中医才能看懂的片子，现在消耗一点电费的 AI 就能看懂。

所以，不仅仅是程序员，各行各业的人都得重新思考：你的工作里，有哪些是“死板的计算”（将被淘汰），有哪些是“模糊的认知”（将被 AI 廉价化），又有哪些是 AI 依然无法替代的呢？

## 1.1.5 思考题

这一讲的主题是 AI 擅长处理“规则不明”的问题。

请你想想，在你的工作或生活中，有哪些事情是 **“很难写出说明书，但你做起来却游刃有余”** 的？如果有，这件工作将来就很可能被 AI 取代。