“人工智能”这个词，如今早已遍布街头巷尾，从手机里的语音助手，到能写诗会绘画的AI模型，它似乎无所不能，又似乎蒙着一层神秘的面纱。我们不禁要问：它究竟是什么？它又是如何一步步从科幻走入现实，并深刻改变我们世界的？
要理解今天的人工智能，我们不能只看它现在的样子，而必须回到它的“童年”，去看一场静默却影响深远的范式转移——从“教会计算机执行”到“让计算机学会学习”的根本性转变。
1. 规则的帝国：精密的“象棋大师”
在人工智能的早期，研究者们走的一条非常直观的路：人类专家将知识提炼成规则，然后教给计算机。
想象一下，你要教一个完全不懂象棋的机器人下棋。你会怎么做？你会把所有的棋谱、开局、杀招都写成一本厚厚的“规则手册”输入给它：“马走日，象走田”，“当对方将军时，必须应将”…… 计算机的优势在于，它能以光速遍历这本手册，精确地执行每一条指令。
这就是规则系统（或称专家系统） 的时代。它就像一个永不疲倦、绝对严谨的领域专家。在这个范式下，计算机是强大的逻辑执行引擎。它在定义清晰、边界明确的领域（如象棋、疾病诊断初期）取得了辉煌的成功。
但它的天花板也显而易见：
- 世界太复杂，规则写不完。 你可以写下所有象棋规则，但如何为“识别一只猫”写下规则？猫有圆的耳朵、有胡须、四条腿？那卡通猫呢？缺了一条腿的猫呢？光影变化下的猫呢？穷举所有可能的“猫规则”是一个不可能完成的任务。
- 缺乏“灵性”，无法应对未知。 规则系统无法处理它“没见过”的情况。它像一个只会背答案的学生，题目稍一变化，就束手无策。
这个精密的“象棋大师”，在面对真实世界的模糊、复杂和无限可能性时，显得力不从心。我们意识到，我们无法“编程”出智能，就像我们无法通过编写一套指令，让一个婴儿学会走路和说话。
2. 学习的曙光：从“授人以鱼”到“授人以渔”
既然世界复杂到无法用规则描述，那何不让机器自己去“观察”和“总结”呢？
这个思想的转变，是革命性的。我们从 “授人以鱼”（灌输规则） 转向了 “授人以渔”（赋予学习能力）。
这就是机器学习登场的时刻。
它的核心思想是：我们不直接告诉计算机“答案”是什么，而是给它海量的“数据”，并设计一种算法，让它自己从数据中寻找规律和模式。
继续用“认猫”的例子。我们不再编写规则，而是给计算机展示成百万上千万张猫的图片，以及不是猫的图片。通过一种叫“深度学习”的复杂算法（可以想象成一个极其复杂的、可调节的“网络”），计算机会自动调整内部数以亿计的“参数”，逐渐提炼出属于它自己的、抽象的“猫特征”。最终，当它看到一张从未见过的猫图片时，即使角度刁钻、光线奇特，它也能凭借自己学到的“感觉”做出判断。
这带来了根本性的不同：
- 能力是“涌现”出来的。 我们并不完全知道它是如何认出猫的，那个复杂的“网络”是一个黑箱。它的能力是在海量数据训练后“涌现”出的结果。
- 通用性与灵活性。 同一套“学习”框架，换一套数据，就可以用来识别语音、翻译语言、甚至预测蛋白质结构。它不再被束缚在某个特定领域。
- 处理模糊性。 它擅长处理概率和相关性，而不是绝对的“是”与“否”，这更接近人类认知世界的方式。
3. 范式转移：一场思维的革命
从规则系统到学习系统，这不仅仅是一次技术升级，更是一场思维的革命。
- 程序员角色的转变： 从“规则制定者”变成了“数据教练”和“算法架构师”。我们的工作重心从编写逻辑，转向了数据清洗、特征工程和模型调优。
- 核心生产要素的转变： 从“知识”变成了“数据”。在规则时代，最宝贵的是人类专家的知识；在机器学习时代，最宝贵的是高质量、大规模的数据。
- 解决问题思路的转变： 从“分解与推理”转向了“归纳与关联”。我们不再试图穷尽所有可能性，而是相信模型能从历史数据中归纳出通向未来的路径。
今天，我们谈论的大模型（如ChatGPT、文心一言等），正是这一范式转移的集大成者。它们是在整个互联网的文本海洋中“学”出来的，没有任何人能为它编写应对所有问题的规则。它的“智慧”，是学习范式带来的必然结果。
结语
回望人工智能的这段旅程，我们看到的是一条从“确定性”走向“概率性”，从“机械”走向“生态”，从“编排”走向“生长”的道路。
理解这场范式转移，是理解当下所有AI奇迹与挑战的钥匙。它告诉我们，人工智能的强大，不在于它模仿了人类的思考结果，而在于它找到了一条不同于人类的、通过学习数据来认知世界的路径。
在接下来的系列里，我们将一起拆解“深度学习”、“大模型”、“强化学习”这些热门概念，看看它们是如何具体运作的，又如何与数据仓库、企业业务结合，真正产生价值。
转载请注明：好奇网 » 什么是人工智能？从规则系统到学习系统的范式转移