理解AI的两个核心概念
人工窄智能（当前现实）
定义：仅擅长单一任务的AI系统（如智能音箱、自动驾驶、搜索引擎）。
现状：发展迅速，已创造巨大实际价值。
举例：一位机器人教授指出，虽然AI机器人目前难以处理复杂发型，但像吴恩达本人的简单发型，机器人可以完成。
通用人工智能（未来展望）
定义：能够执行人类所有智能任务的AI。
现状：进展甚微，仍需多项基础突破，可能需数十年甚至更久才能实现。
核心观点：当前窄AI的成功被误读为AGI的快速进展，从而引发了对"杀手机器人"等不切实际的恐惧。无需过度担忧AGI的威胁。
人工智能的核心驱动力：机器学习
当前人工智能的兴起，主要由机器学习这一工具驱动。
机器学习的主流类型：监督学习
最常用&创造巨大价值的类型：监督学习。
- 核心思想 ：学习从输入（A） 到**输出（B）**的映射关系（A → B）。
- 通俗理解：教AI根据"输入"做出正确的"输出"判断。
监督学习的应用场景
|---------------|----------------|------------------------|
| 输入 (A) | 输出 (B) | 应用领域 |
| 一封电子邮件 | 是否为垃圾邮件（是/否） | 垃圾邮件过滤 |
| 一段音频 | 对应的文字稿 | 语音识别 |
| 英语句子 | 中文/西班牙语等翻译 | 机器翻译 |
| （广告信息 + 用户信息） | 用户是否会点击（是/否） | 在线广告推荐（当前最盈利的应用之一） |
| （图片 + 雷达数据） | 周围车辆的位置 | 自动驾驶（避障） |
| 刚下生产线的产品图片 | 是否存在划痕或凹陷（是/否） | 制造业视觉检测（减少缺陷） |
核心价值：虽然看起来只是简单的A→B映射，但一旦找到合适的应用场景，就能创造巨大价值。
监督学习为何在近期爆发？
监督学习：概念已有几十年历史，近期崛起主要归因于2个要素的协同作用：数据量 、**算法（神经网络）**的进步。
关键洞察：性能表现曲线
- 横轴：可用于特定任务的数据量（过去几十年因数字化、互联网而激增）。
- 纵轴：AI系统的性能表现（如：语音识别的准确率）。
- 传统AI系统 ：随着数据增加，性能提升很快达到天花板，不再显著增长。
- （现代）神经网络/深度学习 ：
- 使用小型神经网络：性能随数据增加而提升。
- 使用大型神经网络 ：性能可以持续、稳定地提升，达到前所未有的高水平。
实现高性能AI必要条件
- 大量数据（大数据）：训练的基础。
- 训练大型神经网络的能力 ：依赖于快速计算机（如遵循摩尔定律的CPU）和**专用处理器（如图形处理单元GPU）**的发展，这使得不仅是科技巨头，许多公司都能训练出高性能模型。
重点强调："输入-输出映射"的核心逻辑、性能增长曲线的直观解释。