你已经在用 AI 了
一个诚实的定义，一张不会过时的地图，以及为什么「AI」这个词总在往后退。
这一讲对应《Hello, AI》第 1 章《你已经在用 AI 了》。主线约 13 分钟的阅读量，展开讲一节课。
本章要回答的问题：当我们说一个东西「是 AI」，我们到底在说什么？
今天早上，你已经用过四种 AI而且它们彼此很不一样。
人脸解锁
一个神经网络在几十毫秒里比对了你的脸。它在认。
地图给出时间
一个模型根据几百万条历史行程估计这段路要走多久。它在猜。
输入法补全
你打了三个字，它猜出了整句话。既在猜，也在造。
聊天助手
它回答得像一位耐心的、偶尔一本正经胡说的老师。它在造。
开场不要先讲定义，先让学生点头：这四件事今天早上他们真的做过。
可以现场问：你们今天早上第一次用到 AI 是几点？多数人会低估——因为解锁手机那一下就已经是了。
这四张卡片埋着本章的暗线：认、猜、造，对应后面的识别、预测、生成三种能力。第四种「决策」要到下午叫车时才出现。
有的在「认」，有的在「猜」，有的在「造」。
但我们把它们统统叫作人工智能。
这门课的第一件事，就是把这个笼统的词拆开。
这句话是全章的支点。「人工智能」是一个装了太多东西的袋子，先承认这一点，学生才有动力听拆解。
当我们说一个东西「是 AI」，
我们到底在说什么？
它在做什么任务？
它靠什么做到？
它在哪里会出错？
本章的目标不是让学生背定义，而是让他们以后看到任何号称 AI 的东西，都能问出这三个具体问题。
课程结束时可以回到这一页，让学生用它拆一个自己用过的产品。
一个可以操作的定义
它诚实地承认了一件事：我们并不真正知道智能是什么，我们只是知道哪些事需要它。
七十年前定下的那句话
让机器去做那些「如果由人来做，我们会说需要智能」的事。
约翰·麦卡锡，1956 年夏天，美国达特茅斯学院。「人工智能」这个词就是在那场研讨会上定下来的。
本书采用的定义：人工智能，是让机器完成那些通常需要人类智能才能完成的任务。任务是核心，方法可以有很多种。
- 没有说要「像人一样思考」
- 没有说要有意识
- 没有说要用某种特定技术
强调「任务是核心，方法可以有很多种」。这是后面所有内容的钥匙：同一个任务可以用规则做、用统计做、用神经网络做，都算 AI。
学生常见的误解是把 AI 等同于「会思考的机器」。这个定义故意绕开了「思考」，因为那个问题没法验证。
两台完全不同的机器，都是 AI
深蓝击败国际象棋世界冠军
靠的是穷举搜索：每秒评估两亿个局面，加上人写进去的棋理规则。里面没有一点「学习」。
- 方法：搜索 + 人工规则
- 会的事：只有下棋
一个能陪你聊哲学的语言模型
靠的是在几乎整个互联网的文本上学出来的几千亿个参数。没有人给它写过一条哲学规则。
- 方法：从数据里学
- 会的事：几乎所有与语言有关的
技术路线完全不同，但按这个定义它们都是 AI——因为下棋和聊天在以前都只有人能做。
这一页是「任务是核心，方法可以有很多种」的具体化。也提前埋下第三章的伏笔：不是神经网络的 AI 一直都在。
计算器做算术比谁都快，
为什么没人说它是 AI？
因为算术一旦被机器做成了常规，我们就不再觉得它「需要智能」。
同样的事发生在下面这些身上。它们刚出现时都是 AI 研究的明星课题，普及之后就变成了「普通软件」。
- 光学字符识别
- 语音输入
- 拼写检查
- 路线规划
AI 效应：一旦 AI 做到了某件事，那件事就不再被算作 AI。
这个词的边界总在往后退，永远指向机器还做不太好的那一片。
这也解释了一个常见的失望感：「现在的 AI 也就这样」——因为凡是做好了的，你已经不把它当 AI 了。
AI 效应是本章最容易被学生记住、也最有解释力的一个概念。它能同时解释两种情绪：媒体的「又一次突破」和用户的「也就这样」。
课堂活动：让学生说三件「十年前算 AI、现在不算」的事。
定义不是为了考试
一个「AI 教育平台」
如果它做的只是把题库按知识点分类，那它做的是数据库的工作，与智能无关。
另一个「AI 教育平台」
如果它能读一篇学生作文并指出论证漏洞，那才是在做通常需要老师才能做的事。
定义把营销话术和真实能力分开。这是你判断一个产品的第一道工具。
对教师听众来说这是全章最实用的一页。很多学校在采购「AI 产品」，这一页给的是一把尺子。
可以让在座的人举一个自己被推销过的「AI 产品」，现场用这把尺子量一量。
像人，还是做对？
| 以人为标准 | 以合理为标准 | |
|---|---|---|
| 看思考 | 像人一样思考 认知科学的路线，试图模拟人脑的推理过程 |
合理地思考 逻辑学的路线，从正确的前提推出正确的结论 |
| 看行为 | 像人一样行动 图灵测试的路线，能骗过人就算 |
合理地行动 智能体的路线，在环境中做出足够好的行动 · 本书大多数时候站在这一格 |
当有人争论「大模型到底懂不懂语言」时，他们在左上角提问；而工程师评价一个模型时，在右下角打分。两种问题都有价值，混在一起就会吵个没完。
出自罗素与诺维格《人工智能：一种现代方法》。这张表最大的用处是读新闻时分辨「这个人在问哪一格的问题」。
第十四章会回到左上角，谈一谈「懂不懂」。
六个套在一起的圈
新闻里的词太多了。它们不是并列关系，而是一层套一层的包含关系。把这六个圈画清楚，是后面十三章的坐标系。
越往里的圈越新、越具体
- 从外往里后一个圈总是前一个圈的一种做法，不是替代。
- 外圈没有消失今天仍有大量不含神经网络的 AI 在运行。
- 新闻在最里面你听到的词，绝大多数落在最内两圈。
这张图值得在黑板上重画一遍，边画边讲。画的顺序要从外往里，强调「外面的圈并没有消失」。
学生最常见的错误是把这六个词当成并列的技术流派。
最大的三层
人工智能
所有让机器做「聪明事」的办法。1960 年代的定理证明、1980 年代的专家系统、导航里的寻路算法都在伞下——它们都不是学出来的，是人一条一条写的。
→ 第三章
机器学习
不再由人写规则，而是给机器大量例子，让它自己从例子里找规律。这是一次真正的范式转变。今天绝大多数被叫作 AI 的东西都是它。
→ 第四章
深度学习
用「很多层」的神经网络。厉害之处不只是层数多，而是连「该看数据的哪些方面」也交给机器学。2012 年之前认猫要人工设计特征，之后只需要足够多的猫。
→ 第六章
三张卡片各讲一分钟。重点句分别是：「人写规则」→「机器从例子里找规律」→「连看什么也让机器学」。这三句话是第四章和第六章的提要。
最里面的三层
大语言模型
一个模型，几百亿到上万亿个参数，在几乎整个互联网的文本上训练，学到的东西可以迁移到写作、翻译、编程、答题。「基础模型」是更宽的说法，把图像、音频的同类模型也算进来。
→ 第七到九章
生成式 AI
不只是分类和预测，而是能「造」出新东西：一张从未存在过的图片，一段从未有人写过的文字。这是 2022 年底以来公众感受最强烈的变化。
→ 第七到十章
智能体
把模型放进一个循环里，让它自己决定下一步做什么，调用搜索、代码执行、文件操作这些工具，直到完成一个多步骤的目标。
→ 第十一、十二章
提醒学生：这三层是新闻里出现频率最高的三个词，但它们都在最里面，覆盖的范围最窄。
AI 不等于大模型。
大模型是当下最耀眼的一层，但地图上另外五层都还活着，而且在很多场景里比大模型更合适。
用一个查表就能解决的问题去调用大模型，就像用一台推土机撬开一罐罐头。
这一页请停顿。它是本章最想让学生带走的一句话，也是第三章存在的理由。
可以补一个现实例子：很多「接了大模型」的产品，真正需要的只是一次数据库查询——慢十倍，贵一百倍，还会编造。
智能从哪里来：三种回答
符号主义
智能是对符号的操作。把知识写成符号和规则，让机器按逻辑推演。
成就：定理证明、专家系统
软肋：知识获取瓶颈——世界的知识太多太模糊，写不完，规则还会打架
连接主义
智能来自大量简单单元的连接，就像大脑由神经元组成。不写规则，让网络从数据里调整连接的强弱。
沉寂很久：算力和数据不够
今天：以「深度学习」的名义统治至今
行为主义
智能是在环境里通过试错学会做对的事，内部不需要有什么符号或表示。
代表：强化学习
根基：机器人学与博弈 AI，AlphaGo 的自我对弈来自这条路
今天的前沿是三者的合流：大语言模型是连接主义的产物，训练时用的强化学习来自行为主义，而当它调用工具、写代码、按步骤规划时，它又在做符号主义想做而没做成的事。
这一页解释了为什么新闻里很多「颠覆性突破」其实是老想法在新的算力条件下终于跑通了。第二章会把这条线拉长成七十年。
五组容易混的词
把它们分开，能省掉很多无谓的争论。
做事的方式，和做出来的东西
AI 与自动化
自动化是「按既定流程执行」。自动洗衣机会完成一整套动作，但每一步都预先写死，没人说它是 AI。
AI 是「在没有既定流程的情况下判断」。
很多号称 AI 的产品其实是自动化；很多真正的 AI 藏在不起眼的自动化里，比如银行后台的欺诈检测。
算法与模型
算法是一套步骤，比如「梯度下降」。
模型是算法在某份数据上跑完之后得到的那个东西，比如「一个训练好的猫识别器」。
同一个算法在不同数据上会得到不同的模型。新闻里说「某公司发布了新模型」，指的是后者。
「自动化 vs AI」这一组对教师特别有用：学校里大量被叫作 AI 的系统（排课、考勤、成绩统计）其实是自动化。
三组常被搞反的词
训练 / 推理
训练：从数据里学。发生一次，极贵，几周到几个月。
推理：用学好的模型回答一个问题。每次都发生，很便宜，几毫秒到几分钟。
你和聊天助手的每一次对话都是推理。模型本身在对话中不会改变，也不会「记住」你——第十章会讲这件事的后果。
参数 / 超参数
参数：模型内部由训练决定的数字（第四章会叫它们「旋钮」），大模型有几千亿个。
超参数：人在训练前设定的数字——学习率、层数、训练多少轮。
「调参」通常指调超参数。参数是模型自己学的。
开源 / 开放权重
开源：代码可读、可改、可再分发。
开放权重：只开放训练完的权重文件，训练数据和训练代码不公开。你能运行和微调它，但不能复现它。
这个区别在讨论安全与可审计性时很重要。
「模型不会记住你」这一条最反直觉，学生几乎都以为聊天在训练模型。可以现场演示：开一个新对话，模型不认识你。
四种能力
按技术分层是一种看法；按「它在做什么」分，对使用者更实用。几乎所有 AI 应用都可以归入四种能力之一，或者是它们的组合。
判断任何 AI 产品的框架
四个意象好记：眼睛看当下，望远镜看远处，画笔造新的，岔路要选一条。
认、猜、造、选
识别
输入一个东西，判断它是什么。人脸解锁、相册里搜「猫」、语音转文字、垃圾邮件过滤。
深度学习最早、最成熟的战场，很多任务上准确率已经超过人类。
预测
根据过去，估计未来或未知。到达时间、你会买什么、哪个病人有再入院风险、哪个学生可能跟不上。
质量完全取决于历史数据是否包含了未来的规律——第五章会反复强调。
生成
造出原本不存在的内容：一段文字、一张图、一段语音、一段代码。
2022 年之后最抢眼，也最容易出错——「造得像」和「造得对」是两回事。
决策
在一个环境里选择行动。下棋的每一步、机器人的每一次移动、自动驾驶的每一次转向、智能体的每一次工具调用。
与前三种的区别：它有后果，后果会改变环境，环境又影响下一步。
请把「决策有后果」这一点讲透。前三种错了可以重来，决策错了世界已经变了。这是第三章强化学习和第十一、十二章智能体的共同前提。
一个真实产品往往把它们串起来
以「帮我订明天去北京的高铁」为例走一遍四种能力，见下一页。
一句话，四种能力
- 识别语音识别把声音变成文字。
- 决策语言模型理解意图，并规划要做哪几步。
- 预测查询系统估计哪趟车更可能有票。
- 生成最后生成一段确认信息给你看。
当你看到一个 AI 产品，试着把它拆成这四种能力，你会立刻知道它的强项在哪、它的哪一环最可能出错。
课堂练习：让学生用四种能力拆「手机相册自动做成回忆短片」「外卖平台的推荐」「自动生成会议纪要」。
把开头的二十四小时展开
| 时刻 | 事情 | 能力 | 技术层 |
|---|---|---|---|
| 6:50 | 手机人脸解锁 | 识别 | 深度学习（卷积网络） |
| 7:10 | 天气预报说今天降水概率 60% | 预测 | 数值模拟 + 机器学习订正 |
| 7:30 | 地图说这段路 25 分钟 | 预测 | 机器学习（历史行程回归） |
| 8:00 | 输入法猜出整句话 | 预测 / 生成 | 语言模型（小型） |
| 9:00 | 邮箱把两封邮件归到垃圾箱 | 识别 | 统计学习（贝叶斯等） |
| 10:30 | 让助手把会议记录整理成要点 | 生成 | 大语言模型 |
| 12:00 | 外卖平台推荐了一家没点过的店 | 预测 | 机器学习（推荐系统） |
| 18:30 | 网约车报价 | 预测 | 机器学习（第四章的主角） |
| 21:00 | 视频平台的下一条推荐 | 预测 / 决策 | 机器学习 + 强化学习 |
| 22:30 | 音箱听懂「明早七点叫我」并设闹钟 | 识别 + 决策 | 语音识别 + 规则 |
三个观察，讲完表格再说：
一、绝大多数是预测和识别，生成只占很小一部分，尽管它最引人注目。
二、很多环节是「AI 给判断，规则来执行」的组合，纯粹的端到端 AI 并不多。
三、几乎所有这些系统都在悄悄根据你的行为调整——这是第五章「分布偏移」和第十四章隐私备忘的现实背景。
从那张表里能看出什么
生成最抢眼，但最少
绝大多数是预测和识别。公众注意力的分配和真实使用量的分配，差得很远。
纯粹的端到端 AI 并不多
很多环节是「AI 给判断，规则来执行」的组合。这也是它们可靠的原因。
它们都在悄悄跟着你变
几乎所有这些系统都在根据你的行为调整。第五章的分布偏移、第十四章的隐私备忘，说的就是这件事。
第二点值得展开：可靠的 AI 系统几乎都不是纯 AI，而是 AI 加约束、加规则、加人审。这是本课程贯穿始终的工程直觉。
它能做什么，不能做什么
写于 2026 年，这个问题的答案比任何时候都难说得准，因为边界每隔几个月就在动。但有一些结构性的判断，比具体能力列表更耐用。
什么样的任务它做得好
有大量例子、答案相对明确、
错了代价不高或可以被检查
- 翻译
- 总结
- 初稿
- 代码补全
- 图像分类
- 语音转写
在这些事上，它已经不是「助手」，而是把成本降低了一到两个数量级的基础设施。
例子稀少、答案没有共识、
或者错了没人能立刻发现
- 判断一篇论文是否真正有创见
- 理解一个孩子为什么突然不想上学
- 在从未出现过的局面里做出负责任的决定
这些事需要的不是「见过很多」，而是在没见过的时候也能站住。
「错了可以被检查」是关键中的关键：翻译错了你看得出来，编造的引文你不查就看不出来。第十章会把这条线索接到幻觉上。
AI 可以给出诊断建议，
但签字的是医生。
可以起草判决理由，但宣判的是法官；可以批改作文，但决定这个学生需要什么的是老师。
这不是技术限制，而是我们作为一个社会（至少目前）的选择。第十四章会回到这个话题。
请把「不是技术限制，而是社会选择」说清楚。技术上完全可以让系统自动决定并执行；我们不这样做，是因为责任需要一个能被追问、能承担后果的主体。
这也是本章自测第 4 题。
自信的语气不是可靠的证据
大语言模型会以完全自信的语气说出不存在的书名、错误的数字和编造的引文。
这不是偶发故障，而是它工作方式的自然结果。第十章会解释为什么。
语气的自信程度和内容的可靠程度之间没有关系。
本章只放这一句，不展开原理。但一定要放——学生从第一节课就该带着这个警觉去用它。
如果时间允许，现场让模型编一个参考文献，然后一起去查。效果比讲十分钟好。
当一个技术能拿化学奖
「突然爆发」有四十年的积累
第二章会看到那条曲线。
AI 开始成为其他科学的工具
而不只是一个独立的领域。第十三章专讲这件事。这也是为什么这门课面向所有专业。
辛顿的故事值得多说两句：一个被主流否定过很多次的方向，四十年后拿了物理学奖。这对学生理解科研的节奏有好处。
教师是「判断」的专业人士
过去两年，中国把 AI 教育从「兴趣课」推向了「课程体系」：教育部陆续发布中小学人工智能通识教育与生成式人工智能使用的指南，明确分学段目标，各地也在建 AI 教育基地校。
- 不管教什么学科，都要回答学生关于 AI 的问题
- 都要决定作业里能不能用 AI
- 都要判断一个「AI 教育产品」值不值得用
而绝大多数教师没有受过相关训练。
评价一篇作文、看出一个孩子为什么卡住、决定一个班级该慢一点还是快一点——这些正是本章说的「AI 根本上不做的事」。
所以教师学 AI，重点从来不是学操作，而是学边界：
- 它能替我做什么
- 我必须自己做什么
- 我怎样教孩子分辨这两者
如果你不是教师——「教师视角」其实是任何要为 AI 输出负责的人的视角：医生、律师、编辑、管理者，都一样。
这门课 2026 年春季学期的第一批学生是中小学教师。第十四章末尾有一段专门写给教师的话，还有一份可以直接搬进课堂的活动清单。
十四章，三种读法
- 地图（1–3 章）AI 是什么、从哪里来、除了神经网络还有什么。
- 学习（4–6 章）机器怎样从数据里找规律，为什么会学过头，神经网络为什么能做得这么好。
- 语言（7–9 章）文字怎样变成数字，注意力怎样让词看见彼此，一台续写机怎样被训练成助手。
- 世界（10–14 章）它为什么会编造，怎样长出眼睛和手，一个任务交给智能体后发生了什么，它怎样做科学，我们该怎样与它共事。
「深入」段落
折叠起来的，给想多走一步的人。跳过不会丢主线。
章末自测
先自己想，再看答案。
十二个实验
真的算法，在你的浏览器里运行。做过一遍，比读三遍都管用。
如果是第一节课，这里可以花两分钟带学生打开网站看一眼三种读法的切换，并做一个实验的现场演示。
你正在读的每一个字，
都是一个大语言模型写的。
这在几年前是不可能的，在今天是可以被检验的。
读的时候不妨保持一点警觉：哪里讲得清楚、哪里绕开了难点、哪里的自信显得可疑。
这种警觉，正是这门课最想教给你的东西。
这是全章最好的收尾，也是一个天然的课堂活动：请学生找出本章里一处「讲得可疑」的地方，下节课讨论。
本书正文由 Claude Fable 5.1 于 2026 年 9 月 2 日撰写，插画由 gpt-image-2 生成。
一个软件能在 0.1 秒内算出 20 位数的乘法。
按本章的定义，它是 AI 吗？为什么很多人不这么觉得？
先让学生回答，再按右键展开答案。多数人会直觉地说「不是」，追问「为什么不是」才是重点。
「大模型就是 AI」这句话错在哪里？
让学生对着那张六个圈的图回答。能画出来，这一章就算过了。
把「手机相册里搜索一张照片」拆成四种能力里的哪一种或哪几种？
为什么说 AI「不承担责任」是一个社会选择而不是技术限制？
四、技术上，一个系统完全可以被设计成自动做最终决定并执行。但我们要求诊断由医生签字、判决由法官宣读、学生评价由教师负责，是因为责任需要一个能被追问、能承担后果的主体。这个要求来自社会对问责的需要，不来自模型的能力上限。
第四题适合留作课后讨论或小组辩论：如果有一天 AI 的诊断准确率明显高于医生，我们还要不要坚持让医生签字？
这一章留下什么
- AI 是一个关于任务的定义，不是关于方法的定义：让机器完成通常需要人类智能才能完成的事。
- AI 效应让这个词的边界不断后退，永远指向机器还做不太好的那一片。
- 六个圈一层套一层：AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大语言模型 ⊃ 生成式 AI ⊃ 智能体。AI 不等于大模型。
- 四种能力——识别、预测、生成、决策——是判断任何 AI 产品的框架；决策的特别之处是它有后果。
- 自信的语气不是可靠的证据；而承担责任这件事，目前是我们主动没有交给机器的。
继续读
正文与「深入」段落：ai4edu.sjtu.edu.cn/helloai/read/what-is-ai/
下一章：第 2 章 七十年，三次浪潮
留三到五分钟做本页的回顾，让学生用自己的话复述其中一条。