Skip to main content

什么是人工智能

注意：本文档是英文原版的自动翻译。

什么是人工智能

**人工智能（AI）**是一个宽泛的术语，指执行通常需要人类智能的任务的软件系统——分析数据、做出预测、生成内容、识别模式以及支持决策。人工智能不是魔法、知觉，也不是数字大脑。它是在数据中发现模式并将其应用于新输入的软件。

把人工智能想象成一个用于模式的计算器。普通计算器接收数字并应用算术规则。一个人工智能系统接收示例——成千上万乃至数百万个——并发现连接输入与输出的规则，无需任何人手工编写这些规则。当你向语音助手提问、当垃圾邮件过滤器抓住一封钓鱼邮件，或当翻译工具把一个句子转换成另一种语言时，你就是在与人工智能互动：一种在示例上训练过、如今把所学应用于新情境的软件。

**简而言之：**人工智能是从数据中学习并产生原本需要人类判断才能得出的结果的软件——而在加密领域，关键问题是一个项目的人工智能是否真实且可验证。

人工智能在实践中如何运作

在高层次上，每个人工智能系统都遵循类似的工作流程。理解这些步骤有助于你评估一个项目的人工智能声明是基于现实，还是只是营销语言。

  1. 定义问题 —— 确定人工智能需要做什么。这可能是图像分类、文本翻译、检测区块链交易中的异常，或生成代码。清晰的问题定义是基础；没有它，人工智能就是一个寻找问题的解决方案。

  2. 收集并准备数据 —— 采集一个与问题相关的数据集。数据可能包括标注过的图像、交易记录、文本文档或传感器读数。数据必须经过清洗、整理，并划分为训练集和测试集。数据质量直接决定模型质量——“垃圾进，垃圾出”的老原则完全适用。

  3. 选择模型架构 —— 选择适合该任务的 AI 模型类型。对于文本任务，这可能是一个 transformer（GPT、Claude 和 Gemini 背后的架构）。对于图像任务，它可能是一个卷积神经网络。对于表格数据，像梯度提升树这样更简单的模型可能比深度学习效果更好。

  4. 训练模型 —— 将训练数据输入模型并调整其内部参数，使其输出与预期结果相符。训练在计算上是昂贵的，根据模型规模和数据量，可能需要数小时、数天或数周。

  5. 评估与测试 —— 用模型从未见过的留出测试数据来衡量训练好的模型。这一步检查模型是学到了真正的模式，还是仅仅记忆了训练数据（一个称为过拟合的问题）。评估使用像准确率、精确率、召回率或困惑度这样的基准测试和质量指标。

  6. 部署用于推理 —— 把模型投入生产，让它处理新的、现实世界的输入。这称为推理。每当你使用聊天机器人、获得推荐或收到欺诈警报时，幕后就在进行推理。

  7. 监控与重训 —— 已部署的模型会随着现实世界的变化而随时间退化（一种称为数据漂移的现象）。负责任的人工智能系统包含监控性能并在新鲜数据上重新训练模型的流水线。

在评估加密人工智能声明时，这些步骤中的每一个都是一个检查点。一个描述了其数据集、训练过程、评估指标和部署流水线的项目，提供的证据远比一个仅仅说“由 AI 驱动”的项目有力。

与加密人工智能相关的关键分支

并非所有人工智能都相同。这一领域很宽泛，不同分支有不同的优势、局限和证据要求。其中几个在加密人工智能项目描述中频繁出现。

分支 核心理念 知名示例 常见加密用例
机器学习（ML） 通过接触数据而改进的算法 scikit-learn、XGBoost 风险评分、异常检测
深度学习 用于复杂模式的多层神经网络 BERT、ResNet NLP、图像识别、生成式模型
大语言模型（LLM） 在海量文本数据上训练的 transformer 模型 GPT、Claude、Gemini、Mistral 聊天机器人、摘要、代码生成
计算机视觉 解读图像和视频的系统 Stable Diffusion、YOLO NFT 生成、视觉数据分析
强化学习（RL） 通过试错和奖励信号进行学习 AlphaGo、OpenAI Five 自动化智能体、协议优化

机器学习

**机器学习**是实用人工智能最常见的基础。ML 算法不是编写显式规则，而是从数据中学习。加密项目中的大多数人工智能声明，归根结底都建立在机器学习技术之上——从简单的分类模型到复杂的神经网络。

深度学习

深度学习是 ML 的一个子集，它使用具有许多层（因此称为“深”）的神经网络。它造就了最近大多数人工智能突破。像 BERT（由谷歌开发用于理解文本上下文）和图像识别系统这样的模型都是深度学习模型。深度学习需要大型数据集和大量算力，这正是去中心化计算网络在加密人工智能中成为反复出现主题的原因。

大语言模型

**大语言模型（LLM）**是在海量文本语料上训练的深度学习模型。它们生成、摘要、翻译文本并对文本进行推理。知名的 LLM 包括 GPT、Claude、Gemini 和 Mistral。在加密人工智能中，许多项目把 LLM 用于聊天机器人、链上数据摘要、智能合约分析或代码生成。有些项目构建自己的模型；另一些则包装第三方 API。构建与包装之间的区别对于评估 AI 深度至关重要——参见 API 包装器。

强化学习

**强化学习（RL）**通过让模型在环境中采取行动并接收奖励或惩罚来训练它。随着时间推移，智能体学会最大化累积奖励的策略。RL 为下棋类智能体（如 AlphaGo）提供动力，并在某些加密语境中用于自动化协议参数调整和基于智能体的系统。

计算机视觉

计算机视觉使机器能够解读和处理视觉数据——图像和视频。像 Stable Diffusion 这样的系统从文本描述生成图像，而像 YOLO 这样的目标检测模型则实时识别物体。在加密领域，计算机视觉出现在 NFT 生成、身份验证和视觉区块链分析中。

这些分支经常相互重叠。一个加密人工智能项目可能使用一个 LLM（它是深度学习，而深度学习又是 ML），并用基于人类反馈的强化学习（RLHF）对其进行微调。

狭义人工智能 vs. 通用人工智能

一个对理解人工智能声明很重要的区分：

  • 狭义人工智能（也称为弱人工智能）是为某个特定任务而设计的——翻译语言、识别人脸、下象棋或生成图像。如今所有投入生产的人工智能系统，包括最先进的 LLM，都是狭义人工智能。它在所训练的领域表现出色，但在没有额外训练的情况下无法泛化到不相关的任务。

  • **通用人工智能（AGI）**是一个假想的系统，它能够学习并执行人类能做的任何智力任务。AGI 尚不存在。任何声称已构建出 AGI 的项目都是在做出一个非凡的声明，而这需要非凡的证据。

理解这一区分有助于过滤掉不切实际的声明。当一个项目说“由 AI 驱动”时，它指的是应用于某个特定功能的狭义人工智能——而该功能应当被清晰描述并且可验证。

为什么人工智能在加密领域很重要——以及为什么它需要验证

人工智能与区块链的交汇创造了一个高需求的市场叙事。许多加密项目把“AI”加入其定位，因为这个术语能吸引关注、社区参与和资金。问题在于，“AI”可以是任何东西——从一个运行自训练模型的专有推理引擎，到一个调用第三方服务、项目本身内部并未发生任何有意义人工智能工作的简单 API 包装器。

这造成了一个验证问题：

  • **声明很容易做出。**任何项目都可以在其网站上写“由 AI 驱动”。白皮书可以描述可能存在、也可能不存在于代码中的复杂架构。
  • **没有结构就难以验证。**检查人工智能是否真实需要查看代码仓库、模型文档、基准测试结果和部署证据——这些是大多数用户不具备的技能和精力。
  • **AI-washing 的代价很高。**无法把真实的人工智能与空洞营销区分开来的用户，可能会误判一个项目的技术实质。这无关一个项目是“好”还是“坏”的选择——而是关于其所述的技术能力是否可验证。

DecAIHub 之所以存在，就是为了弥补这一缺口。注册表不会照单全收人工智能声明，而是检查 Tier-1 证据：代码、文档、指标、演示和技术架构。证据从 Tier-1（直接的技术工件，如源代码和审计报告）经 Tier-2（来自聚合器和分析的背景信息）一直分级到 Tier-3（营销材料和未经验证的声明）。

DecAI Fit 指标将三个维度的评估——AI reality、Onchain necessity 和 Token necessity——综合为一个从 0 到 6 的单一分数，反映一个项目与去中心化人工智能论点的契合程度。一个 ai_score = 0（无人工智能证据）的项目，无论其区块链或代币方面的资质如何，都会自动获得 DecAI Fit = 0。

从“无 AI”到“真实 AI”的谱系

一个项目中人工智能的存在不是二元的。DecAIHub 识别出一个谱系，反映在 AI reality 标志（AI_0 至 AI_4）中：

级别 它意味着什么 典型证据
未检测到 AI 任何来源中都未提及人工智能 无
仅有定位 “AI”出现在营销中，但未找到技术工件 网站文案、路演文档
意图 / 路线图 人工智能功能已规划但尚未构建 路线图条目、官方公告
已描述的组件 项目描述了它的人工智能做什么 白皮书、文档
可运行的演示 人工智能输出可被测试或观察 公开演示、API 端点
指标与基准测试 人工智能质量被衡量并附方法论公开 基准测试结果、评估报告

沿这个谱系移动需要逐步更有力的证据。每一步都为 DecAI Fit 分数提供输入。处于“仅有定位”阶段的项目，其证据权重与一个附方法论公开基准测试结果的项目有着根本性的不同。

仅人工智能本身不能证明什么

拥有一个真实、可运行的 AI 组件是获得强 DecAI Fit 的必要条件——但还不充分。仅有人工智能并不能使一个项目：

  • 有用 —— 产品必须为其用户解决一个真实的问题。
  • 去中心化 —— 人工智能完全可以在中心化服务器上运行。Onchain necessity 是单独评估的。
  • 代币合理 —— 人工智能的存在并不能解释为什么需要一个代币。Token necessity 是一个独立的维度。
  • 高质量 —— 一个模型可以存在却表现糟糕。质量通过指标和基准测试来反映，而非仅凭其存在。
  • 透明 —— 一个模型可以是真实的却完全封闭。开放权重、已公开的训练数据或可复现的基准测试能提高可验证性，但仅凭人工智能的存在并不能保证它们。

请勿混淆

  • 自动化 —— 基于规则的脚本和 if/then 工作流不是人工智能。参见 Automation vs real AI component。
  • AI component —— 项目内部发生人工智能工作的某个具体模块。“人工智能”是宽泛的领域；“AI component”是某个特定项目中的具体实现。
  • AI agent —— 一个能感知、推理并行动的自主系统。智能体使用人工智能，但它是一种特定的架构，而非人工智能本身的同义词。
  • 算法 —— 一个固定的、分步的过程。传统算法遵循显式指令；人工智能模型从数据中学习模式。并非每个算法都是人工智能。

常见问题

人工智能和机器学习是一回事吗？

不是。人工智能是更宽泛的领域，涵盖任何执行通常需要人类智能的任务的系统。机器学习是人工智能的一个子集——是当今最常见的方法——其中系统从数据中学习模式，而不是遵循手写规则。所有机器学习都是人工智能，但并非所有人工智能都是机器学习（尽管在实践中，大多数现代人工智能都依赖 ML 技术）。

人工智能能思考或有意识吗？

目前没有任何人工智能系统能思考、理解或拥有意识。即使是最先进的大语言模型，也是基于训练数据生成统计上可能的输出的模式匹配系统。它们没有信念、意图或觉知。任何项目中关于人工智能“意识”或“知觉”的声明都应被当作营销，而非技术事实。

狭义人工智能和通用人工智能有什么区别？

狭义人工智能（也称弱人工智能）是为某个特定任务而设计的——翻译文本、检测欺诈、生成图像。如今部署的所有人工智能系统都是狭义人工智能。通用人工智能（AGI）将是一个能够执行人类所能完成的任何智力任务的系统。AGI 仍是一个研究愿景，在任何产品或协议中都不存在。

人工智能在加密项目中如何使用？

加密项目把人工智能用于一系列功能：链上数据分析、风险评分、智能合约审计、内容生成、自动化智能体、去中心化模型训练与推理，等等。关键问题不是一个项目是否提到了人工智能，而是其 AI 组件是否可通过 Tier-1 证据——代码、文档、基准测试和已部署的工件——来验证。

为什么有些加密项目伪造人工智能能力？

“AI”标签能吸引关注和社区兴趣。把人工智能术语加入营销材料成本低而在感知上影响大。这种做法，被称为 AI-washing，与早先的“区块链洗白（blockchain-washing）”现象如出一辙——项目加入区块链相关说法却没有有意义的链上逻辑。DecAIHub 的验证框架，包括 AI reality 标志（AI_0 至 AI_4）和证据层级，正是专门为把真实的人工智能与营销声明区分开来而设计的。

另请参阅

外部参考

No comments to display

Back to top