第1课：AI 到底是什么意思？

学习目标

• 能完整说出 AI 的英文全称和中文含义
• 能区分 AI、模型、AI产品/应用三个层级
• 知道生成式AI可能出现事实错误，需要核验

正文

1. 先从两个字母开始：A 和 I

AI 只有两个字母：

• A = Artificial：人工的、人造的
• I = Intelligence：智能、智力

合起来就是 Artificial Intelligence = 人工智能。

这里的“人工”不是“人工操作”的意思，而是说：这种能力不是自然生长出来的，而是由人设计计算方法、准备数据、训练模型、搭建系统后形成的。

“智能”也不是说计算机真的拥有和人一样的意识。对初学者来说，可以先把它理解为：

让计算机完成一些过去通常需要人来判断、识别、表达、预测或决策的任务。

例如：

• 看一张照片，识别里面是什么；
• 听一段语音，把它转成文字；
• 读一篇文章，帮你总结；
• 根据历史数据，预测某个结果；
• 根据文字要求，生成图片、代码或方案。

2. AI 不是某一个软件，而是一整个技术领域

很多初学者第一次接触AI，是通过 ChatGPT、DeepSeek、豆包、Kimi 或其他聊天工具，于是容易形成一个印象：

“AI 就是聊天机器人。”

这是不准确的。

可以把AI想成“交通工具”这个大类别，而具体模型和产品只是其中不同的车辆。

一个比较容易理解的层级是：

AI 技术领域 → AI 模型 → AI 产品 / 应用 → 具体任务

举例：

人工智能 → 大语言模型 → CampusAI → 帮大学生做竞赛项目规划

也就是说：

• AI 是大类；
• 大语言模型是AI中的一种重要模型；
• CampusAI是使用模型能力构建的产品；
• “生成项目计划”是产品中的一个具体功能。

这四个层级不要混在一起。

3. AI 常见的六类能力

零基础阶段不需要先研究复杂算法，可以先认识AI“能做什么”。

3.1 文字与语言

AI可以：

• 回答问题；
• 总结文章；
• 翻译；
• 写邮件；
• 修改表达；
• 从长文中提取关键信息；
• 根据要求生成结构化内容。

这类能力通常属于自然语言处理，也就是以后你会看到的 NLP。

3.2 图片与视觉

AI可以：

• 识别图片内容；
• 检查图片中的物体；
• 生成图片；
• 修改图片；
• 对图表、界面、照片进行分析。

这一类常和 Computer Vision，计算机视觉 有关。

3.3 语音

AI可以：

• 把语音变成文字；
• 把文字变成语音；
• 做会议转写；
• 做语音助手。

3.4 视频

AI可以：

• 根据文字生成视频；
• 帮助生成分镜；
• 理解视频内容；
• 自动生成字幕；
• 辅助剪辑。

3.5 数据与预测

AI可以：

• 分类数据；
• 找异常；
• 做预测；
• 分析趋势；
• 从大量数据中发现规律。

3.6 执行任务

这是 CampusAI 特别关注的一类能力。

AI不只是回答一句话，而是可以围绕一个目标连续做多步任务：

目标 → 拆解任务 → 查资料 → 分析 → 生成初稿 → 检查 → 修改 → 形成成果

这类系统以后会涉及 Agent（智能体）。

4. “模型”到底是什么？

你会经常听到：

• 大模型；
• 语言模型；
• 图像模型；
• 多模态模型。

这里的“模型”可以先理解成一种经过训练的计算系统。

它在训练过程中接触大量数据，通过计算学习数据中的规律，然后在使用阶段根据新的输入产生结果。

例如，一个语言模型可能通过大量文本学习：

• 词语之间经常怎样搭配；
• 一段话通常怎样继续；
• 问题和回答通常有什么关系；
• 不同写作风格有什么特点；
• 代码、表格、说明文有怎样的结构。

因此，当你输入一句话时，它能够根据已经学习到的规律生成后面的内容。

这和“数据库里提前存好一条固定答案”不同。

5. AI 为什么会“看起来很懂”？

大语言模型生成文字时，会根据当前输入和已经学习到的模式，计算什么内容最适合继续出现。

所以它可能表现出：

• 很强的语言组织能力；
• 很强的总结能力；
• 一定程度的推理能力；
• 对很多领域的通用知识。

但要记住：

语言上说得很像真的，不等于事实一定是真的。

AI可能会生成：

• 不存在的论文；
• 错误的日期；
• 过时的政策；
• 看似合理但实际上错误的数据；
• 并不存在的引用来源。

这就是为什么后面整个超飞越AI网站会不断强调：

重要事实必须核验。

6. AI 产品和“直接聊天”有什么区别？

假设一个学生要参加大学生创新项目。

如果只是使用普通聊天工具，他可能会这样做：

“帮我想个题目。” → “再帮我写背景。” → “再写调研。” → “再做PPT。” → “刚才的数据从哪里来的？” → “前面的内容你还记得吗？”

整个过程需要用户自己组织。

而一个真正的AI产品，可以在模型之外增加很多东西：

• 用户系统；
• 项目工作区；
• 专业知识库；
• 竞赛数据库；
• 文件管理；
• 任务状态；
• Agent；
• 数据库；
• 权限；
• 来源引用；
• 项目历史。

于是流程可以变成：

用户目标 → 系统理解任务 → 调用知识库 → Agent执行 → 保存阶段成果 → 继续下一步 → 最终交付

CampusAI就是朝这个方向设计的。

7. 一个最重要的分层：模型能力 ≠ 产品能力

以后你会经常看到某个模型“又升级了”。

但对于一个网站或产品来说，最终体验不只取决于模型。

可以把一个AI产品拆成五层：

第一层：模型

负责语言、图像、推理等基础能力。

第二层：数据和知识

告诉模型应该参考什么资料。

第三层：工具

例如搜索、数据库、文件、代码执行等。

第四层：工作流和Agent

决定任务按照什么步骤执行。

第五层：产品界面

让普通用户真正可以操作。

所以：

好模型很重要，但好模型不自动等于好产品。

8. 零基础学习AI，先不要被“参数”和“算法”吓到

很多人一接触AI就看到：

• Transformer；
• 神经网络；
• 参数；
• 向量；
• GPU；
• Embedding；
• RAG。

于是觉得自己需要先学高等数学和编程才能继续。

其实不是。

零基础阶段最重要的是先建立一张“地图”：

1. AI是什么；
2. 常见术语是什么；
3. 一个AI产品由哪些部分组成；
4. AI擅长什么、不擅长什么；
5. 怎样正确提出任务；
6. 怎样核验结果；
7. 怎样把AI放进真实工作。

等这张地图建立起来，再学习技术细节会轻松很多。

9. 本课知识地图

你现在可以先记住这一条：

AI → 技术领域 → 包含很多不同模型 → 模型可以被各种产品调用 → 产品把模型、数据、工具和工作流组合起来 → 最终帮助用户完成具体任务

对于超飞越AI来说：

AI学习 → 帮你认识技术

大学知识库 → 帮你获得专业知识

CampusAI → 帮你把AI和知识真正用于项目

10. 本课总结

学完这一课，你不需要会编程，但应该已经能够回答四个问题：

1. AI 两个字母分别代表什么？
2. AI、模型和AI产品是不是一回事？
3. AI为什么可能说错事实？
4. CampusAI为什么不只是一个聊天框？

如果这四个问题你都能用自己的话讲明白，就已经完成了真正的第一步。

示例

常见误区

• “AI就是ChatGPT/DeepSeek。”——它们只是AI领域中的具体模型或产品。
• “AI说得像真的，所以一定是真的。”——语言流畅度不等于事实真实性。
• “用了大模型API，就已经做成完整AI产品。”——还需要前后端、数据、权限、流程、知识库等。

小测验

点击题目查看答案。

实践任务