人工智能（Artificial Intelligence）作为模拟人类智能的前沿科技，是最具影响力的技术之一，其核心在于通过算法与数据驱动实现感知、学习与决策能力。人工智能广泛应用于各个领域，是第四次工业革命的核心技术驱动力。

本文将深入浅出地介绍 AI 的基础知识，包括流派、算法思想、机器学习的任务类型与工作流程、以及其中涉及的数据和数学知识，并以鸢尾花分类为案例，拆解机器学习过程，帮助大家了解理论与实践相结合的知识体系。

01  人工智能流派

人工智能（Artificial Intelligence）并不是简单的“投入多少人工，就能产生多少智能”，它是通过算法与数据来实现智能化的决策。人工智能的算法代价很高，它不能解决所有问题，所有的智能都需要通过野蛮的数据计算来置换，从工程应用的角度来说，优先选择简单有效的方式，人工智能是最后的选择。人工智能主要有三大流派：

行为主义人工智能

拥有一套自动控制系统，能感知外界的变化，并自动做出相应的反馈，比如工业机器人，包括：机械臂、机器人、机器狗、无人机等，还有比较热门的具身智能。

符号主义人工智能

最典型的应用是专家系统，缺点是泛化能力不足，比较依赖知识图谱、大模型+知识库，需人工构建知识库，难以处理模糊的规则及超出知识库之外的情况。

联结主义人工智能

联结主义主张模拟人脑设计，通过模仿人类的大脑，用全连接方式代替机器学习，深度学习就是联结主义人工智能的典型应用，包括用卷积网络用来生成图像视频、循环神经网络和多头（自）注意力机制对应时序数据、基于transformer架构的GPT模型等。特点是泛化能力强，善于处于非线性问题。

融合统一是发展趋势

大模型对 NLP 的整合、多模态对 CV 和 NLP 的整合，以及具身智能（动作+多模态大模型）的发展，都在一定程度上推动着人工智能的加速融合，理论上联结主义用数据驱动学习、符号主义用知识约束推理、行为主义用环境感知迭代，而现实任务往往需要三者结合，人们需要的是具有自主感知、认知、决策、学习、执行以及社会协作能力的通用人工智能体，这种“混合智能”更接近人类的多维度认知方式。

02  人工智能算法思想

在数学当中有函数对应关系：y=f(x)，在人工智能领域中黑盒思想是我们理解计算方式的第一法则，给计算机指定一个解决思路，具体的解决过程是计算机去完成。即有输入：x，有转换关系：F(x)，有输出：y。

传统算法是基于规则的算法，适用于规则比较清晰的场景，比如在多轮对话任务的智能客服系统，因为规则是人为规定的，所以这类系统对人的业务熟练度要求比较高，但是对计算机的性能要求相对低，特点是执行速度快，算法和时间、空间的复杂度低。

人工智能算法是基于数据的经过训练和推理的算法。训练阶段：从老数据，一般叫训练集中挖掘规律，构建算法规则，然后进行推理，即把规律作用于新数据（测试集），这种经过训练推理的方法适用于规则比较模糊的场景，特点是执行速度慢，对计算机性能的要求很高，需要大量的数据与算力，对算法工程师的要求低，执行效果的鲁棒性特别好，泛化能力极强，但解释性差。