人工智能如何实际运作，以及为什么现在很重要

经济合作与发展组织（OECD）是其成员国政府就该技术政策进行协调的组织，它将人工智能系统定义为"一个基于机器的系统，出于明确或隐含的目标，从接收到的输入推断出如何生成输出，如预测、内容、建议或决策，这些可以影响物理或虚拟环境。" 根据该组织对定义的解释，OECD理事会在2023年修订了这一措辞，以保持技术准确性，因为生成型AI工具在传播。

从书面规则到从数据中学习

较旧的软件遵循程序员逐行编写的指令：如果发生X，则执行Y。根据IBM的技术说明，机器学习是大多数当前AI背后的方法，它向算法提供大量示例，让其自己找出模式。训练后，系统可以对新信息进行分类、预测数值、标记异常或推荐操作，而无需为每种情况给出确切的规则。

OECD将人工智能系统的操作分解为三个要素。输入是在开发或使用过程中输入系统的数据、代码或规则。推理是系统从这些输入中得出输出的步骤，这可以发生在构建模型时或部署后。输出是系统产生的预测、内容、建议或决策，然后可以影响物理或虚拟环境——例如，汽车的转向、推荐视频列表或生成的文本段落。

神经网络在系统内部做什么

根据IBM的说法，当今使用最广泛的机器学习方法是神经网络，这是一种以大脑为基础的结构，由相互连接的节点层组成，一起处理数据。与传统程序不同，神经网络事先没有被告知连接输入和输出的规则；相反，它被展示许多输入和输出对，通过反复接触调整自己，以发现连接它们的因素。

深度学习指的是具有许多层的神经网络——通常是输入层、至少三个（通常数百个）隐藏层和输出层，IBM的说明指出。在图像识别系统中，早期层倾向于响应简单特征，如边缘或颜色，而较深的层将这些组合成形状，最终形成可识别的对象。这种分层结构使系统能够自动从未标记的数据中提取相关特征，这是使当前生成型AI工具成为可能的原因之一。

根据IBM的说法，构建一个大型生成型AI模型通常涉及三个阶段：在大规模、通常未标记的数据集上进行初始训练阶段，可能需要数千个专用处理器，花费数百万美元；调整阶段，模型被适应特定任务，有时使用人工反馈；部署后的持续评估，以检查和改进其输出。

为什么重要：采用率和投资数据

根据斯坦福大学人工智能研究所2025年AI指数报告跟踪的几项指标，AI的覆盖范围快速增长。报告任何使用AI的组织比例在2024年升至78%，高于前一年的55%。生成型AI在2024年获得了339亿美元的全球私人投资，比2023年增长18.7%。根据该报告，美国私人AI投资在2024年达到1091亿美元，远远超过中国的93亿美元和英国的45亿美元。

该报告还记录了AI基准性能的跳跃：在2023年推出的三项测试中，用于衡量高级系统——MMMU、GPQA和SWE-bench——得分在一年内分别上升了18.8、48.9和67.3个百分点。在监管领域，根据同一报告，美国食品和药物管理局批准的AI医疗设备数量从2015年的6个增长到2023年的223个。

竞争的现状

斯坦福报告还追踪了2024年哪些国家产生了最值得注意的AI模型：美国机构产生了40个，而中国产生了15个，欧洲产生了3个。同时，该报告称，顶级美国和中国模型在主要基准上的性能差距从2023年的两位数缩小到2024年接近同等水平。