# 人工智能基础

> CIE A-Level 计算机科学 · 9618
> 来源: https://www.owlsprep.com/zh/study/cie-9618-u13-artificial-intelligence-fundamentals/

本子主题涵盖CIE A-Level 9618考试中人工智能（AI）的核心定义和分类。你将学习考点相关的关键概念，包括AI类型、智能体以及真实世界AI应用。

**先修:** [基础计算问题求解原理](https://www.owlsprep.com/zh/study/cie-9618-u13-problem-solving-fundamentals/)

## 学习目标

- 区分强人工智能与弱（窄）人工智能
- 解释智能AI系统的核心特征
- 识别并描述人工智能常见的真实世界应用

## 人工智能分类：强AI vs 弱AI

**AI分类** — 出于考核目的，人工智能根据能力范围分为两大类别。

*例:* 如今几乎所有商用AI系统都被归类为弱人工智能。

强AI和弱AI的区别是常考考点，通常占2-4分。分类取决于AI能力的通用性，而不仅仅是它在单个任务上的表现好坏。

**例题:** 一个为用户推荐帖子的社交媒体推荐系统被归类为AI。说明它是强AI还是弱AI，并证明你的答案。

1. 回忆核心定义：弱AI是窄域的，为有限的特定任务集设计，而强AI具备跨所有领域的类人通用智能。
2. 分析推荐系统：它仅被构建用于执行推荐内容这一特定任务，无法像人类一样推广到不相关的智力任务。
3. 结论：该推荐系统是弱（窄）人工智能。

> **考试提示:** 当被要求对AI分类时，务必给出证明：1分用于正确分类，1分用于链接到定义的有效证明。

## 核心概念：智能体

**智能体** — 通过传感器感知环境、通过执行器作用于环境，以实现预定义目标的自主人工智能系统。

*例:* 自动驾驶汽车是智能体，它通过激光雷达/摄像头感知道路，通过转向和刹车执行动作。

对于9618试卷1，你只需要回忆核心定义以及传感器/执行器的作用，不需要背诵智能体类型的完整层级。

**例题:** 对于割草机器人智能体，说出它使用的一个传感器和一个执行器，并说明它们的用途。

1. 回忆：传感器收集环境信息，执行器执行物理动作改变环境。
2. 传感器示例：障碍物传感器，用于检测机器人必须避开的草坪家具或树木。
3. 执行器示例：切割刀片电机，通过动作将草切割到要求的高度。

## 智能系统的核心特征

你可能会被要求解释什么让一个系统成为'智能'，这类题目占3-6分。阅卷老师寻找的核心特征是：

- 从经验中学习并随时间调整行为的能力
- 在不确定或不完整信息下推理的能力
- 做出面向目标决策的能力
- 解释非结构化输入的能力（例如自然语言、图像）
- 不仅遵循固定预编程规则解决问题的能力

**概念自测**

测试你对核心特征的理解：

1. 以下哪一项**不是**智能系统的核心特征？

   - 适应新输入
   - 仅遵循固定预编程规则
   - 从过去错误中学习
   - 处理不完整数据

   *解析:* 固定基于规则的系统无法适应或学习，因此不属于智能。智能系统超越固定规则来解决问题。

**例题:** 欺诈检测系统在处理更多交易数据后提高了准确率。解释这如何体现智能行为。

1. 智能系统的核心特征之一是能够从经验中学习以提高性能。
2. 该系统使用过去的交易数据（经验）调整其检测模型，随时间减少误报。
3. 这种适应和学习符合智能行为的定义，因此该系统体现了人工智能特征。

## 常见真实世界人工智能应用

考题通常要求你识别为什么给定系统使用AI，而不是传统非AI编程。你需要识别的常见应用是：

| 应用 | AI类型 |
| --- | --- |
| 语音助手（Siri/Google Assistant） | 弱AI |
| 医学图像癌症检测 | 弱AI |
| 垃圾邮件过滤 | 弱AI |
| 下棋AI（国际象棋/围棋） | 弱AI |
| 通用人类级AI | 假设性（尚未实现） |

**例题:** 解释为什么垃圾邮件过滤器是AI应用。

1. 垃圾邮件过滤器从标记的垃圾邮件和非垃圾邮件训练数据中学习识别新类型的垃圾邮件。
2. 它们随时间调整规则，而不依赖程序员编写的静态不变规则。
3. 这种学习和适应的能力意味着系统使用AI技术来执行其任务。

## 常见错误

- **错误做法:** 声称AI和机器学习是同一回事
  - 原因: AI是更广泛的领域，机器学习只是AI方法的一个子集
  - 正确做法: 将AI定义为智能系统的整体领域，ML作为AI从数据学习的特定子集
- **错误做法:** 将现代大语言模型归类为强AI
  - 原因: 即使是先进的大语言模型也是为文本任务设计的窄域系统，不具备类人通用智能
  - 正确做法: 将所有现有商用AI归类为弱/窄AI；强AI仍然纯理论假设
- **错误做法:** 考试答题时忘记证明AI分类
  - 原因: 大多数2分以上的题目要求证明才能得满分，而不仅仅是正确分类
  - 正确做法: 始终将你的答案链接回AI类型的核心定义，以获得所有可得分数
- **错误做法:** 将所有复杂计算机系统称为AI
  - 原因: 3D渲染这类复杂任务可以用传统非AI编程完成，不需要智能
  - 正确做法: 检查是否有学习/适应/推理：只有具备这些特征的系统才被归类为AI

## 速查表

| 概念 | 核心定义 |
| --- | --- |
| 弱（窄）AI | 面向特定任务的AI，无通用智能 |
| 强AI | 拥有类人能力、可完成所有任务的假设性通用AI |
| 智能体 | 通过传感器感知环境，通过执行器行动以实现目标 |
| AI核心特征 | 学习、适应、推理、处理不确定性、目标导向 |
| AI vs ML | ML是AI的子集，可从数据中学习 |

## 下一步

现在你已经掌握了AI基础，准备好探索9618大纲中更具体的AI主题了。这些核心定义是试卷1中所有其他AI问题的基础，因此请确保你能够回忆并将它们应用到任何场景。掌握这些基础会让你更容易理解更高级的AI概念，例如机器学习和专家系统，这些概念都建立在你在此学习的分类和特征之上。这两个主题都是CIE A-Level计算机科学考试的常考内容。

- [人工智能搜索技术](https://www.owlsprep.com/zh/study/cie-9618-u13-ai-search-techniques/)

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/cie-9618-u13-artificial-intelligence-fundamentals/