Overview
这是一段高校教师讲给入门者的 AI 通识课,来源是北京航空航天大学副教授何静主讲的「深城市人工智能应用实战」课程第一章(课程名按字幕转写原样记录)。它用「猫」和「做饭」两个比喻,把五个常被混用的概念串成一条线:人工智能是总目标,大模型是实现它的大脑,AIGC 是这个大脑的创作能力,智能体让大脑能自主完成任务,具身智能再给智能体装上身体。做课件、写文案、生成插图这些日常操作,都挂在这条线上。
AI 是怎么学会的
AI 的定位是让机器像人一样聪明:像眼睛一样看(摄像头认出照片里是你还是朋友),像耳朵一样听(麦克风听你说话、手机自动回答),从数据里学(让 AI 看 10万张猫的照片,它就能学会认识哪一张是猫),也能做决策(地图 APP 算出不堵车的最快路线)。
关键认知是:AI 不是程序员写死的一堆规则,而是通过学习获得的智能。让机器知道「什么是猫」有两条路:
- 老师教:像老师带学生那样,给机器看各种动物的照片,并直接告诉它猫有哪些特征;看的照片足够多,机器自然就认得出猫。
- 学生自学:给机器看各种动物的照片,但不告诉它猫的特征,让它自己去寻找猫和其他动物的区别。
第二种方法比第一种需要更多的计算量和数据量,通常称为深度学习。
判别式与生成式
深度学习分两种模式,课程用「分类大师」与「创造大师」区分:
- 判别式:任务是区分和判断。人脸识别里分「这是张三还是李四」,情感分析里判断一条舆情是正面还是负面。
- 生成式:任务是理解和创造。广告创意里生成营销文案,医疗领域里生成诊断性建议。
AIGC 的两步:先学,再造
AIGC(人工智能生成内容)指自动生成文本、图像、音频、视频等内容的方法与应用。课程用猫举例拆成两步:
第一步是学习,也就是俗称的训练。给机器看无数张猫的照片,它看得很仔细,并默默总结规律——猫基本都有两个尖尖的耳朵、一个鼻子、两只眼睛、几根胡须、一条尾巴;但这些部位有多种组合,耳朵有大有小,眼睛有蓝色有绿色,毛有长有短,姿势千奇百怪。最终机器脑中形成关于猫的完整概念,知道什么是猫、什么不是猫,甚至能推理出猫的「灵魂」概念。
第二步是创造,也就是俗称的生成。让机器画一只躺在沙滩上打哈欠的猫,它不会照抄任何一张看过的照片,而是根据脑中那个猫的概念自由发挥,组合出全新的五官、毛色和神态,产出一幅从未存在过、却完全符合猫的所有特征的画作。
大模型与 AIGC 的对应关系
AIGC 按产出物分成文生文、文生图、文生音乐、文生视频等类型,每一类都有对应的大语言模型(文生模型、图生模型、音乐模型、视频模型),这些大模型构成生成式 AI 的子集。
课程用做饭打比方:生成式 AI 是整个厨房,能做各种菜系;大模型是厨房里专门做某类菜系的厨师。
| 类型 | 字幕里的菜系 | 字幕里的厨师 | 字幕提到的模型 |
|---|---|---|---|
| 生成文字 | 川菜 | 川菜的厨师(文字大厨) | deep sick |
| 生成图片 | 蔬菜 | 蔬菜的厨师(绘画大厨) | meion(字幕作「蔬菜大师」) |
| 生成音乐 | 粤菜 | 粤菜的厨师(音乐大厨) | solo AI、au AI |
| 生成视频 | 鲁菜 | 鲁菜厨师(视频大厨) | 即梦、可林(字幕作「鲁菜大师」) |
菜系、厨师、模型名一律按字幕转写原样记录:字幕原文给的是「川菜、蔬菜、粤菜、鲁菜」四种菜系,分别对应生成文字、生成图片、生成音乐、生成视频;模型名存在语音转写误差,deep sick 疑为 DeepSeek、meion 疑为 Midjourney。
大模型怎么工作:三步
课程把大模型比作一个超级学霸,学习和思考分三步。
第一步:海量读书,就是训练。它阅读互联网上几乎所有的图书、文章、网页,但读书目的不是记住原文,而是找出人语言里的模式和规律——看到「中国的首都是什么」时,发现后面跟着「北京」的概率最高;看到「猫喜欢吃什么」时,发现后面常跟着「鱼或者老鼠」。训练完成后,学霸脑中形成了一个非常复杂的概率网络,也就是神经网络:它不知道猫是什么,但知道「猫」这个词最可能和哪些词一起出现。
第二步:接到问题,即用户输入。用户提问时,比如「为什么天空是蓝色的」,模型把问题分解成它认识的小碎片,这些碎片就是常说的 token,可以理解为词或者字,再把碎片送进那个庞大的概率网络。
第三步:预测下一个字,也就是生成。它不会从数据库里找到答案,而是像玩疯狂填词的游戏,一个字一个字猜最合理的答案,同时参考整个句子的逻辑和顺序,直到生成完整回答——为什么天空是蓝色的,因为太阳光进入大气层后发生了散射。
课程给出的核心总结是:
大模型呢其实就是一个根据输入预测下一个最可能出现的词的一个超级的机器
出错也在这个机制里:猜错词,或者编造信息。课程把原因说得很直白:
它本质上的目的呢是让句子看起来更加的合理,而不是百分之百的正确,就像学霸,有时候也会凭感觉去答错题一样
所以它求的是句子通顺合理,而不是事实正确——凡涉及具体数字、出处、定义,都要回到原始材料核对。
智能体:能自己干活的 AI
智能体本质上是具有感知、决策和行动能力的实体,像住在电脑里、手机里或互联网里的智能小助手:它能分析交给它的任务,自己决定怎么做并执行。
课程用订电影票完整演示了工作流程。需求是:帮我去订两张周五晚上《浪浪山小妖怪》最好位置的电影票,记住不要太贵。智能体的动作序列是:
- 搜索:自动打开猫眼电影、淘票票等 APP,搜到附近所有电影院的排期,查看每个场次的余票情况和价格,还能获取每个影厅的座位图。
- 判断:按「不要太贵」筛掉太贵的影院,按「周五晚上」只看当晚场次,「最好位置」通常指影厅正中央或偏后一些的位置。
- 决策:综合成一个价格适中、时间合适、还有两个连坐好位置的场次——比如万达影城晚上7点半、第十排、单价45元。
- 执行:自动点击购买,自动选择之前设置好的常用观影人,自动使用优惠券或会员卡抵扣,甚至自动调用支付宝、微信等支付软件完成付款。
- 通知:任务完成后发来一条信息——主人已为你购妥周五晚上7点半万达影城《浪浪山小妖怪》两张座位票、取票码、祝君愉快(字幕原文作「主观与愉快」)。
它与普通订票程序的区别在于决策归属:普通程序要你自己打开 APP、搜电影、比价、盯座位图、选座位、点支付,全程参与;智能体只需给一个目标——两张、好位置、不贵——就替你完成查、比、选、买这些步骤,而且它自己知道什么是好位置、什么是不贵。
智能体的四步循环
智能体完成任务的循环可以拆成四个核心步骤:从感知到思考,到行动,到奖励。以俄罗斯方块为例:
- 感知:看到屏幕上当前堆积的方块形状和下一个即将落下的方块,知道它是长条形还是方形。
- 思考:如果把下一个长条形方块横过来放在这个缺口,就能消除整整四行得到高分。
- 行动:帮我们扣住手柄,把方块移动到目标位置并做旋转。
- 奖励:成功消除四行,游戏给出很高的分数,这个就是奖励信号,说明这个决策是对的。
课程总结为:智能体就是通过感知、思考、行动、奖励这个循环来工作的,区别只在于任务的复杂度和使用的技术不同。
具身智能:给智能体装上身体
智能体像有身体的 AI,通常被赋予一个物理身体,比如机器人,或一个虚拟身体,比如虚拟世界当中的角色(字幕写作 MPC)。让具身智能打俄罗斯方块,相当于把智能体装进一台真正的游戏机前的机器人身体里——身体包括类似人类眼睛的摄像头、类似人类手指的机械手指。
要让这个身体像真正的人类玩家一样工作,具身智能必须学会三件事:
- 如何用摄像头从嘈杂的真实世界当中提取有用的信息。
- 如何协调身体(机械手指)来精准执行大脑的指令。
- 物理世界有不确定性或延迟时如何应对,比如手柄的按键反馈、屏幕的显示延迟。
它的知识和智能来自眼睛、手指与真实物理设备(比如游戏机、电视)的交互,而不仅仅是为了处理抽象的数据。课程用一句对比收束:传统的 AI 是一个博览群书、但从来不运动的学霸,而具身智能是一个喜欢动手实践、并且在运动当中学习的高手。
具身智能动起来的逻辑同样是感知、思考、行动的循环,通过不断与真实世界互动来学习——像小孩子学走路一样会摔跤,但会不断试错,越来越聪明、越来越灵活。六足机器人感知地面硬度的例子把循环讲得更具体:机器人身上装着各种传感器,脚踩到地上后传感器告诉它「好软,像沙滩」;机器人的 AI 大脑随即判断在软地上走路容易陷进去,得把脚抬得高一点、并且轻一点;最后机器人立即调整所有腿的动作,像踩在鸡蛋上一样轻手轻脚走过去。
五个概念的关系
课程最后给了一张关系图:
- 人工智能是宏大的总目标。
- 大模型是实现这个总目标的超级大脑。
- AIGC是这个大脑的创作能力。
- 智能体让这个大脑能自主完成任务——光有大脑还不够。
- 具身智能是为这个智能体安装的身体,可以是机器人,也可以是虚拟世界里的一个 NPC(字幕作 MPC)。
课程用一个森林故事作结:人类的目标是培育一片伟大的 AI 森林,先培养出几棵名为大模型的参天巨树作为森林基础,巨树自然结出 AIGC 的果实,让人们直接品尝到 AI 的甜头;森林里再出现以大树为大脑的智能体生物,能自主利用这些工具完成任务;其中拥有物理身体、能与真实世界互动的具身智能生物,代表 AI 最终走出数字世界、进入物理世界的终极形态。
给教师的用法提示
- 想让孩子理解「AI 为什么会瞎编」,用大模型三步里「预测下一个字」这一步来讲最直观——它求的是合理,不是正确。
- 想解释「AI 能不能替我做课件」,用判别式与生成式的区别:前者的任务是判断和区分,后者的任务才是理解并创造。
- 想讲「AI 工具为什么需要人复核」,用大模型那节的课程原话:模型求的是句子合理,不是事实正确;凡是数字、出处、定义,都要回原始材料核对。