智能（Intelligence）是指人类通过感觉、知觉、记忆、思维、想象等认知活动，对客观事物进行分析、综合、判断和推理，从而形成对事物的认知和理解能力。显然，这是人类的一种自然能力，只是每个人具有的这种能力有所差异，这与每个人的先天条件与后续努力直接相关，尤其是后续努力。智能是人们认识世界和改造世界的基础，也是人类文明发展的重要驱动力。而人工智能（AI，Artificial Intelligence）则指计算机、机器等（可统称“智能体”）模仿人类来处理信息、解决问题的能力。具体来说，它通常被描述为一种使系统能够感知环境、理解信息、作出决策并采取行动的能力，这种能力可以从感知能力、理解能力、决策能力和执行能力等方面来衡量，其能力的发挥主要依靠的是其学习能力。显然，人工智能有助于人类的自然智能，乃至于强大地推动了人类文明的发展、人类社会的进步。
一、概述
1、AI的定义
关于人工智能的定义，在我国的不同标准中有不同的表述，下表1-1汇集了我国相关标准中对人工智能的定义，以助于对人工智能概念的理解。其中，在GB/T 5271.28-2001《信息技术 词汇 第28部分 人工智能 基本概念与专家系统》中是这样表述的：人工智能是一门交叉学科，通常视为计算机学科的分支，研究表现出有人类智能（如推理和学习）相关的各种功能的模型和系统。而在GB/T 41867-2022《信息技术 人工智能 术语》中则从工程学角度给出了人工智能的定义：人工智能是指人工智能系统相关机制和应用的研究和开发。人工智能系统则是指针对人类定义的给定目标，产生诸如内容、预测、推荐或决策等输出的一类工程系统。事实上，该工程系统使用人工智能相关的多种技术或方法，开发表征数据、知识、过程等的模型，用于执行任务。由上定义可知，人工智能是一个高度跨学科的领域，广泛基于计算机科学、数据科学、数学、自然科学、人文科学、哲学、社会科学、语言学和认知学等学科。
表 1-1：相关人工智能的术语与定义
欲更多了解人工智能（AI）评价指标的请进入。
2、AI的发展历史
人工智能（AI）的发展历史可以追溯到上世纪中叶，但首次提出“人工智能”这一概念的是在1956年的达特茅斯会议上，才标志着人工智能学科的诞生（下附录1-2是对达特茅斯会议的简介）。然而，至此，人工智能（AI）的发展起起伏伏，经历了漫长的岁月。首先，得益于计算机技术的支撑，使得AI具备了真正的发展基础。接着，发展过程中又受到了各种制约因素的羁绊，诸如策略、技术、硬件、算力、资源、资金、伦理等等因素。直到进入二十一世纪，人工智能（AI）的发展才进入了快车道，由于各种支撑技术的出现（如语音处理技术、视觉处理技术、多模态处理技术、硬件技术（GPU等）、编程（算法）技术、互联网技术、数据中心及云技术、等等）和AI基础技术的出现（如机器学习、深度学习、强化学习、专家系统等等），具有了明显的应用效果和成果，如非具身式的人工智能（AI）有生成式大模型等；具身式的人工智能（AI）有各类实用型机器人、智能驾驶汽车等。另外，生成式AI大模型正在由专用型AI向通用人工智能（AGI）迈进，等等。下表1-2汇总了人工智能（AI）的发展相关过程，以供参考。
表 1-2：人工智能（AI）的发展相关过程
附录 1-2：达特茅斯会议的简介
3、AI的分类
根据表1-1中的人工智能（AI）的定义，事实上人工智能是一个相对宽泛的概念，这是因为，只要人类通过创意能使机器或装置（统称“智能体”）产生如学习、推理、决策等相关功能，表现出智能的，均应成为人工智能的范畴。鉴于此，由于随着AI的发展进程，AI在技术、能力、应用等诸方面的表现，使得就AI系统的分类方法是相当繁杂多维。结合目前AI的演进与呈现，下表1-3汇总了AI比较常用的分类方法，并重点反映出了AI技术领域的主要概貌。
表 1-3：人工智能（AI）比较常用的分类方法
欲详细了解人工智能（AI）分类方法介绍的请进入。
二、人工智能（AI）系统的功能视图
由表1-1可知，将人工智能系统定义为一种工程系统，它能够为人类定义的一系列目标生成输出，如内容、预测、建议或决策。而人工智能是指人工智能系统相关机制和应用的研究和开发。AI系统并不具备理解能力，它们需要人类的设计选择、工程实施和监督。鉴于此，对于人工智能系统，从功能的视角，其功能视图可如下图2-0所示，是一个输入和输出的过程流，它包括基于人类设计选择、工程实施和监督下的输入、处理和输出部分。其中输入通过模型进行处理以产生输出，该模型可以直接构建，也可以通过训练数据进行学习来构建，如图中用虚线绘制的部分是针对基于机器学习的AI系统。此视图的目的是提供AI系统如何实现结果的非技术性描述。总而言之，AI系统包含一个模型，用来产生预测，而这些预测又被用来连续地做出建议、决策和行动，全部或部分地由系统本身或人类来完成。
图 2-0：人工智能系统的功能视图
1、关于AI系统的输入
数据可以作为输入进入生产中的AI系统，这种情况下，它被称为生产数据。在将数据呈现给AI系统之前，可能需要对输入数据进行预处理，比如提取相关特征。数据在AI系统中占据核心地位，下表2-1详细阐述了AI系统中数据（data）的概念，同时包括数据参与AI系统的形式和过程。AI系统的输入也可以是信息而不是数据，这通常用于优化任务，其中唯一需要的输入是关于要优化内容的信息。有些AI系统根本不需要任何输入，而是按需执行给定任务（例如生成一些合成图像）。对于机器学习，会使用训练数据来获取关于感兴趣领域和待解决任务的一些信息。
表 2-1：AI系统中“数据”的阐述
2、关于AI系统的输出
AI系统对输入的处理结果可以有不同的性质，这取决于系统的自动化水平。根据用例，AI系统可以仅产生原始的、技术性的输出（如预测），或者它可以采取更有效的步骤来提出或应用自己对环境的行动（如建议、决策和最终行动）。关键的一点是，AI输出是容易出错的；输出正确是概率性的，而非绝对真实。AI系统的设计者和用户都需要了解，这样的系统可能产生错误的输出，以及使用这种错误输出所带来的责任问题。关于AI系统输出的预测（prediction）→决策（decision）→行动（action）的含义及关系详见下表2-2的描述。
表 2-1-2：AI系统输出：预测→决策→行动的含义及关系
3、关于知识与学习
图 2-0中虚线部分涉及到AI系统的知识与学习。AI系统用于处理和解决问题的模型是知识的机器可读表示。这类知识主要有陈述性知识和程序性知识两种类型。下表2-3详细阐述了AI系统中知识（knowledge）的概念，包括知识与数据、信息的关系与区别等。学习主要是指机器学习（Machine Learning），它是指一个使用计算技术使系统能够从数据或经验中学习的过程。
表 2-3：AI系统中“知识”的阐述
欲详细了解机器学习（ML）技术介绍的请进入。
三、人工智能（AI）的关键技术
人工智能（AI）正在以前所未有的速度重塑人类社会的运行方式，促进着人类社会文明的巨大进步，而其核心技术构成AI系统的“大脑”，鼎立AI的快速发展与演进。由于当今AI技术的高速发展，其AI相关技术层出不穷，但推动AI发展的关键技术，是AI最基础、最根本的技术，包括AI的学习能力技术和AI的处理能力技术，进而构成AI的核心技术，即感知类技术、认知类技术和生成类技术。
欲详细了解人工智能（AI）关键技术介绍的请进入。
四、AI技术的生态构成系统
大型的AI系统并不依赖于单一的技术，而是依赖于随时间发展而积累的一系列技术组合。这样的系统可以同时使用不同的技术，例如神经网络、符号模型和概率推理。下图4从AI的技术功能角度展示了AI技术的生态系统的构成。图中，每一层都利用下层资源来实现其功能，其中颜色较浅的方框表示某一层或功能的子组件；图层和子组件的大小并不代表它们的重要性。该生态系统从上至下共包括：应用、AI系统、AI功能、机器学习、工程、大数据与数据源、云计算与边缘计算、资源池等不同的模块。下表4是对各模块的简述。
图 4：AI的技术生态系统构成
表 4：AI技术生态系统构成模块的简述
五、人工智能（AI）的挑战
人工智能（AI）技术有别于传统的信息通信技术，尤其是生成式AI技术正以前所未有的速度重塑人类社会的知识生产和信息交互方式。从文本生成到图像创作，从代码编写到视频合成，这项技术展现出的创造力已超越传统工具的边界。但伴随着AI技术能力的指数级增长，其引发的伦理困境、合规难题、安全风险和社会冲击等正在形成复杂的挑战矩阵，需要从技术研发、法律规制、伦理建设等多维度构建应对体系。下表5具体给出了人工智能（AI）技术带来的相关挑战的描述。
表 5：人工智能（AI）技术带来的相关挑战的描述
欲进一步了解我国人工智能（AI）法规管理的请进入。
