最近，与AI相关的新闻越来越受到公众的关注，不仅体现了公众对AI领域的兴趣和好奇心大幅增强，也代表着AI带动的新一轮科技革命并正在改变着全球经济格局。

让我感兴趣的是，这项技术的基本原理和核心技术是怎样的，如果能清晰这个问题，可能有助于我们选择更科学的交互方式、更有针对性的AI工具来解决问题、做出决策等。

在阅读了一些材料后，我归纳为AI的目标就是让机器成为人，像人一样感知、学习、理解、推理、决策和交互。而当前的技术发展阶段，距离实现AGI即人工通用智能（能够具备广泛认知能力并高度自主的智能系统）尚有一段路要走，当下能够融入我们日常生活的，是生成式人工智能——AIGC。ChatGPT作为AIGC的代表，大家可能惊讶于其是否是一种横空出世的产物，事实上，人工智能的研究最早可追溯到1950年的图灵测试。近年来，得益于计算机技术和算法的进步，原本渐进式发展的人工智能研究领域切换成了突变式发展模式，也是一种量变导致质变的发展过程。

早在1980年左右，就有了DIKW体系（也称为DIKW金字塔），到今天还会高频出现在信息管理等研究方向的著作或论文中。如下图，它强调了从数据到智慧的逐步提炼过程，也完全可以解释今天人工智能技术依赖大量数据来驯化和优化模型、从原始数据中提取信息、通过机器学习识别模式和关联进而形成知识库、模拟专家决策过程提供建议的一整个体系的运作模式。DIKW体系也有助于解释当前我们对于数字化转型的理解，让人们意识到从数据到决策是要经过一个清晰的转化路径，即数据收集→信息处理→知识管理→智慧创造。

对于AIGC而言，第三阶段知识中的机器学习是其核心技术之一。这是一项通过构建数据模型和算法，让计算机从数据中学习并自动改进性能的技术，包括了监督学习、无监督学习、强化学习和深度学习等不同类型。而在监督学习中，就包括我们在进行数量分析时经常用到的线性回归、逻辑回归、决策树等管理科学中的分析预测模型；还有更为复杂的神经网络，用于接受一组输入数据，将其传递到网络中的多个神经元层进行处理，犹如人体受到外界刺激后调动整个神经元系统去反应一般。

在发现、归纳和总结以上基本原理的同时，引发了我三点感触。

一是理解AI才能更好的使用AI。数据到智慧的DIKW体系模型已提出了四十余年，这条路径到今天依然适用于多项理论和多种场景。在我震惊的同时我也意识到，想让数据开口说话，是需要把数据转换为信息、再转化为知识进而形成智慧的。我们在与AI交互的过程中，也是需要通过这条路径去训练AI基于我提供的或它自有的数据库，提取它已经形成的或由我提到的信息和知识进一步生成内容。比如说，我想了解DIKW体系在AI领域的应用，就需要先问他DIKW体系是什么，进而请他分析DIKW体系和AI的关系，否则它是不会主动提级DIKW体系的。

二是取代人们的不是AI，而是使用AI的人们。我理解如果将AI放置于一个二维平面中，它纵向的广度是无边界的，通晓天下事，但在深度上是有限的，基于它的机器学习方式，包括其聚类方法和降维技术等。在非专业人士咨询相关领域较为深刻的问题时，它的作答往往是大众水平而非专家水平，并且缺乏一定的创新性。但AI恰好弥补了专家在非专业领域的常识性认知以及提升知识的全面性、完整性等方面发挥了重要作用，AI+专家必将大幅提升专家的全域能力去解决更深层次、更多甚至更重大的难题。

三是AI打破的边界由谁来弥补。由于与AI交互，尤其是像Kimi这种可以通过上传文件生成内容的，用户不可避免的传输了很多以往外界无从得知的信息，结合AI对于网络上现有数据的采集，可以用“它知道的太多了”来形容其获取信息的体量，这是否可以说明我们每个人、公司、群体乃至国家都将逐渐变得透明，是否会造就世界上更大的信息差，是否会导致过去武力战斗发展为今天贸易战争进而到未来的信息战争，是值得我们进一步深思的问题。

当前，AI正在各个领域进一步发展其功能，如医疗行业中为患者提供个性化治疗方案、使用机器人完成手术，制造行业中实现无人值守的黑灯工厂、打造智能生产体系、预测设备运转故障等，交通行业实现自动驾驶、交通智慧管理等等。最近高考结束正火热的用于报考的夸克，能让霸道总裁爱上我的角色扮演式对话Wow等APP都是搭载了AI技术实现为用户提供个性化的服务，以及打破传统生成式AI黑盒子模式（即看不到爬虫过程，无法判断其决策和判断过程是否准确）的秘塔AI。以上种种都表明了AI正高速行驶在各个领域的快车道上，深度与各个领域融合并发展，也将为社会和经济发挥出更大的积极作用。