从具体任务理解AI，而不是从聊天窗口理解AI

先从手作社的四件小事开始

纸星手作社是一家虚构的兴趣小组，没有真实客户资料。负责人小禾要把纸艺照片按作品类型归类，估计下一场活动要准备多少纸张，把录音转成文字，还要写一段活动介绍。这四件事都可能得到人工智能的帮助，但只有最后一件看起来像与聊天机器人对话。如果把AI理解为一个会说话的窗口，就会忽略识别图片、推荐内容、发现异常等更广泛的应用。学习的起点不是寻找一个万能按钮，而是说明自己究竟要解决什么问题。

人工智能是能力方向，界面只是使用入口

人工智能，英文Artificial Intelligence，通常指让计算机系统完成需要识别、推断、规划或生成等能力的任务。机器学习是其中常见的一条技术路径：让系统从数据中学习规律，而不是为每个情况手写规则。深度学习又是机器学习中的一类方法，使用多层神经网络表示复杂关系。聊天机器人是产品形态，可以接入语言模型，也可以只按规则返回固定答案。因此，能聊天不等于具有所有AI能力，不能聊天也不等于不是AI。

同一个场景可以拆成不同任务

小禾把作品照片分成纸花、纸盒、其他，这是分类：从预先约定的类别中做选择。根据历史参与人数估计纸张需求，这是数值预测：输出一个数量及其不确定性。把音频中的声音转换成文字是识别；撰写新的介绍是生成。这些任务的验收方式不同。分类可以对照标签检查，识别可以逐字听回录音，生成文案则要检查事实、语气与用途，不能因为文字流畅就视为完成。一个工具可能覆盖多种任务，也可能在其中某一种明显更弱。

把任务说清楚，比先选工具更重要

先写出输入、输出、评价标准和失败后果。以作品分类为例，输入是十张经过授权的虚构样例图，输出是每张图的类别，标准是至少九张符合人工定义，失败后果是整理者需要重新检查。再问自己是否已有更简单的方法：如果只有四张图片，手工归类可能比配置模型更省事。AI并非每个任务的首选，固定规则、普通搜索、表格公式或人工判断常常更稳定。任务数量多、模式重复且评价标准明确时，自动辅助才更容易产生价值。

避免两个相反的误解

第一种误解是把AI拟人化，认为它理解自己的全部处境并愿意承担责任。实际上，系统只能利用可获得的信息和设计好的功能，责任仍由使用者承担。第二种误解是看到一次错误就判定AI毫无价值。能力需要按任务、样本和条件评价：一个模型写介绍不错，并不能证明它能精确计数；一次计数错误也不能否定它改写句子的价值。你最终要学会的不是给AI贴聪明或愚笨的标签，而是判断这项能力在这个任务中是否足够可靠。