从计算到学习：人工智能发展背后的核心原理

一、原理概述：人工智能如何从“执行指令”走向“学习规律”

本文要解释的核心原理是：计算机如何借助规则、数据和优化算法，实现识别、预测、推理与内容生成，以及这些能力为何沿着不同技术路线逐步发展。

人工智能可以理解为研究和构建智能行为系统的一类技术。这些系统接收文字、图像、声音或环境状态等输入，经过计算，输出分类结果、预测数值、行动方案或生成内容。

这里的“智能”是一种能力描述，并不意味着机器必然具有意识、情绪或与人类相同的理解方式。

理解人工智能的发展，可以抓住一个贯穿始终的问题：

当任务复杂到无法由人逐条写出全部规则时，机器还能怎样完成它？

早期方法主要依靠人工整理规则，后来的机器学习则尝试从样本中估计规律，深度学习进一步让系统自动学习多层特征表示。它们并不是彼此完全取代的关系，而是针对不同问题形成的技术路径。

二、从人脑出发：智能的启发，不等于结构的复制

1. 人脑的能力来自大量神经元及其连接

人脑大约包含860亿个神经元。典型神经元通过树突接收来自其他细胞的信号，经细胞体整合后，可能沿轴突传递信号，再通过突触影响其他神经元。

这一过程不是简单的“收到信息就转发”，而是涉及信号整合、兴奋与抑制、连接强度变化等复杂机制。记忆、感知和行为依赖大量神经元与其他细胞在不同时间尺度上的协同活动。

人类能够学习语言、建立抽象概念、制造工具，也不只是因为神经元数量多，还与脑区组织、身体经验、社会互动和文化积累有关。

因此，将人工智能解释为“复制一个人脑”，并不准确。脑科学提供了重要启发，但现代人工智能的许多实现更直接地来自数学、统计学、计算机科学和工程优化。

另外，人类具有突出的复杂语言与累积文化能力，但并非只有人类表现出学习、记忆、工具使用或社会认知。将人类简单描述为“唯一有智能的动物”，也不够严谨。

2. 人工神经元只是简化的数学模型

人工神经网络中的“神经元”，通常只是一个计算单元，可以用下面的形式表示：

输出 = 激活函数（各项输入与对应权重乘积之和 + 偏置）

其中：

• 输入是当前接收到的数值特征；
• 权重决定不同输入对结果的影响；
• 偏置调整计算单元的响应位置；
• 激活函数引入非线性，使网络能够表示更复杂的关系。

为什么需要非线性？因为如果每一层都只做线性变换，无论叠加多少层，整体仍可合并为一次线性变换，表达能力会受到明显限制。

这种数学模型借用了生物神经元“整合输入并产生输出”的思想，却没有完整模拟真实神经元的电化学过程。理解这一点，有助于避免把模型输出直接等同于人的心理活动。

三、电子计算机解决了什么，又没有解决什么

1. 计算机首先提供了可重复执行的计算能力

20世纪40年代，电子计算机进入重要发展阶段。1946年公开的一台早期通用电子数字计算机，通常被视为这一历程中的标志性成果之一。不过，“第一台计算机”的说法取决于是否要求电子化、通用性、可编程或存储程序等条件，不能脱离定义给出唯一答案。

计算机的关键贡献，是能够按照形式化指令高速执行运算，并保存程序、数据和中间结果。

以常见的存储程序计算机为例，其工作过程可以简化为：

读取指令 → 解释指令 → 获取数据 → 执行运算 → 保存结果 → 继续执行。

计算机由此能够把复杂任务拆成大量确定步骤，持续、重复地完成。

但“执行得快”和“知道应该怎样解决问题”是两回事。硬件提供的是计算能力，任务求解能力仍需要来自程序、知识表示或学习得到的模型。

2. 明确规则的任务容易编程，开放环境中的任务更难

计算账目时，人可以清楚规定加减乘除的顺序。识别照片中的猫却不同：猫可能改变姿态，光线可能变化，背景可能复杂，还可能只露出身体的一部分。

如果完全依靠手写规则，开发者需要提前考虑大量组合：

• 耳朵看不清时如何判断？
• 毛色变化是否影响结果？
• 背景中出现类似轮廓怎么办？
• 图像模糊或遮挡后，原有规则是否仍成立？

这类问题的困难不在于计算机不能执行规则，而在于人很难把全部有效规则准确、完整地写出来。

这正是人工智能研究需要面对的核心挑战之一。

四、规则与符号推理：把人的知识写进机器

1. 基本机制是“事实、规则与推理过程”

人工智能早期的一条重要路线，是把知识表示为符号、事实和逻辑规则，再由程序进行推理。

一个简化系统可以分为三个部分：

组成部分	主要作用
事实集合	保存当前已经知道的条件
规则库	描述条件满足时可以得到的结论
推理模块	匹配规则、处理冲突并产生新结论

例如，一个设备排查系统可以使用这样的规则：

如果设备无法启动，并且供电指示异常：
    优先检查供电链路
如果供电正常，并且自检失败：
    继续检查设备内部状态

系统会把输入的现象与规则条件匹配，将得到的新结论加入当前状态，再继续判断后续规则。

2. 为什么有效，为什么又会遇到瓶颈

规则系统在知识边界明确、条件相对稳定的场景中很有效。它的结论往往能够追溯到具体规则，便于审计和维护。

问题在于，现实知识通常存在例外、模糊性和冲突。随着规则增加，可能出现多条规则同时满足、不同规则结论不一致，以及新增规则破坏旧逻辑等问题。

因此，规则系统的困难主要是知识获取和规则维护，而不是“规则完全没有用”。在权限判断、业务约束和安全控制中，明确规则至今仍不可替代。

五、机器学习：从编写规则转向估计参数

1. 学习并不是机器自行获得知识，而是优化一个模型

机器学习改变了任务的实现路径。

传统方式通常是：

人工编写规则 + 输入数据 → 输出结果。

监督学习的典型方式则是：

训练样本 + 对应目标 + 学习算法 → 得到模型，再用模型处理新数据。

以判断设备是否可能故障为例，训练样本可以包含温度、振动、工作时长等信息，以及之后是否发生故障的记录。

模型接收这些特征，输出一个故障风险分数。训练过程则根据预测与实际记录的差异，调整模型参数。

这并不是凭空发现因果关系，而是在数据和模型假设的约束下，寻找能够较好描述样本规律的参数。

2. 损失函数把“预测得好不好”变成可计算的问题

为了调整参数，需要先定义错误。损失函数承担的就是这个作用。

例如，对于数值预测，常见思路是衡量预测值与真实值之间的差距；对于分类任务，则可以衡量模型是否给正确类别分配了足够高的概率。

训练过程可概括为：

初始化模型参数
重复执行：
    读取一批训练样本
    计算模型预测
    计算预测与目标之间的损失
    求出损失对参数的梯度
    根据梯度更新参数
使用独立数据评估模型

梯度描述的是：参数发生微小变化时，损失会如何变化。优化算法利用这些信息，寻找能够降低损失的更新方向。

但训练损失下降，不等于真实任务表现一定改善。模型可能只是记住了训练数据，而没有学到能够迁移到新样本的规律。

3. 泛化能力决定模型是否真正有用

模型在未见数据上仍能保持合理表现的能力，称为泛化能力。

为检查泛化，通常需要区分：

• 训练集：用于更新参数；
• 验证集：用于选择模型和调整训练方案；
• 测试集：用于最终评估，避免反复参与调优。

数据划分还必须考虑时间和来源。例如，预测未来故障时，如果把故障发生后的信息混入输入，模型就可能获得现实使用时根本拿不到的线索，形成数据泄漏。

这说明机器学习效果不仅取决于算法，还取决于任务定义、数据质量和评估方法。

六、深度学习：为什么增加层次能够提升表达能力

1. 多层结构让模型逐步组织信息

传统机器学习往往需要人工设计大量特征。深度学习则通过多层可训练变换，让模型在训练中形成适合任务的内部表示。

以图像任务为例，可以把处理过程粗略理解为：

像素输入 → 局部纹理与边缘 → 形状和部件组合 → 与任务相关的整体表示 → 输出结果。

这是一种帮助理解的描述，并不意味着每层都必然对应明确、固定的人类概念。

多层结构的价值在于复用：底层提取出的模式可以参与多种更复杂的组合，从而减少完全依靠人工枚举特征的需要。

2. 反向传播让大量参数能够协同调整

一个多层网络可能包含大量参数。如果逐个试探参数变化，计算成本会非常高。

反向传播利用微积分中的链式法则，从损失出发，沿计算关系反向计算各参数的梯度。优化算法随后利用这些梯度更新参数。

因此，训练的关键协作关系是：

前向计算得到预测，损失函数衡量偏差，反向传播计算梯度，优化算法调整参数。

反向传播负责高效计算梯度，优化算法负责决定具体如何更新，两者不是同一个概念。

更深、更大的模型也并非必然更好。训练数据不足、优化不稳定、计算资源受限或任务本身简单，都可能使增加规模无法带来预期收益。

七、生成式模型：为什么机器能够连续生成文本

1. 从识别类别走向预测序列

人工智能不仅可以输出类别，也可以生成文本等序列内容。

对于常见的自回归语言模型，基本任务是：根据前面的上下文，估计下一个文本片段出现的概率。

其生成过程可以表示为：

输入文本 → 转换为数值表示 → 计算上下文关系 → 得到下一片段的概率分布 → 选择片段 → 加入上下文 → 继续生成。

模型通常处理的是分词后的单元，而不是始终按完整汉字或完整单词工作。这些单元可以是字、词或更细的片段。

连续执行这一过程，就形成了较长的回答。更大的上下文、更丰富的数据和更有效的训练，使模型能够学习语法、表达方式以及许多任务中的统计关系。

2. 注意力机制如何建立上下文关联

理解一句话时，并不是所有位置都同样重要。注意力机制通过计算当前位置与其他可见位置的相关程度，对不同位置的信息进行加权汇总。

例如，当一句话中出现代词时，相关的前文信息可能得到较高权重，进而影响后续计算。

这一机制的作用，是让模型根据输入内容动态选择信息，而不是只依赖固定的局部规则。

不过，注意力权重属于内部计算的一部分，不能简单当作完整的推理解释。模型能利用关联，也不代表它始终能够正确判断事实或因果关系。

3. 流畅生成为什么仍然可能出错

预测合理的后续文本，与核验现实中的事实，并不是同一个目标。

如果上下文信息不足，模型仍可能根据训练中形成的模式生成一段连贯内容，其中却包含不存在的细节。这类错误通常被称为幻觉。

因此，回答是否流畅、是否自信，不能作为真实性的充分证据。涉及最新信息、专业结论或高风险决策时，需要可信资料、外部校验和必要的人工复核。

八、训练与推理：模型学会规律后如何提供服务

1. 两个阶段解决不同问题

训练阶段通过数据、损失和优化过程更新参数，主要目标是形成有效模型。

推理阶段使用已经确定的参数处理新输入，通常不再通过该次请求更新参数。

因此，用户向系统提问，并不意味着模型会立即把这次对话永久学进参数。临时上下文、外部存储和后续训练，是不同机制，不能混为一谈。

2. 一个通用系统如何协作

面向实际应用，模型通常只是系统的一部分。常见处理链路可以概括为：

请求接入 → 身份与权限检查 → 输入预处理 → 模型计算 → 结果校验 → 返回响应。

其中：

• 接入模块管理请求大小、超时和调用频率，避免资源被无限占用；
• 预处理模块将文本、图像等输入转成模型能够处理的表示；
• 计算模块加载模型参数并执行推理；
• 结果处理模块检查输出格式，必要时补充规则校验；
• 监控模块记录延迟、失败率和质量指标，帮助发现异常。

批处理可以让多个请求共享一轮计算，提高硬件利用率，但等待凑批也可能增加响应延迟。缓存能够减少相同内容的重复计算，却需要考虑内容是否过期，以及不同用户之间的数据隔离。

这些设计反映了一个事实：模型能力与系统可用性是两个层面，真实应用需要同时解决。

九、回看发展历程：变化的是知识表达方式

从历史脉络看，人工智能经历了多条技术路线的探索：

技术路线	知识主要如何表达	核心优势	主要限制
规则与符号推理	人工定义的事实和规则	逻辑明确，便于追溯	知识整理与维护成本较高
统计机器学习	从数据估计的模型参数	能处理一定的不确定性	依赖数据与特征质量
深度学习	多层网络中的参数与表示	能学习复杂特征	数据、计算和评估要求较高
大规模生成模型	训练形成的参数及上下文表示	支持较广泛的生成与交互任务	仍可能出现事实错误和不稳定输出

这些路线不是一条简单的淘汰链。规则可以约束模型输出，学习模型可以处理规则难以覆盖的输入，外部资料可以补充模型参数之外的信息。

20世纪50年代中期，人工智能逐渐作为独立研究方向形成。此后，其发展并非持续直线上升，而是受到算法能力、数据条件、硬件资源与社会预期的共同影响，经历过多轮热潮与调整。

真正推动技术前进的，不是单一概念，而是问题表示、学习方法和计算条件逐渐匹配。

十、总结：人工智能的关键不是“像人”，而是“如何形成能力”

人工智能的发展，可以理解为对同一问题的持续探索：面对复杂任务，机器应当怎样获得可执行的求解方式？

规则系统把人的知识写成明确条件；机器学习通过样本优化参数；深度学习进一步学习多层表示；生成式模型则利用序列建模与上下文计算，形成灵活的内容生成能力。

它们共同依赖计算，却以不同方式组织知识、表达规律和处理不确定性。

对开发者而言，理解这些原理比单纯记住技术名词更重要。只有分清数据与规则、训练与推理、关联与因果、生成与核验，才能判断一个问题适合什么方法，以及系统需要哪些约束。

人工智能的实践价值，最终不取决于它表现得多像人，而取决于它能否在明确边界内，持续、可靠、可验证地完成任务。