不需要任何技术背景，用生活中的例子，带你搞懂人工智能的核心概念
人工智能（AI）就是让机器像人一样"思考"和"学习"。但别被这个词吓到，它比你想象的简单多了。
想象你在教一个小朋友认猫。你不会给他背一堆规则："四条腿、有毛、会喵喵叫……"。你只需要给他看很多很多猫的照片，说"这是猫"。看了 1000 张之后，他就学会认猫了——即使碰到一只从没见过的猫，他也能认出来。
AI 就是这样学习的！给它喂大量数据（照片），它自己总结出规律（长什么样是猫），然后就能识别新东西了。
从 1950 年的一个大胆想法，到今天的 ChatGPT，AI 走过了 70 多年。点击每个节点看详情 👇
点击任意事件卡片，展开查看详细故事。时间线从上到下，颜色交替方便区分。
艾伦·图灵提出了著名的"图灵测试"：如果一台机器能让人类分不清它是人还是机器，那它就算有"智能"了。这是 AI 最早的定义之一。
在达特茅斯会议上，科学家们第一次正式使用了"Artificial Intelligence"这个词。AI 作为一个学科正式诞生。
IBM 的"深蓝"计算机在六局比赛中击败了世界象棋冠军卡斯帕罗夫。第一次让大众感受到 AI 的力量。
AlexNet 在图像识别比赛中碾压对手，错误率比第二名低了整整 10%。深度学习从此成为 AI 的主流方法，标志着 AI 复兴。
谷歌 DeepMind 的 AlphaGo 以 4:1 击败韩国围棋九段棋手李世石。围棋的可能性比宇宙中的原子还多，AI 能赢震惊了全世界。
谷歌发表论文"Attention Is All You Need"，提出 Transformer 架构。这是 ChatGPT、Claude 等所有大语言模型的技术基础。
OpenAI 发布 ChatGPT，两个月用户破亿。随后各公司纷纷推出 AI 产品：Claude、Gemini、文心一言……AI 从实验室走进了每个人的日常生活。
机器学习是 AI 最核心的方法——不是人写死规则，而是让机器自己从数据里学。
你没法通过看说明书学会骑自行车，对吧？你得亲自骑上去，摔几次，身体自己就找到平衡了。
机器学习也一样：不是程序员告诉机器"如果 A 就做 B"，而是给它大量例子（数据），让它自己试错，自己找到规律。摔了几次（预测错了几次），它就越来越准了。
人写好规则 → 机器执行
比如："如果温度 > 30 就开空调"
给数据和答案 → 机器自己学规则
比如：给 1 万天的温度和人的行为数据，让它自己学会什么时候该开空调
深度学习是机器学习的一种特殊方法，用很多"层"来逐步理解复杂信息。
想象你在看一张人脸照片：
🔹 第一层（最外层）：只能看到线条和边缘
🔹 第二层：把线条拼成形状——眼睛、鼻子、嘴巴
🔹 第三层：把形状拼成五官的组合
🔹 最深层：终于认出——"这是张三！"
深度学习的"深度"就是层数多。每一层提取更高级的特征，层层递进，最终理解整体。就像剥洋葱，一层层剥开才能看到核心。
神经网络是深度学习的核心结构，灵感来自人类大脑中神经元的连接方式。
想象有一群小助手，每人负责观察一个特征。比如判断一张图是猫还是狗：
👤 助手 A：看有没有胡须 → "有！像猫"
👤 助手 B：看耳朵形状 → "尖尖的！像猫"
👤 助手 C：看体型大小 → "挺大的……像狗？"
最后大家投票，多数说"猫"，结果就是猫。神经网络就是这样：很多"神经元"各看一部分信息，最后综合起来做决定。
打开/关闭下面的特征开关，看神经网络如何一层层判断这是猫还是狗！每个神经元都会亮起来表示被激活。
三大要素：数据 + 算力 + 算法，缺一不可。
🥦 数据 = 食材：没有食材，再好的厨师也做不出菜
🔥 算力 = 灶台：灶台越大火越猛，做菜越快
📖 算法 = 菜谱：告诉你按什么步骤来做
三者缺一不可：食材不好菜不好吃，灶台太小做到明年，菜谱不对乱炒一通。
AI 学习的"原材料"。越多越好、越干净越好。比如训练图像识别需要上百万张标注好的图片。
计算能力。训练大模型需要成千上万块 GPU，花费几百万美元。普通电脑做不了。
学习的方法。比如 Transformer、CNN 等。好的算法能让 AI 学得更快更好。
数据有偏差，AI 就有偏见；算力不够，训练不完；算法不对，学不到东西。三者必须配合。
AI 的四大超能力：分类、生成、预测、决策。
给东西贴标签。比如：这张照片是猫还是狗？这封邮件是不是垃圾邮件？这个肿瘤是良性还是恶性？
创造新内容。比如：画画（Midjourney）、写文章（ChatGPT）、编曲、写代码。
根据历史预测未来。比如：天气预报、股价走势、用户可能喜欢什么商品。
在复杂环境中做出最优选择。比如：下棋（AlphaGo）、自动驾驶、机器人控制。
AI 很强大，但它也有明确的局限。它没有真正的理解和情感，会犯错，会"幻觉"。
AI 有时候会一本正经地胡说八道——比如编造不存在的论文、虚构历史事件。这叫"幻觉"（Hallucination）。因为 AI 本质是在做"最可能的下一个词"的预测，它不真正"理解"内容，只是在模仿。
点击翻转卡片，看看 AI 到底能不能做这件事！绿色 = 能做，红色 = 不能做。
AI 的两个阶段：训练（学习）和推理（应用），就像上学和考试。
需要大量时间和资源。给 AI 看海量数据，让它反复学习、调整。一次训练可能花几周甚至几个月，花费数百万美元。
学完之后就很快了。你问 ChatGPT 一个问题，它几秒就回答——这就是"推理"。用学到的知识来解决新问题。
点击"开始训练"，模拟 AI 的学习过程。观察准确率如何从 50%（随机瞎猜）慢慢涨到 95%！
GPU 是 AI 的"发动机"。没有它，训练大模型就像用蜡烛烧开水。
CPU 就像一个数学天才：什么题都能做，但一次只能做一道题。
GPU 就像 1000 个小学生：每人只会做简单的加减法，但他们同时做！1000 道题同时算，速度快得飞起。
AI 的训练恰好需要大量简单计算同时进行（矩阵运算），所以 GPU 简直是为 AI 而生的。
点击"开始赛跑"，看 CPU（串行）和 GPU（并行）谁先算完 1000 个任务！
体验一下"训练 AI"的过程：先标注数据，然后训练，最后测试！
步骤1：点击形状，选择它是什么（标注数据）。步骤2：标注够 6 个后点"训练"。步骤3：看 AI 能不能自己认出新形状！