一、介绍

人工智能（AI）是通过模拟、延伸和扩展人类智能的技术，使机器能够感知、理解、决策和行动。核心目标是实现“智能自动化”，即让机器在复杂、动态的环境中自主完成任务，甚至超越人类在特定领域的能力。

机器学习（ML） ML 是 AI 的子集，通过算法从数据中学习模式，实现预测或决策，无需显式编程。核心是“数据驱动”的模型训练。

AI技术关键特征：

感知：通过传感器（如摄像头、麦克风）获取环境数据。
理解：利用 NLP、CV 等技术解析数据（如语音识别、图像分类）。
决策：基于数据和算法做出判断（如自动驾驶中的路径规划）。
行动：执行物理或虚拟操作（如机器人抓取物体、聊天机器人回复）。

ML的例子：

电商平台的个性化推荐（协同过滤 + 深度学习）。
银行的信用评分（逻辑回归 + 决策树）。

二、面试者视角：

AI 不仅是“工具”，更是重构用户体验和商业模式的驱动力。
交互方式革命：语音助手、生成式 AI让用户从“搜索”转向“描述需求”。
AI 的“解释性”和“可信性”正成为产品设计的关键挑战（如医疗诊断、金融风控场景）。
新用户/新场景下，AI 缺乏数据。在启动阶段有出现空白推荐的风险。

三、应用场景：

AI的应用场景正在不断丰富，渗透到了各行各业。包括有互联网app的个性化推荐、自动驾驶、生成式AI、智能客服、各类预测模型（风险控制）、医疗行业的辅助诊断、制造业的故障检测和维护、智能家居等等。事实上，AI 应用场景正在从“辅助”到“主导”演进。当下AI 主要是作为“助手”，但是在未来，AI 或将作为“决策者”。我们在产品开发中需要将 AI 作为核心竞争力，杜绝“AI 洗白”，真正解决用户痛点。

四、发展现状：

① 大模型时代：通用大模型（如 GPT-4、LLaMA）参数规模达千亿级，实现“通用智能”突破。但成本高昂（训练 GPT-4 需数亿美元，单次 API 调用 0.03$/1k tokens），现在多通过 Fine-tuning 或 Prompt Engineering 降低成本。对于企业来说，需“小而美”的垂直模型。

② 多模态融合：模型同时理解文本、图像、音频、视频（如 CLIP、Whisper）。比如电商的“以图搜图”就是一个典型的应用案例。但是多模态数据标注成本高，需半监督/弱监督学习方案。

③ 边缘 AI：模型从云端下沉到设备端（如手机、IoT），实现低延迟、高隐私（如苹果 Core ML）。

④ 监管加强：欧盟《AI 法案》要求高风险 AI 系统可解释、可审计。

五、相关技术：

技术领域	关键技术	产品化应用
深度学习	CNN、RNN、Transformer	图像识别、语音合成、文本生成
强化学习	DQN、PPO、模仿学习	游戏 AI、广告投放
自然语言处理	BERT、GPT、Word2Vec	智能客服、文档分析、代码生成
计算机视觉	YOLO、ViT、Faster R-CNN	安防监控、医学影像、无人零售
AI 芯片	GPU（NVIDIA）、TPU（Google）、NPU（华为）	边缘设备、数据中心