# 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。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET 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?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.