四川
AI 理解語言分三層，當前大模型只摸到門檻。
我們常說的 “理解語言”，其實有清晰的層次劃分。
第二層是語義交流層面，能依托標準化的語義體系完成嚴謹交互，比如專業術語對話、系統指令執行，這一層目前大模型還很難穩定達標。
第三層是邏輯推理層面，能依托深度邏輯完成復雜推導，比如跨領域問題拆解、數學證明，當前大模型在這一層的表現還很稚嫩。
不必模仿人腦，AI 的進化路徑不止一條
很多人會覺得，AI 要像人腦一樣運轉才叫智能，但其實并非如此。
就像飛機不需要模仿鳥的翅膀，人工神經網絡也不必完全復刻人腦的結構。
比如反向傳播算法，是當前 AI 訓練的核心方法之一，但生物大腦里根本不存在這套機制，只是因為生物細胞受限于生理結構，無法實現數學化的精準計算，并不代表 AI 就要照搬人腦的所有邏輯。
人腦的分區結構也給 AI 研發提供了思路，但目前的神經網絡還沒有實現類似的模塊化設計，這也是未來可以探索的方向。
從能做到到做好用，AI 落地還有很遠。
不少人覺得 AI 已經無所不能，但其實從技術驗證到實際應用，還有巨大的差距。
1997 年 AI 擊敗國際象棋冠軍卡斯帕羅夫時，很多人認為那只是暴力搜索，算不上真正的智能，但這套邏輯放在今天依然成立：很多被認為是 “復雜決策” 的任務，本質都是算法加算力的組合。
IBM 在 2011 年推出的 Watson，擊敗了知識問答競賽的人類冠軍，之后的辯論 AI、德州撲克 AI、麻將 AI，都證明 AI 已經能在很多被認為需要高智力的任務上超越人類。就連 IMO 奧數競賽，技術層面也已經能被 AI 解決。
但這些突破大多局限在單一任務，AI 很難像人類一樣靈活應對跨領域的復雜問題。
如果要用到醫療、工業生產這類對準確率要求極高的場景，當前大模型的幻覺問題、可解釋性差的短板就會暴露無遺。要真正在 ToB 行業落地，必須結合行業數據和符號知識，打造兼具準確度和泛化性的系統。
我們預計，未來 5 到 10 年，AI 將從 ToC 場景逐步滲透到 ToB 行業，真正開啟全面的智能時代。
不管是選擇深耕 AI 本身，還是用 AI 解決垂直領域的問題，提前掌握相關知識都能讓你在時代浪潮中更有競爭力。
中科大開設的人工智能通識課，正是為了讓更多人了解這個快速變化的領域，為未來做好準備。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
