AI-for-Everyone

第一周：AI基础概念

AI的分类

ANI（狭义人工智能）：专注于单一特定任务的智能系统，如图像识别、语音助手等。

AGI（通用人工智能）：具备人类水平或超越人类的通用认知能力，能够完成人类能做的所有任务。目前仍处于理论研究阶段。

生成式AI的工作原理

生成式AI（Generative AI）通过海量文本训练学习预测"下一个词"。一个句子会被拆解成多个A→B训练样本，核心仍然是基于数据的统计预测，而非真正的创造性思维。

监督学习是其基础技术，即学习从输入A到输出B的映射关系。

第二周：AI项目实践

AI项目生命周期

AI项目不是一次性开发，而是持续优化的循环过程。

四阶段模型：

  1. 定义业务目标
  2. 数据收集与清洗
  3. 模型训练与验证
  4. 部署与迭代

机器学习工作流程

机器学习是指计算机在非硬编码的情况下，自动学习输入A到输出B的映射。

三阶段工作流程：

  1. 收集数据：包括大数据、小数据、标注数据
  2. 训练模型：通过算法学习数据中的规律
  3. 部署模型：将模型应用到实际业务场景

典型案例：工业质检、自动驾驶感知系统

数据科学工作流程

数据科学是分析研究数据得出商业化决策的学科。

三阶段工作流程：

  1. 收集数据：关注全链路数据，包括客户转化等业务数据
  2. 分析数据：挖掘数据中的商业洞察
  3. 提出假设与行动建议：基于数据分析给出决策建议

典型案例：电商漏斗数据分析

💡 机器学习与数据科学的协同关系：机器学习主要负责智能执行，数据科学进行商业决策。

实战案例：旅游广告投放量低，但用户搜索兴趣高→增加销售团队投入？

分析：搜索兴趣高说明需求大量存在，但投放低说明供不应求。解决方案是增加线下销售团队，寻找广告主进行广告投递，增加曝光。

如何选择高潜力AI项目

核心标准：技术可行性 + 业务高价值

三大头脑风暴原则：

  1. 自动化任务，而非岗位
  2. 锚定业务核心价值驱动因素
  3. 解决业务痛点而非痒点

⚠️ 数据迷思：并非只有大数据才能够支撑AI项目，小数据同样可以创造价值。

项目评估框架

三重尽职调查框架：

  1. 技术尽职调查：评估技术可行性
  2. 商业尽职调查：评估商业价值
  3. 伦理尽职调查：评估社会影响

自建 VS 采购决策

  • 自建（Build）：公司核心业务必须自建，建立技术行业护城河
  • 采购（Buy）：基础设施建议采购，自研成本高但价值低

第三周：AI与社会影响

AI与就业变革

核心观点：任务自动化 ≠ 职业替代

AI替代的不是岗位，而是具体任务。AI不会是接管者，而是超级助理。

三种人机协作模式：

  1. AI替人完成重复性任务（自动化）
  2. AI辅助人类决策（决策支持）
  3. AI与人共同创造（协同创新）

AI素养核心要素

  • 基础认知：理解AI能做什么，不能做什么
  • 批判思维：评估AI的可靠性、识别偏见风险
  • 交互能力：与AI协作，而非竞争
  • 伦理思维：思考AI应用的伦理边界与社会影响

数据与权力集中

风险：拥有数据与算力的企业形成垄断，加剧AI鸿沟。

数据垄断的三种形式：

  1. 数据规模垄断
  2. 数据质量垄断
  3. 算力资源垄断

飞轮效应：一个系统里，多个环节互为因果、相互增强，形成一个闭环。初期启动很难，可一旦跑通，系统自身积累的能量就能持续推动它加速增长。

案例：搜索引擎的正向飞轮效应

更好产品 → 更多用户 → 更多数据 → 更好模型 → 更好产品

AI伦理与公平性挑战

偏见（Bias）的来源与类型：

  1. 数据偏见：训练数据本身包含社会偏见，AI学习并放大
  2. 算法偏见：算法设计中的隐含假设导致偏见
  3. 部署偏见：应用场景中的不当使用产生偏见

主流AI应用领域

计算机视觉：

  • 图像分类
  • 目标检测
  • 图像分割
  • 人脸识别
  • 视频追踪

自然语言处理：

  • 文本分类
  • 情感分析
  • 信息检索
  • 命名实体识别
  • 机器翻译

语音技术：

  • 语音识别
  • 唤醒词检测
  • 声纹识别
  • 语音合成

主流AI技术预览

  1. 无监督学习：给AI一堆数据，让它自己学习隐藏结构，无需人工标注
  2. 迁移学习：从任务A中学习到的知识，迁移到任务B中，通常任务B的数据很少
  3. 强化学习：像训练宠物一样训练AI，通过反馈奖励惩罚机制学习
  4. 生成对抗网络（GANs）：通过对抗训练生成逼真数据

AI的三大核心局限

  1. 可解释性难题：高性能AI是黑箱，能输出结果，但无法说明为什么
  2. 偏见与歧视：AI可能学习并放大训练数据中的社会偏见
  3. 对抗性攻击脆弱性：人为故意制造肉眼难以分辨的微小干扰，使得AI给出错误决策

⚠️ 这些局限性提醒我们，在部署AI系统时必须保持谨慎，建立完善的监督机制。