主讲：老孙
适用：2026年下半年系统规划与管理师考试
预计阅读时间：55分钟
一、上节回顾
上一讲我们讲完云计算——数字化的基础设施。云是底座，今天讲 AI——数字化的大脑。云负责"算得快、存得多"，AI 负责"想得对、决得准"。两者协同构成数字化"双轮"。
我做项目 20 年，跨越了 AI 的两次寒冬与两次浪潮。每次 AI 寒冬都让人怀疑这个方向，但每次浪潮归来都让 AI 的应用范围翻一倍以上。2022 年 ChatGPT 引爆的"大模型革命"是 AI 第三次浪潮——这一次不只是技术变革，而是产业重塑。
1.1 AI 在数字化中的"3 大根本作用"
第一，决策代替——把人的决策环节交给 AI。AI 不仅快，而且不感情用事、不疲劳、可规模化。
第二，洞察增强——AI 能在海量数据中发现人发现不了的规律。一个有经验的运营 1 个月看不完的数据，AI 几秒看完并给出可解释的结论。
第三，创造力扩展——大模型让 AI 不仅"识别"，还能"创造"。文案、代码、图片、视频都可以让 AI 协同创作。
3 大根本作用 = AI 对数字化不可替代。
1.2 AI 的"3 大时代背景"
背景 1：算力指数增长——GPU 每 2 年翻一倍，让训练超大模型成为可能
背景 2：数据爆炸——全球数据量年增 30%，为 AI 训练提供"燃料"
背景 3：算法突破——Transformer 架构、大模型预训练范式、扩散模型，让 AI 能力跨越式提升
3 大背景 = AI 第三次浪潮的"土壤"。
二、本讲导读
2.1 学习目标
- 【是什么】 准确说出 AI 的定义、3 次浪潮、机器学习 / 深度学习 / 大模型的层次关系、AI 5 大典型场景
- 【为什么】 理解 AI 为何是数字化的大脑——没有 AI 的数字化只能停留在"数据驱动"，永远进不了"算法驱动"
- 【怎么用】 能为一个组织设计 AI 落地路线与 3 年规划
2.2 本讲在课程地图中的位置
本讲对标教材 第 18 章 人工智能——是阶段四的"前沿核心讲"。
2.3 一句话理解 AI
AI = 用算法让机器具备智能 —— 在某些任务上达到甚至超越人类水平。
【虚构案例提示】 本讲涉及"智慧邻里2.0项目""清华园物业""北京知知致用信息技术有限公司"均为培训教学所用的虚拟项目与虚构人物（详见第01讲首次案例声明）。
三、AI 的核心概念与层次
3.1 AI 的定义
人工智能（Artificial Intelligence, AI） 是研究如何让机器具备人类某些智能特征（感知 / 学习 / 推理 / 决策 / 创造）的学科与技术。
AI 不是单一技术——是一系列技术的集合：机器学习 / 深度学习 / 自然语言处理 / 计算机视觉 / 知识图谱 / 强化学习 / 生成式 AI 等。
3.2 AI 的"3 次浪潮"
第 1 次浪潮（1950-1980）：
- 符号主义 / 专家系统
- 代表：MYCIN 医疗诊断
- 局限：知识难以全编码
- 第 1 次寒冬：1980-1990
第 2 次浪潮（2010-2020）：
- 机器学习 + 深度学习崛起
- 代表：AlphaGo / 人脸识别
- 突破：CNN / RNN / GAN
- 第 2 次寒冬：未真正寒冬，但商业化受限
第 3 次浪潮（2022-至今）：
- 大模型革命
- 代表：ChatGPT / GPT-4 / Claude / 文心一言
- 突破：Transformer + 大规模预训练
- 影响：AI 应用进入"通用化"时代
3 次浪潮 = AI 70 年发展简史。
3.3 AI / 机器学习 / 深度学习 / 大模型的层次关系
四个概念是"包含关系"——这是系规考试必考。
最外层：人工智能 AI
- 让机器具备智能的所有方法
- 包含符号方法 / 统计方法 / 学习方法
第 2 层：机器学习 ML
- 让机器从数据中学习的方法
- 是 AI 的主要分支
第 3 层：深度学习 DL
- 用多层神经网络学习
- 是机器学习的主要分支
第 4 层：大模型 LLM
- 超大规模深度学习模型
- 是深度学习的最新形态
包含关系：AI ⊃ ML ⊃ DL ⊃ LLM
考试高频陷阱题："深度学习是机器学习的子集"——正确（必须答对）。
3.4 大模型时代的"5 大特征"
大模型与传统 AI 的 5 大差异。
特征 1：规模超大
- 参数从亿级到千亿级到万亿级
- 训练数据从 GB 级到 TB 级到 PB 级
特征 2：通用能力
- 一个模型可以做多种任务
- 不再"一个任务一个模型"
特征 3：少样本学习
- 只需少量示例即可适应新任务
- Few-shot / Zero-shot 能力
特征 4：涌现能力
- 规模到一定程度涌现新能力
- 推理、规划、自我反思
特征 5：生成能力
- 不仅识别，还能创造
- 文 / 图 / 音 / 视频生成
5 大特征 = 大模型"DNA"。
四、AI 的核心技术分支
4.1 机器学习 3 大类型
类型 1：监督学习
- 给标注数据学习
- 用于：分类、回归
- 代表算法：决策树、随机森林、SVM、神经网络
类型 2：无监督学习
- 无标注数据，自己找规律
- 用于：聚类、降维、异常检测
- 代表算法：K-means、PCA、Autoencoder
类型 3：强化学习
- 通过与环境互动学习
- 用于：决策优化、游戏、机器人
- 代表算法：Q-learning、PPO、AlphaGo
3 大类型 = 机器学习"主干"。
4.2 深度学习的"4 大经典架构"
架构 1：CNN（卷积神经网络）
- 适合：图像 / 视频
- 代表应用：人脸识别、物体检测
架构 2：RNN / LSTM（循环神经网络）
- 适合：序列数据
- 代表应用：早期 NLP、语音识别
架构 3：Transformer
- 适合：序列数据（已超越 RNN）
- 代表应用：BERT、GPT、所有大模型
架构 4：GAN（生成对抗网络）
- 适合：图像生成
- 代表应用：换脸、超分辨率
4 大架构 = 深度学习"工具箱"。Transformer 是当前主流。
4.3 AI 的"5 大应用领域"
领域 1：计算机视觉 CV
- 人脸识别、物体检测、视频分析
- 应用：安防、自动驾驶、医疗影像
领域 2：自然语言处理 NLP
- 文本理解、生成、翻译、对话
- 应用：智能客服、机器翻译、文档分析
领域 3：语音技术
- 语音识别 ASR、语音合成 TTS
- 应用：智能音箱、语音输入、电话客服
领域 4：知识图谱
- 结构化知识表达 + 推理
- 应用：搜索、问答、推荐
领域 5：决策智能
- 强化学习 + 优化
- 应用：智能调度、自动驾驶、博弈
5 大应用领域 = AI 落地"全景图"。
五、企业 AI 落地路径
5.1 企业 AI 落地的"5 阶段路线"
阶段 1：评估与规划（3-6 个月）
- AI 业务机会评估
- 数据基础评估
- AI 战略规划
阶段 2：试点（6-12 个月）
- 选 1-2 个高 ROI 场景试点
- 沉淀方法论
- 培养骨干团队
阶段 3：核心落地（12-24 个月）
- 核心场景规模化
- AI 平台搭建
- 模型管理体系
阶段 4：规模化（2-3 年）
- AI 全面渗透业务
- AI 中台成熟
- 数据 + AI 深度融合
阶段 5：AI 原生（3-5 年）
- 业务为 AI 而生
- 商业模式被 AI 重塑
- 行业领先
5 阶段 = 企业 AI 落地"完整路径"。
5.2 AI 落地的"3 大典型场景层次"
层次 1：效率类
- AI 提升效率
- 例：智能客服承载一线工单、AI 辅助代码生成
- 周期：3-12 个月
- ROI：清晰
层次 2：体验类
- AI 提升客户体验
- 例：个性化推荐、智能助手
- 周期：12-24 个月
- ROI：间接
层次 3：创新类
- AI 创造新业务
- 例：AI 驱动新产品、新服务
- 周期：24-60 个月
- ROI：长期但巨大
3 大层次按 ROI 与周期"先后落地"。
5.3 大模型落地的"4 种模式"
模式 1：直接调用 API
- 调用 OpenAI / 文心一言 / 通义千问 API
- 优点：上手快
- 缺点：成本高 / 数据出域
模式 2：私有化部署开源模型
- 部署 Llama / Qwen 等开源模型
- 优点：数据安全
- 缺点：算力成本
模式 3：模型微调（Fine-tuning）