人工智能（AI）是计算机科学的一个分支，旨在让机器能够执行通常需要人类智能的任务，如学习、推理、问题解决、模式识别和决策。简单来说，AI是一种从数据中学习并利用所学进行预测、决策或生成新内容的软件，而无需为每个任务进行显式编程。
如今，AI驱动着从垃圾邮件过滤器和推荐引擎到ChatGPT等聊天机器人和图像生成器的一切。它运用多种技术，最显著的是机器学习和生成式AI，并且已经从研究实验室进入了人们日常使用的产品中。
斯坦福大学的计算机科学家李飞飞在《斯坦福新兴技术评论》中将AI与近代史上最具变革性的技术并列：“AI是一项基础技术，正在推动其他科学领域的发展，如同电力和互联网一样，有潜力改变社会的运作方式。”AI的应用正在各个行业迅速扩展，从医疗保健和金融服务到零售和制造业，且步伐正在加快。
AI如何工作？
大多数现代AI通过从大量数据中学习模式，然后将这些模式应用于新情况。基本流程包括：收集数据、训练模型、测试和优化、进行预测，以及持续学习和改进。现代AI训练也涉及规模问题：前沿模型在数万亿文本标记上训练，运行在数万个GPU上，成本高达数亿美元。大多数组织不会从头训练模型，而是通过微调现有的基础模型来适应特定任务或领域。
AI系统的质量很大程度上取决于其学习的数据质量：如果训练数据不完整、有偏见或质量低，AI输出也会如此。
AI的四种类型
研究人员通常根据能力将AI分为四类：反应式机器、有限记忆、心智理论和自我意识。目前只有前两类存在于现实世界中。反应式机器对特定输入做出固定响应，没有记忆；有限记忆从历史数据中学习以做出预测，驱动着几乎所有现代AI产品。
狭义AI vs. 通用AI vs. 超级智能
所有当前使用的AI都属于狭义AI，专为特定任务设计。通用AI（AGI）理论上能够执行任何人类智力任务，但尚未实现。超级智能则在所有领域超越人类智能，仍属于理论范畴。
AI vs. 机器学习 vs. 深度学习 vs. 生成式AI
这些术语常被混用，但含义不同。AI是最广泛的类别，机器学习是AI的子集，深度学习是机器学习的子集，生成式AI是深度学习专注于创建新内容的应用。
人工智能的应用实例
AI已融入日常工具：医疗领域的医学影像分析、金融服务的欺诈检测、零售的产品推荐、交通的自动驾驶功能、制造的缺陷检测、客户服务的聊天机器人，以及娱乐的推荐系统。AI的广度是其关键特征，它已从少数技术应用扩展到几乎所有需要模式识别的领域。