导语：人工智能是什么？从起源到生成式AI的通俗解读是热点新知中的重要话题，本文将为您详细介绍相关知识，内容丰富、通俗易懂，适合日常学习。本文发布于2026年10月11日。

人工智能（Artificial Intelligence，简称AI）并不是某种神秘的"电子大脑"，而是一类技术的统称：让计算机去完成那些过去只有人类智慧才能胜任的任务，比如学习、推理、解决问题、感知环境、做出决策。它横跨工程学、数学和计算机科学，核心目标是研究并开发出相应的方法和软件，使机器能够感知周围环境，运用学习和智能采取行动，从而更大可能地达成既定目标。

生活里的人工智能，其实早就在身边

很多人以为AI是近几年才出现的新事物，但如果把标准放宽到"让机器做需要智能的事"，那么高级网络搜索引擎、聊天机器人、手机里的虚拟助手、自动驾驶汽车，早就算得上是人工智能的典型应用。此外，国际象棋、围棋等策略游戏中的对弈程序与棋局分析，也是AI的经典舞台——它们不仅要会算，还要会"判断形势"。

进入2020年代之后，生成式人工智能被广泛用来按文字提示生成图像、音频和视频。你输入一句话，电脑就能画出一幅画、写出一段配音、剪出一段视频，这类工具迅速走进了普通人的工作和生活。

人工智能靠什么技术实现

人工智能研究的传统目标包括学习、推理、知识表示、规划、自然语言处理和感知，同时也为机器人学提供支撑。为了达成这些目标，研究人员会用到状态空间搜索、数学优化、形式逻辑、人工神经网络等技术，也常常借助统计学、运筹学和经济学的方法。

不仅如此，AI还不断向其他学科"借脑"：心理学帮助理解人类如何学习和决策，语言学帮助处理语言结构，哲学探讨智能与意识的关系，神经科学则提供了关于大脑工作方式的灵感。可以说，人工智能是一个高度交叉的研究领域，而非单一学科。

从诞生到"AI寒冬"，再到今天的爆发

人工智能作为一门独立学科，一般被认为诞生于1956年。此后几十年里，它经历过多次"乐观期"：研究者信心满满地预言机器很快将超越人类；但每当技术遇到瓶颈，随之而来的就是失望和资金流失，这段时期被称为"AI寒冬"。

转折出现在2012年之后。图形处理器（GPU）被用于加速神经网络训练，深度学习在影像辨识等多个重要任务上取得突破性成果，资金和公众关注度随之大增。2017年Transformer架构出现后，这股势头进一步加快，为后来的大语言模型奠定了基础。进入2020年代，人工智能热潮与生成式人工智能的进步几乎同步到来，后者让创作和修改媒体内容成为可能，也让普通人第一次真正"用上"了AI。

关于"智能"本身，定义仍在争论

通常所说的人工智能，是指用普通计算机程序来呈现人类智能的技术。这个词同时也指一门学问：研究这样的智能系统究竟能否实现、又该如何实现。随着医学、神经科学、机器人学和统计学的发展，有报道认为，人类的部分职业也正在逐渐被其取代。

从字面上看，AI可以拆成"人工"和"智能"两部分。一般教材把它定义为"智能主体的研究与设计"，而所谓智能主体，就是能够观察周遭环境并采取行动以达成目标的系统。1955年，约翰·麦卡锡将其定义为"制造智能机器的科学与工程"；安德烈亚斯·卡普兰和迈克尔·海恩莱因则把它描述为系统正确解释外部数据、从中学习并灵活运用所学知识去实现特定目标的能力。

值得注意的是，"智能"本身并没有一个被普遍接受的精确定义。这就带来一个有趣的后果：我们很难划出一条清晰的界线，说某个系统"算"或"不算"人工智能。

人工通用智能：还在路上的目标

目前大多数AI系统都属于"专用型"——下棋的只会下棋，识图的只会识图。而有些公司，比如OpenAI、Google DeepMind和Meta，正在尝试打造人工通用智能（AGI）。它通常被理解为能够跨广泛任务与领域进行学习、推理和运用知识的人工智能，能力上更接近人类。

不过，AGI的精确定义及判定标准至今尚无普遍共识。到底什么样的系统才算"通用"？如何证明它真的"理解"而不是"模仿"？这些问题目前都还没有公认答案。

风险与监管：热潮背后的冷思考

AI带来的不只是便利。人工智能安全、使用AI可能产生的意外后果和危害、伦理问题、长期影响乃至潜在的存在风险，都促使人们讨论如何对人工智能进行监管。例如，生成式AI可能被用来制造虚假信息，算法可能放大偏见，自动化也可能冲击就业结构。

因此，今天讨论人工智能，已经不能只谈技术本身。技术能力、社会影响与治理规则，正在成为同一个话题的三个面。对普通人来说，理解AI是什么、能做什么、不能做什么，或许比盲目追捧或一味恐慌都更有意义。