一、介紹

人工智能（AI）是通過模擬、延伸和擴展人類智能的技術，使機器能夠感知、理解、決策和行動。核心目標是實現“智能自動化”，即讓機器在復雜、動態的環境中自主完成任務，甚至超越人類在特定領域的能力。

機器學習（ML）?ML 是 AI 的子集，通過算法從數據中學習模式，實現預測或決策，無需顯式編程。核心是“數據驅動”的模型訓練。

AI技術關鍵特征：

• 感知：通過傳感器（如攝像頭、麥克風）獲取環境數據。
• 理解：利用 NLP、CV 等技術解析數據（如語音識別、圖像分類）。
• 決策：基于數據和算法做出判斷（如自動駕駛中的路徑規劃）。
• 行動：執行物理或虛擬操作（如機器人抓取物體、聊天機器人回復）。

ML的例子：

• 電商平臺的個性化推薦（協同過濾 + 深度學習）。
• 銀行的信用評分（邏輯回歸 + 決策樹）。

二、面試者視角：

• AI 不僅是“工具”，更是重構用戶體驗和商業模式的驅動力。
• 交互方式革命：語音助手、生成式 AI讓用戶從“搜索”轉向“描述需求”。
• AI 的“解釋性”和“可信性”正成為產品設計的關鍵挑戰（如醫療診斷、金融風控場景）。
• 新用戶/新場景下，AI 缺乏數據。在啟動階段有出現空白推薦的風險。

三、應用場景：

AI的應用場景正在不斷豐富，滲透到了各行各業。包括有互聯網app的個性化推薦、自動駕駛、生成式AI、智能客服、各類預測模型（風險控制）、醫療行業的輔助診斷、制造業的故障檢測和維護、智能家居等等。事實上，AI 應用場景正在從“輔助”到“主導”演進。當下AI 主要是作為“助手”，但是在未來，AI 或將作為“決策者”。 我們在產品開發中需要將 AI 作為核心競爭力，杜絕“AI 洗白”，真正解決用戶痛點。

四、發展現狀：

① 大模型時代：通用大模型（如 GPT-4、LLaMA）參數規模達千億級，實現“通用智能”突破。但成本高昂（訓練 GPT-4 需數億美元，單次 API 調用 0.03$/1k tokens），現在多通過 Fine-tuning 或 Prompt Engineering 降低成本。對于企業來說，需“小而美”的垂直模型。

② 多模態融合：模型同時理解文本、圖像、音頻、視頻（如 CLIP、Whisper）。比如電商的“以圖搜圖”就是一個典型的應用案例。但是多模態數據標注成本高，需半監督/弱監督學習方案。

③ 邊緣 AI：模型從云端下沉到設備端（如手機、IoT），實現低延遲、高隱私（如蘋果 Core ML）。

④?監管加強：歐盟《AI 法案》要求高風險 AI 系統可解釋、可審計。

五、相關技術：

技術領域	關鍵技術	產品化應用
深度學習	CNN、RNN、Transformer	圖像識別、語音合成、文本生成
強化學習	DQN、PPO、模仿學習	游戲 AI、廣告投放
自然語言處理	BERT、GPT、Word2Vec	智能客服、文檔分析、代碼生成
計算機視覺	YOLO、ViT、Faster R-CNN	安防監控、醫學影像、無人零售
AI 芯片	GPU（NVIDIA）、TPU（Google）、NPU（華為）	邊緣設備、數據中心

六、發展方向：

技術上自監督學習和神經符號 AI備受關注，在商業落地方面按次付費、訂閱制依舊受歡迎，在跨界融合方面AI+Web3.0、AI+生物科技都是當下的研究熱門。同時也要關注到AI發展帶來的就業沖擊和算法偏見等挑戰，給出協同方案。

七、參考資料：

書籍：《人工智能》（斯圖爾特·羅素）、《深度學習》。
報告：McKinsey《AI 全球調研報告》、Gartner《AI 成熟度模型》。

The Act Texts | EU Artificial Intelligence Acthttps://artificialintelligenceact.eu/the-act/