自动化与真正的 AI component
注意：本文档是英文原版的自动翻译。
自动化与真正的 AI component
许多加密项目把简单的自动化标榜为"AI"。一个遵循预设规则的交易机器人、一个按 gas 价格路由交易的智能合约、一个在达到阈值时触发的通知系统——这些都是自动化，而非人工智能。本页帮助区分这两者。
简而言之： 自动化遵循固定规则；一个真正的 AI component 从数据中学习并产生概率性输出。这一区别之所以重要，是因为 DecAIHub 评估 AI 主张是否可验证——而基于规则的逻辑不是人工智能。
给初学者的类比
设想两台恒温器。第一台是传统恒温器：你把它设到 22 度，当温度降到 22 度以下时它打开加热器，升到 22 度以上时关闭。这就是自动化——一条固定规则可靠地执行。第二台恒温器学习你的作息、检测你何时离开家、根据天气预报进行调整，并随时间优化，以在让你保持舒适的同时减少能耗。这就是人工智能——一个从数据中学习并调整自身行为的系统。两者都调节温度。但只有第二台拥有一个做出决策的已训练模型，而这些决策是一套固定规则无法预料到的。
在加密人工智能领域，许多项目就像第一台恒温器：可靠、有功能、基于规则。DecAIHub 的工作是识别哪些项目真正像第二台那样运作。
什么是自动化
自动化是一个执行预定义规则、不进行学习或适应的系统。它的行为是确定性的：给定相同的输入，它总是产生相同的输出。
- "如果代币价格跌破 $X，则卖出。"——一条条件规则。
- "把交易路由到 gas 费最低的链。"——一次确定性比较。
- "当 TVL 变化超过 5% 时发送警报。"——一个阈值触发器。
- "每天把投资组合再平衡到 60/40 的配置。"——一个带固定公式的固定计划。
这些是有用的工程模式。它们不是人工智能。
自动化有明显的优点：它可预测、可审计、快速且易于推理。当一个系统必须每次都表现相同时——例如按指定条件执行一份智能合约——确定性自动化是正确的工具。问题不在于自动化存在，而在于一些项目把它标榜为 AI 以夸大其被感知到的技术先进性。
什么是真正的 AI component
一个真正的 AI component 是一个从数据中学习、做出预测，或生成无法被一套固定规则完全描述的新输出的系统。它的行为是概率性的：给定相同的输入，它可能依据其所学到的内容而产生不同的输出。
- 一个在历史交易数据上训练、预测价格变动方向的模型。
- 一个阅读白皮书并生成摘要的 NLP 系统。
- 一个基于所学模式把链上交易标记为可疑或正常的分类器。
- 一个使用 LLM 来推理多步 DeFi 策略的代理。
关键区别在于：该系统拥有一个已训练模型——权重、参数或一个学到的表征——它是由数据塑造的，而非由开发者编写的。
一个真正的 AI component 需要一个训练过程：模型接触数据、调整其内部参数，并发展出超越其训练所用具体示例进行泛化的能力。开发者把知识编码为规则；而人工智能模型从数据中提取的模式，可能超出任何单个开发者所能阐明的范围。
灰色地带
一些系统介于明确的自动化和明确的人工智能之间：
- 启发式评分 —— 由专家设计的加权规则。没有发生学习，但其逻辑复杂到足以像一个模型。权重是由人类设定的，而非通过优化从数据中导出。
- 统计阈值 —— 从数据分析中导出、但作为固定规则应用的值。其导出过程使用了数据；其执行过程则不学习。例如，一个标记超过统计导出阈值的交易的欺诈检测系统，使用的是数据知情的自动化，而非一个学习模型。
- 提示词封装器 —— 一个项目把用户输入连同一个固定的提示词模板发送给第三方 LLM API。该 LLM 是真正的人工智能，但该项目自身的贡献可能更接近自动化。参见 API wrapper。
- 带手动切分的决策树 —— 一个项目可能把逻辑组织成一棵条件树。如果切分是由开发者定义的、而非从数据中学到的，这就是结构化的自动化，而非 机器学习。
在模棱两可的情况下，DecAIHub 评估的是项目自身构建和控制的内容，而非外部提供方供给的内容。评估检查工件：是否有一个已训练的模型文件？是否有训练日志？是否有评估结果？如果这些都不存在，且系统的行为可以被 if/else 条件完全描述，那么无论营销怎么称呼它，该系统都是自动化。
如何区分两者
| 问题 | 如果是 | 如果否 |
|---|---|---|
| 该系统是否从新数据中学习？ | 很可能是 AI | 很可能是自动化 |
| 给定相同输入，结果是否确定？ | 很可能是自动化 | 很可能是 AI |
| 是否有一个已训练模型（权重、参数）？ | 很可能是 AI | 很可能是自动化 |
| 用 if/else 规则能否实现相同结果？ | 很可能是自动化 | 很可能是 AI |
| 项目是否描述了训练、微调或评估？ | 很可能是 AI | 进一步检查 |
| 该系统是否在无人工修改代码的情况下随时间改进？ | 很可能是 AI | 很可能是自动化 |
| 该系统的行为是否完全在配置文件中指定？ | 很可能是自动化 | 很可能是 AI |
没有任何单一问题是决定性的。但如果所有答案都指向自动化，那么"AI"标签很可能只是营销。
一个实用的测试：把该系统所做的事描述给一位开发者。如果该开发者用条件逻辑和简单比较、在一天之内、无需任何模型训练就能实现它，那么该系统很可能是自动化。如果其实现需要收集数据、训练模型、评估其准确率并迭代——那么它很可能是人工智能。
为什么这对 DecAIHub 很重要
DecAIHub 中的 AI_1 标记询问项目是否"描述了 AI 究竟做什么"。如果所描述的"AI"实际上是基于规则的自动化，它就不符合真正的 AI component 资格，也不应获得 AI_1 = 1 的评分。
这并不是对质量的评判。自动化可以是高效、可靠且有价值的。但把自动化称为"AI"是一种 AI-washing ——夸大技术主张以吸引关注或为代币估值辩护。
DecAIHub 的职责是提供清晰性。当一张项目卡片陈述其 AI component 是"基于规则的自动化"时，这是准确的记录，而非批评。读者随后可以自行决定该项目的技术是否符合他们的预期。
仅凭这一区分无法证明什么
- 被归类为"真正的 AI"并不能证明该人工智能是高质量的。一个真正的 AI component 仍可能训练得很差或不准确。
- 被归类为"自动化"并不能证明该项目较差。自动化可以高度有效且可靠。
- 通过了 AI-vs-自动化测试并不能证明该项目拥有完整的 Tier-1 证据。仍然需要额外的工件（文档、基准测试、演示）。参见 什么算作人工智能的证据。
- 一个把真正的人工智能与自动化结合起来的项目不会因其自动化组件而受到惩罚。DecAIHub 专门评估的是 AI 主张，而非整个技术堆栈。
示例
| 项目主张 | 它实际上是什么 | 类别 |
|---|---|---|
| 遵循预设止盈/止损规则的"AI-powered trading bot" | 条件逻辑 | 自动化 |
| 使用 ML 模型根据市场数据调整策略的交易系统 | 机器学习 | 真正的 AI |
| 挑选最便宜 gas 路径的"AI router" | 确定性比较 | 自动化 |
| 使用历史数据预测最优执行路线的路由器 | 预测模型 | 真正的 AI |
| 价格越过阈值时发出的"AI alerts" | 阈值触发器 | 自动化 |
| 学习正常模式并标记偏差的异常检测系统 | 已训练分类器 | 真正的 AI |
| 按计划再平衡到固定百分比的"AI portfolio manager" | 固定公式 | 自动化 |
| 学习风险偏好并根据市场条件调整配置的投资组合系统 | 自适应模型 | 真正的 AI |
在项目卡片中应关注什么
在阅读一张 DecAIHub 卡片时，检查 AI component 字段。一个真正的 AI component 通常描述学习、预测、生成或分类。如果其描述听起来像条件逻辑——"路由到最便宜的"、"在……时触发"、"遵循规则"——它可能是自动化，而非人工智能。
也要检查 证据表。真正的 AI component 会产生可验证的工件：模型描述、训练 数据、基准测试、推理日志。自动化产生的是代码——这是有效的工程证据，但不是人工智能的证据。
把 AI_1 到 AI_5 标记放在一起看。一个 AI_1 = 0（没有清晰的 AI 描述）但有强烈产品主张的项目，应当促使更仔细的阅读。一个 AI_1 = 1 但 AI_3 = 0（没有定量指标）的项目，已经描述了它的人工智能，但尚未提供可衡量的性能数据。这些模式有助于读者评估 AI 标签背后有多少证据支撑。
常见问题
对于某些任务，自动化能比人工智能更好吗？
完全可以。对于定义明确、安全攸关或需要确定性保证的任务，自动化往往是更好的选择。一份必须每次都相同执行的智能合约，受益于确定性逻辑，而非概率性的模型输出。人工智能擅长的是问题空间对固定规则而言过于复杂时——当系统需要识别模式、处理歧义或泛化到未见过的输入时。正确的工具取决于任务，而非哪个标签听起来更厉害。
如果一个项目同时使用自动化和人工智能怎么办？
许多真实系统把自动化和人工智能结合起来。一个项目可能用一个已训练的 ML 模型来生成一个信号，然后把该信号传入一个自动化的、基于规则的流水线来执行。在这种情况下，DecAIHub 就人工智能部分自身的优劣进行评估：模型是否真实、是否有文档记录、是否有可验证证据？自动化部分会被记录，但不计为人工智能证据。一种混合方法是完全有效的——关键在于准确的描述。
DecAIHub 如何处理灰色地带？
当一个系统介于明确的自动化和明确的人工智能之间时，DecAIHub 寻找证据工件。如果存在一个已训练模型——哪怕是一个简单的——并附有关于其训练数据、评估方法和性能指标的文档，该系统就符合拥有 AI component 的资格。如果该系统的逻辑可以被完全描述为一套固定规则，那么无论其复杂程度如何，它都被归类为自动化。在临界情况下，项目卡片会描述这种模糊性，以便读者形成自己的评估。
对项目而言，使用一个预训练模型算"真正的 AI"吗？
这取决于该项目用它做什么。如果该项目在自有数据上微调一个预训练模型、评估它并部署它——那么该项目拥有一个真正的 AI component（一个它所控制的微调模型）。如果该项目只是通过 API 调用一个预训练模型而不做修改，那么人工智能属于提供方。关于这一区别的更多细节，参见 什么是 API wrapper。
外部参考
- Stanford HAI AI Index Report —— 追踪人工智能进展、能力和采用的年度综合报告，有助于理解人工智能与非人工智能系统的更广泛背景。
- Machine Learning Glossary by Google Developers —— 权威的 ML 术语表，包含对自动化相邻概念（如基于规则的系统、启发式和已训练模型）的清晰定义。
- Artificial Intelligence: A Modern Approach (Russell and Norvig) —— 定义人工智能的标准学术教科书，包括基于规则的系统与基于学习的系统之间的区别。
No comments to display
No comments to display