收益：
- 能够区分人工智能、机器学习和大语言模型的概念
- 解释这些技术与传统软件有何不同
- 能够识别日常商务生活中遇到的人工智能示例
近年来，“人工智能”这个词无处不在：在新闻中、在广告中、在商务会议中，甚至在你使用的手机的摄像头中。但这到底是什么意思呢？本单元从基础知识解释该主题，而不是淹没在术语中，并将其与您的商业生活联系起来。我们的目的不是让你成为一名工程师；而是让你成为一名工程师。让您成为一个有意识的用户，了解您使用的工具是什么以及它们为什么这样做。因为您对车辆了解得越多，使用它就越安全、越高效。
你经常听到三个相互交织的概念：人工智能、机器学习和大语言模型。这些不是同一件事；它们是越来越窄的环，一个环在另一个环内。现在我们就用日常的例子来一一解释一下。
三个概念，三个环环相扣
人工智能 (AI)：它是一个广泛领域的总称，使计算机能够执行通常需要人类智能的任务（理解、决策、识别、使用语言）。国际象棋程序、翻译应用程序和语音助手也在这个范围内。
机器学习（ML）：它是人工智能最常见的分支。这里，我们并不是将规则一一写入计算机；我们给他看了很多样品，他自己从样品中挑选出图案。因此得名“机器学习”：机器从示例中学习。
大型语言模型（LLM）：它是一种专门研究文本的特殊类型的机器学习。它经过数十亿个句子的训练；它用于理解语言、生成、总结和翻译等任务。这是 ChatGPT、Gemini、Claude 等工具背后的技术。这个模块中的工具，我们称之为“生成式人工智能”（文本/图像生成人工智能），大部分是基于法学硕士的。
提示：记住这一点：人工智能是最大的盒子，机器学习是里面的盒子，大语言模型是最里面的盒子。 “每个法学硕士都是机器学习的产物，每个机器学习都是人工智能，但反之亦然。”
与传统软件的区别：谁制定规则？
这是需要理解的最重要的区别。在传统软件中，人类（程序员）一一写下规则：“如果订单金额超过 500 TL，则免运费”。计算机严格遵守这条规则，不多也不少。
在机器学习中，规则不是由人类编写的，而是由人类编写的。模型从显示的示例中发现规则本身。例如，您显示数千封“垃圾邮件”和“非垃圾邮件”电子邮件；该模型本身会学习哪些单词和短语表示垃圾邮件。没有人一一写下“如果有这个词，那就是垃圾邮件”。
特征
传统软件
机器学习/人工智能
谁制定规则？
人一一写
该模型从示例中推断
输出总是相同吗？
相同的输入→相同的输出
相同的输入 → 相似但可变的输出
什么时候强？
按照明确、明确的规则开展工作
适用于多种模式和困难的规则
可靠性
可预测的、稳定的
统计数据，需要验证
例子
工资账户
改善电子邮件语气
这种差异是您稍后将学习的“幻觉”和“验证”主题的基础：因为模型本身推导出规则，所以有时是错误的，因此不能盲目信任其输出。
您已经在日常工作生活中看到了它
不要认为人工智能是新事物；您可能已经使用它很多年了：
- 您的电子邮箱的垃圾邮件过滤器（一个能够识别哪些电子邮件是垃圾的模型）。
- 您手机的键盘预测（建议下一个单词的小型语言模型）。
- 您银行的欺诈交易警报（检测异常支出的模型）。
- 您的电子表格程序的自动填充和建议功能。
- 视频和音乐应用中的推荐系统。
新鲜的是，这项技术现在可以用自然语言说话。所以你写的时候就好像你在和专家交谈一样，他会理解并回答。这才是工作场所真正的机会所在。
三个迷你箱
案例 1 — Ayşe，办公室经理。他每周手动对大约 40 封供应商电子邮件进行分类；平均需要90分钟。它开始让公司的人工智能助手将电子邮件标记为“紧急/正常/信息”。时间缩短为20分钟；他节省了约 70 分钟用于合同控制。 AI自己学习了规则； Ayşe 没有一一写过滤器。
案例 2 — Mehmet，现场技术人员。客户以自由文本形式编写故障记录（“设备变热，间歇性关闭”）。他的经理无法手动读取和分类这 500 条记录。语言模型将记录总结为“硬件/软件/用户错误”，并提取最常见的投诉。该模型在几分钟内就画出了人类需要近两天才能完成的草图；团队才确认。
案例 3 — Elif，会计。他让人工智能总结了一份新的立法文本，并从 12 页的文本中提取了 1 页的文章列表。但他本人从官方消息来源证实了这一关键比例；因为这是一个需要数值精度的问题。因此，它的工作既快速又安全。
弱提示/强提示
了解该工具也会改变您提出问题的方式。同一助理提出两个不同的问题：
弱提示：什么是人工智能？
结果：冗长、百科全书式的描述，并非专门针对您。
强烈提示：我是一名非技术型上班族。用 3 个简短要点和日常生活中的例子来解释人工智能、机器学习和大语言模型之间的区别。使用简单的土耳其语。
结果：适合您的角色、级别和目的的可用答案。区别：你给出了背景、受众和格式。
可复制模板
帮我学一门技术。主题：[例如机器学习]我：[我的角色/我的知识水平]我想要：5个项目的简单解释+每个项目的商业生活示例+最后的1句话“记住它”摘要。
告诉我在日常生活中我在哪里遇到过以下概念：概念：[例如推荐系统]给我5个现实的例子，并用一句话解释清楚AI在每个例子中做了什么。
对比一下这两个概念，放在一个表格中： 概念A：【传统软件】概念B：【机器学习】列：规则是谁定的，输出是常数，什么时候强，举个例子。
简化以下句子，就像向非技术同事解释一样。如果有行话，请在括号中添加简短的解释。句子：[粘贴到此处]
常见错误
常见错误
- 思考“AI=机器人/意识”。今天的车辆不会思考或感觉；而是识别模式并生成可能的后续结果。忘记这一点会导致过高的期望和失望。
- 将每个人工智能输出视为确定的事实。该模型在统计上有效；在未经验证的情况下使用需要精确度的数字、日期和来源是有风险的。
- 说“这份工作离我很远”，却从不尝试。人工智能可以为非技术员工的繁琐和重复性任务节省最多的时间。不去尝试的人就会失去机会。
- 在没有上下文的情况下提出单字问题。如果您不告诉工具您是谁以及您想要什么，您将得到通用的、无用的答案。
注意：人工智能“学习”与人类学习不同。该模型不是通过理解世界来“学习”，而是通过捕获数据中的统计模式来“学习”。所以他可以说得非常流利，但仍然会弄错一个基本事实。流畅性并不能保证准确性。
综上所述
- 人工智能是最广泛的保护伞；机器学习是它的一个分支，从例子中学习；大语言模型（LLM）是一种专门研究语言的机器学习。
- 主要区别：在传统软件中，规则是由人编写的；在机器学习中，模型从示例中提取规则。
- 人工智能已经进入您的生活：垃圾邮件过滤器、键盘预测、虚假交易警报、推荐系统。新鲜的是它可以用自然语言说话。
- 由于该模型是统计性的，所以它是流动的，但并不总是准确的；这是后续单元（幻觉、验证）的基础。
应用任务
打开你使用的AI工具，通过上面的“强力提示”模板向自己解释机器学习和大语言模型的区别。然后写下你自己的企业中已经使用（或可以使用）人工智能的 3 个地方。对于每个问题，“人工智能在这里到底能做什么？”用一句话回答问题。
清单
- [ ] 我能区分人工智能、机器学习和法学硕士。
- [ ] 我可以解释一下传统软件和机器学习之间“谁编写规则”的区别。
- [ ] 我在日常生活中至少知道 3 个人工智能的例子。
- [ ] 通过给出上下文、受众和格式，我可以提出一个更有力的问题。
- [ ] 我知道人工智能流畅并不意味着它是准确的。