人工智能到底是甚么？用一个日常例子分清 AI、机器学习与生成式 AI

文章目录＋

01 / 人工智能

先把智能两字拿走

AI 是大伞，机器学习是让系统从例子学规律的方法，生成式 AI 则是把学到的模式组合成文字、图片、声音或程式。三者不是三个互相竞争的产品名。

镜头根据过往照片判断菠萝包是否烤焦，才是机器学习：规则不是逐条写下，而是由例子中调整。系统再按你冰箱的剩余材料，写出一份从未出现过的早餐餐单，这才进入生成式 AI。

三者可以藏在同一个画面，却做着完全不同的事。

茶记落单这个例子之所以好用，是因为你每日都见：有些事情按牌做，有些事情靠经验估，有些事情要即场讲一句新回复。

写死『冻柠茶加冰、少甜』是规则；看过大量落单纪录后预测客人可能想要少甜，是机器学习；读懂一句『今日不想太甜』再写出一段回复，是生成式模型。

02 / 人工智能

人工智能是一个宽阔目标：让机器完成原本需要感知、推理、语言或决策的工作。机器学习只是达成这目标的一种方法；生成式 AI 又只是机器学习世界内，专门产生新内容的一族。

所谓「用了 AI」因此几乎没有说明任何技术。就像一间餐厅说自己「用了电」：雪柜、灯和焗炉都是真的，能力却不能互换。

把三种方式混成『AI』，就像把收银机、侍应和厨师叫同一个名字；出事时没有人知道应该找谁。

企业做 AI 时最容易跳过的，是先说清楚失误成本。收银机不应用生成式猜测，市场草稿可以接受有人工审阅的生成；工具要跟风险配对。

03 / 人工智能

最少人提到的是：模型会学甚么，首先由人选择要它猜甚么。烤焦侦测器若以「顾客有没有退货」作标签，学到的可能是顾客容忍度，而不是面包颜色。

AI 看似从数据自行发现答案，其实有人早已透过标签、损失函数和测试方法，把「正确」的边界画好。数据不是现实本身，只是现实被记录后留下的影。

先问错一步会伤到甚么，再决定需要几多智能。

生成式模型可以做出很像人写的答案，却未必拥有人的目的、常识或责任感。它是在模式空间中找合理下一步，不是坐在脑内逐句验证世界。

04 / 人工智能

生成式系统擅长制造统计上连贯的新排列。它可以写出漂亮餐单，却未必知道你的焗炉坏了、材料已过期，或客人对花生敏感。

流畅是输出的质感，不是对世界状态的保证。这正是它令人惊艳亦令人误判的地方：介面像在交谈，底层更接近一部极强的模式延续器。

05 / 人工智能

手机相簿用模型辨认人物，是机器学习；自动写回忆标题，是生成式 AI；整个「帮你整理照片」的功能则可被包装为人工智能。分类不是三选一，而是包含关系。

最简单的判断方法不是问它叫甚么，而是问：规则由人直接写好、由数据学出，还是根据学到的分布创造新输出？

06 / 人工智能

传统软件多数以一致方式失败：同一漏洞可重现。机器学习会在训练资料稀少的角落失败。

生成式 AI 更特别，它可以每次产生不同而又貌似合理的错误。选择工具时，最重要的不是哪一个听起来更先进，而是哪种失败你承受得起。

07 / 人工智能

企业做 AI 时最容易跳过的，是先说清楚失误成本。收银机不应用生成式猜测，市场草稿可以接受有人工审阅的生成；工具要跟风险配对。

08 / 人工智能

生成式模型可以做出很像人写的答案，却未必拥有人的目的、常识或责任感。它是在模式空间中找合理下一步，不是坐在脑内逐句验证世界。

所以『讲得好流利』和『知道自己在讲甚么』要分开。这一点听落扫兴，但系真相。

09 / 人工智能

机器学习一定要生成内容？
不一定。分类、预测和排序都可以是机器学习，未必输出一篇新文章。

AI 系咪一定要像人？
不系；很多最有用的 AI 只是在背后做检测、配对或预测。

企业第一步应该做甚么？
先列出一个可量度、可回复的问题，再决定需要规则、预测模型，还是生成式工具。

资料注脚

来源用来支持机制与限制；模型、产品及价格会更新，阅读时应以官方页面的版本和日期为准。