第1章　认识正在走进生活的人工智能

样章 v0.2　｜　2026年9月20日

从一个问题开始

桌角有一张用过的包装纸。你拿起它，想做一点东西，又暂时没有想法。

过去，你可能会先翻书、搜索图片，或者问身边的人。现在，你还可以打开一个AI对话窗口，写下：“一张旧包装纸，除了包东西，还能用来做什么？”

屏幕上可能出现一些你想到过的建议，也可能有一个新点子让你停下来。你接着说明，手边有什么材料，希望做给谁看。随着交流继续，那个模糊的念头有了可以尝试的第一步。

但纸是否折得起来，作品是否符合你的想法，同学看了以后有什么反应，还需要你去做、去看、去交流。

这是一种可能发生的学习情境。你也可以从完全不同的问题开始：想解释一个现象，想读懂一段材料，想把一次经历讲清楚，或者想改善一件不方便的小事。

人工智能正在成为我们接触信息、表达想法和制作作品的一种工具。本章先认识它能够参与哪些事情，再完成一次自己的尝试。你不需要先会编程，但需要带着好奇心，留意实际发生了什么。

学完本章，你将能够：用例子说明识别、生成与执行的不同；初步解释规则、数据和模型之间的关系；完成一次交流、追问和核对，并说清自己作出的一项判断。

1.1　人工智能能够参与哪些事情

1.1.1　识别、生成与执行

人工智能（artificial intelligence，AI）是研究和构建具有识别、学习、推理、生成等能力的计算机系统的技术与方法。这样的系统接收文字、图像、声音或其他信息，经过处理，给出判断、建议、内容，或者帮助安排后续行动。[1]

这句话还比较概括。我们可以先从使用中容易观察到的三类事情认识它：识别、生成和执行。这是一种便于入门的观察方式，实际应用中的能力常常相互配合。

识别：从已有信息中作出判断。

你给一个支持图像输入的AI应用提供照片，请它指出照片中的物品；或者给语音识别程序一段录音，让它把说话内容转成文字。这些任务都需要系统从输入中提取信息。[3]

观察识别结果时，要注意输入的范围。一张照片记录了一个角度，录音也只保留了当时采集到的声音。假如照片没有拍到纸盒背面的标签，系统就不能仅凭正面照片确认标签上写了什么。它可以提出猜测，但猜测需要与看见的内容分开。

生成：根据要求形成内容。

你可以请AI把一段说明写得更容易理解，为一个主题提出几种表达方式，或者生成一幅图像。不同应用支持的形式不同，需要使用相应功能。[3]

生成过程中，系统会利用从数据中学到的关联和当前提供的信息组织输出。文字可以通顺，点子也可能有启发，但里面的具体事实仍然需要核对。[5]

例如，你请AI为自己的小作品写介绍，却没有告诉它作品的尺寸。它若写出了一个具体尺寸，你就需要确认这个数字从哪里来。对于作品名称，你可以比较不同提议后自行选择；对于实物尺寸，则应该测量或查阅自己的记录。这两种判断的依据不同。

执行：借助工具完成实际操作。

当AI应用接入适当工具，并获得相应许可时，它还可以帮助调用计算程序、读取文件，或修改一个网页。应用中的AI提出要进行的操作，程序或工具负责实际执行，再把结果返回。[6]

请比较两种情况：一种是屏幕上出现“请把这段文字保存成文件”的操作说明；另一种是指定位置已经出现文件，而且打开后能看到正确内容。前一种给出了做法，后一种才有实际保存结果。

因此，观察AI执行任务时，既要看它说了什么，也要查看文件、程序或设备实际发生了什么变化。

这三类事情可以连在一起。例如，应用先读取一张作品照片，再整理介绍文字，最后调用工具把内容放入网页。也可以只使用其中一种能力。简单计算或固定格式转换，常常直接使用普通程序就能完成；选择合适的方法，比为所有操作加上“AI”名称更重要。

1.1.2　一次实际体验中的能力与限制

打开AI对话工具，做一次小尝试。

第一次提问可以很简单。你可以写下自己的问题，也可以借用下面的起点：

我想用一张旧包装纸做一个有意思的小作品，你有什么建议？

读到回答后，先找一条自己愿意继续了解的建议。然后想一想：这条建议适合我现在的材料和条件吗？我还需要说明什么？

例如，你可以继续补充：

我只有一张纸和一支手电筒。这次不使用剪刀、胶水，也不拆装电器。我想向同学展示一种会变化的影子。请帮我想一个容易尝试的做法，并说明第一步。

这一次，你说明了材料、操作范围和想呈现的效果。系统可利用的信息更具体了。它的回答是否真的更适合你，仍要通过阅读与尝试来判断。[5]

下面是一段示例：

可以试着把纸折成连续的折面，让它立在桌上。用手电筒从不同方向照，观察影子有什么变化。先试折一小段，看看这张纸能否保持形状，再决定怎样继续。

读完这段话，可以从三个方面理解它。

它使用了你说明的材料，没有增加复杂设备；它把“做一个有意思的作品”变成了一个较容易开始的动作；它还留下了需要现场观察的问题——手里的纸是否能保持形状，实际影子是否符合你的期待。

你可以先想象，也可以在教师允许的条件下进行简单尝试。使用手电筒时不要照向眼睛。这里不要求必须完成纸作品，重要的是看清：一个想法怎样在补充信息和实际观察中逐步具体起来。

你的AI回答可能完全不同。它可能提出更好的办法，也可能要求更多材料，或者需要你继续说明。按实际情况记录即可。第一次回答已经很有帮助时，就继续完善；暂时没有合适建议时，也可以换一个更明确的问题。

这次体验中，AI帮助你扩大了可考虑的做法，或者把一个想法拆成了容易开始的步骤。你则需要判断建议是否适合自己，决定采用什么，并观察实际效果。

停下来想一想：你补充的哪一条信息最重要？从实际回答中，能看出这条信息影响了什么吗？

1.2　人工智能怎样发展到今天

1.2.1　从编写规则到从数据中学习

今天的AI应用建立在长期研究之上。1956年，在美国达特茅斯学院举行的人工智能夏季研究项目，是人工智能研究领域形成的重要节点之一。研究者开始围绕机器怎样学习、使用语言和解决问题展开集中讨论。[2]

了解这段历史，可以先抓住一个问题：人怎样让计算机知道该怎么处理一件事？

一种办法是把处理规则明确写出来。

假设你想让程序从一组物品图片中找出杯子，最初想到的规则可能是：“看见把手，就判断为杯子。”可是，水壶也有把手，有些杯子又没有把手。你继续增加条件，还会遇到角度变化、遮挡和不同形状的问题。

这个例子说明，对某些任务，人很容易认出结果，却很难把所有判断条件写成一套简单规则。

另一种办法是提供许多例子，让计算机通过计算寻找其中的规律。这就是机器学习的基本思路。[3]

还是以辨认杯子为例。准备一批杯子和其他物品的图片，并说明每张图属于哪一类。这些图片和对应说明就是训练时使用的数据。计算机先按当前的方法给出判断，再把判断与已知结果比较，并据此调整内部一些数值。经过许多次这样的比较和调整，处理方法逐渐形成。这个过程称为训练。[4]

训练得到的模型，可以接收新的图片并给出判断。在这里，模型是把输入信息通过计算转换为结果的一套结构和数值。训练中调整的数值会影响它怎样处理输入。它与桌面上的纸模型含义不同，也不等于我们看到的聊天窗口。[4]

现在可以把过程连起来理解：准备例子，训练模型，用新的材料检查，再观察它能否用于需要解决的问题。

训练过的材料不能代表所有实际情况。假设训练中的杯子总是放在白色桌面上，模型可能利用了背景中的某些规律。换一个背景后，结果是否变化，需要实际检查。第3章会通过一个小实验进一步研究这个问题。[4]

这里介绍的是使用带有已知类别的例子进行学习的一种方法。机器学习还有其他方式，后面会结合具体任务逐步了解。

规则与从数据中学习也可以配合使用。例如，模型帮助判断图片中的物品，程序则按照明确规则决定结果怎样显示、什么操作必须先确认。现实应用通常需要把多种方法组合起来。[1][6]

1.2.2　从专门任务到更广泛的应用

我们可以专门训练一个模型，让它区分两类物品。这样的模型解决的问题比较明确：输入一张图片，输出一个类别。它并不会因此自动获得写作、计算或操作文件的全部能力。

还有一些模型使用范围更广的材料进行训练，并包含大量可以在训练中调整的数值。人们常用“大模型”称呼这类规模较大的模型。其中，大语言模型主要学习和处理语言中的关联，能够用于解释、改写、概括、翻译等不同任务。[5]

这带来一种容易观察到的变化：在同一个对话窗口中，你可以先请它解释一句话，再比较两种写法，接着讨论怎样安排一次尝试。为了适应新的要求，系统会利用当前提供的问题、材料和前文信息组织回应。[5]

这里要分清两个过程。前面说的训练，是根据数据调整模型。你在一次交流中补充“只有纸和手电筒”，则是提供本次处理所需的信息。仅凭回答随着对话改变，不能判断模型刚刚经历了新的训练。[4][5]

应用还可以把不同能力组合起来。处理图片的功能帮助读取图像信息，语言模型帮助组织说明，工具负责计算、读取或保存。完整应用还需要界面和相应的程序。[6]

因此，同样显示一个对话框，背后能做的事情也可能不同。有的只能进行文字交流，有的能够接收图片，有的能调用工具。使用前要了解手头工具提供了哪些功能，实际结果也要在相应位置查看。

能力范围扩大，给学习和创造提供了更多入口。你可以先用熟悉的语言说明想法，再在帮助下逐步接触绘图、编程或其他方法。本书后面的实践会带你从一段表达走向小作品，再尝试让作品感知环境并作出回应。

这种变化也让我们更需要学习判断：一个建议是否适合实际条件，一项信息是否有依据，一个做法是否值得采用。工具能够提供选择，选择背后的理由仍然值得认真讨论。

联系自己的经验：你接触过的哪种工具只做一类事情？哪种工具可以完成多种任务？试着描述它们接收什么、给出什么，不必急着判断哪一个“更聪明”。

1.3　我们怎样开始与AI相处

1.3.1　带着自己的问题使用AI

接下来，把前面的尝试进一步推进。已经提出自己问题的同学，可以继续围绕原来的问题交流；借用了纸作品示例的同学，可以延续这个想法，也可以选择另一个自己关心的问题。

你可以从一个具体观察出发：同样一件物品，换一个拍摄角度以后为什么很难认出来？也可以从表达需要出发：怎样向没有看过作品的人讲清楚自己做了什么？还可以从想改进的小事出发：怎样让一份说明更容易被第一次使用的人读懂？

选择时，优先考虑自己熟悉、能够找到部分材料、并且可以进行简单核对的问题。涉及危险操作，或者需要专业诊断的问题，先与教师讨论，不作为这次入门练习。

这次练习不要求问题宏大，也不要求做出完整产品。完成一次有来回的交流，找到一项真正有用的推进，并留下自己的判断即可。

先写下问题与已有认识。

在提问之前，用自己的话写一两句话：“我想弄清什么？”“我已经观察到什么，或者尝试过什么？”这份记录可以帮助你在交流以后看出变化。

例如，“帮我设计一个作品”还比较宽泛。你可以补充希望表达的内容、手里的材料、准备给谁看，以及现在最不清楚的一点。此时不需要追求固定格式，先把意思说清楚。

进行交流，再追问一个具体问题。

把自己的问题输入AI工具，读完后，挑一处值得继续的内容。可能是一个你没想到的办法，也可能是一句不明白的解释。

你可以追问：“你说的这一步具体怎么做？”“我只有这些材料，这个办法还适用吗？”“请用我已经学过的知识解释这一点。”这些说法只是起点，关键是回应你实际遇到的疑问。

追问时最好一次处理一个主要问题。这样更容易观察新的信息是否让解释或方案发生了变化。

选一项关键内容，换一种方式检查。

如果回答解释一个事实，回到教材、原始资料或可靠出处核对；如果提出一个做法，检查它是否符合你的材料和操作条件，必要时进行安全的小尝试；如果帮助你修改文字，请实际阅读的人说说哪里清楚、哪里还不明白。

再请同一个AI重复回答，可以帮助进一步讨论，但重复本身不能代替核对。[5] 你需要接触原始材料、实际结果或有关人员，而不仅看它是否说得肯定。

暂时找不到依据时，记下“还没有确认”也很重要。尚未确认的内容，不必为了交作业写成确定答案。

留下一段自己的记录。

把最初的问题、AI提供的一项有用内容、自己怎样检查，以及接下来想继续做什么写下来。附上使用日期和工具名称即可，不必保存全部对话。

可以把这份记录写在笔记本上，也可以保存为“第1章—我的第一个问题”。

如果采用小组方式，每位同学都应留下自己的判断和理由。第12章会请你再次回看这段记录，观察自己最初的问题和认识发生了什么变化。

1.3.2　保留观察、核对与选择的习惯

在与AI交流的过程中，有三种习惯值得逐渐形成。

观察实际发生的事情。

你给了什么信息，系统回应了什么，文件或作品有了什么变化，这些都值得仔细看。回答变长，不一定意味着解决了更多问题；一句很短的追问，也可能帮助你发现自己没有说清楚的条件。

例如，一段作品介绍写得流畅，但别人读完仍然不知道它怎么使用。你可以观察对方停在哪里、提出了什么问题，再决定怎样修改。这时，实际使用者的反应给出了新的信息。

用合适的办法核对。

事实、方案和个人感受，需要不同的判断办法。事实要寻找材料和证据；方案需要考虑条件并查看效果；审美和感受则可以交流理由，允许不同选择。

讨论一个纸作品的名字，可以存在多个好答案。讨论它能否站稳，就需要实际观察。学习区分这些问题，会让你更清楚哪些事情可以继续讨论，哪些事情需要动手或查证。

作出选择，并能够说明理由。

你可以接受AI的建议，也可以改动、暂缓或放弃其中一部分。重要的是知道自己为什么这样处理。理由可以很具体：“这个办法需要我没有的材料。”“这句话与原文不一致。”“我保留这段自己的经历，因为它解释了我为什么做出这个设计。”

有时你也会发现，直接查一本书、用计算器算一下，或者与同学商量，更适合眼前的问题。学会选择工具，也是学习AI的一部分。

使用过程中，还要顾及其他人的信息和感受。优先使用自己整理或允许使用的材料，上传照片前留意是否包含他人的面孔、联系方式或私人内容。需要对外发送、发布或修改公共文件时，应先明确自己的权限和相关人的同意。

同样重要的是，认真对待自己的感受和想法。AI可以提出许多表达方式，但你熟悉的人、亲自看到的细节、实际做过的尝试，能够帮助你判断什么值得写、什么值得做。第2章将从这些具体经验出发，学习把自己的想法说清楚。

本章回望

这一章从一次小小的提问出发，认识了AI参与识别、生成和执行的不同方式，也初步理解了数据、训练与模型的关系。我们看到，完整应用需要模型、程序、工具以及实际使用条件共同发挥作用。

你还完成了一次属于自己的交流。值得保留的不只是AI的回答，还有你怎样补充信息、检查内容，以及作出选择。

屏幕上的建议，为一次尝试提供了起点。接下来的事情，发生在你的阅读、观察、动手和与他人的交流中。

练习与继续探索

1. 说清发生了什么。AI显示“已为你生成介绍卡”，但你只看见一段文字。这时你能够确认什么？要确认介绍卡文件确实完成，还需要看什么？结合本章的识别、生成与执行进行说明。

2. 解释模型怎样形成。一位同学把自己拍的杯子照片交给程序训练。请用自己的话解释训练在做什么，以及为什么还要找另外一些照片检查。暂时不需要写出计算公式。

3. 比较两种判断。给一个纸作品起名字，与判断它能否站稳，各可以怎样检查结果？为什么两件事情可以采用不同的判断办法？

4. 把自己的问题留给以后。回看本章记录，补上一句：“我下一步还想弄清……”保留具体疑问。它可以成为后续实验、创作或小项目的起点。

本章资料来源

以下资料用于核对本章的基本概念与历史事实。

[1] OECD.AI. Updates to the OECD’s definition of an AI system explained. 访问日期：2026-09-20。用于参照AI系统的输入、输出及不同技术方法；正文为适合入门学习的概括性解释。https://oecd.ai/en/wonk/ai-system-definition-update

[2] Dartmouth. Artificial Intelligence (AI) Coined at Dartmouth. 访问日期：2026-09-20。https://home.dartmouth.edu/about/artificial-intelligence-ai-coined-dartmouth

[3] Google for Developers. What is Machine Learning? 访问日期：2026-09-20。https://developers.google.com/machine-learning/intro-to-ml/what-is-ml

[4] Google for Developers. Supervised Learning. 页面更新于2025-08-25，访问日期：2026-09-20。https://developers.google.com/machine-learning/intro-to-ml/supervised

[5] Google for Developers. Introduction to Large Language Models；LLMs: What’s a large language model? 访问日期：2026-09-20。https://developers.google.com/machine-learning/crash-course/llm ；https://developers.google.com/machine-learning/crash-course/llm/transformers

[6] Anthropic. Building effective agents. 原文发表于2024-12-19；访问日期：2026-09-20。用于参照模型、工具与执行结果的关系，未采用其中具体框架版本要求。https://www.anthropic.com/engineering/building-effective-agents