市面上关于 AI 的书两极分化：一端神化，一端唱衰。作者以研究者的身份给出一条中间路线——先把「今天的人工智能到底是什么」讲清楚，再谈它离「会思考的机器」还有多远。
| 维度 | 今日AI | 理想AI |
|---|---|---|
| 数据需求 | 海量标注数据 | 极少样本即可 |
| 推理 | 模式匹配 | 因果与常识 |
| 目标 | 完成指定任务 | 自主理解世界 |
只擅长单一任务、在该领域表现优异但无法迁移的系统，即今天几乎所有落地 AI。
具备人类水平通用智能、能跨领域学习与推理的系统，目前仍属研究与设想。
让系统从数据中自动改进，而非靠人工逐条写规则，是当下 AI 的主力方法。
前者靠规则与逻辑，后者靠神经网络与参数，两派路线之争贯穿 AI 史。
作者提醒：比起遥远的「觉醒」，数据偏见、算法不公等现实问题更值得当下关注。
先厘清「智能」到底指什么，避免空对空。
概念清障从早期符号主义到神经网络复兴，看清潮起潮落。
脉络诚实列出 AI 已能做到与仍做不到的事。
现状讨论通用智能的可能性与现实风险清单。
前瞻今天的人工智能是「窄」的：它在自己的任务里很强，出了边界就什么都算不上。
我们离会思考的机器，可能比很多人以为的更远。
比起担心机器觉醒，更该担心的是今天算法里的偏见被悄悄放大。
没有常识的聪明，只是一种高级的拟合。
把科幻当预测，是读 AI 时最容易犯的错误。
评估 AI 时看具体能力清单，而不是「会不会取代人类」。
对位 · 去神话用项目时明确：你的系统是解决单点问题，还是想做通用。
对位 · 窄vs宽把偏见、隐私、透明度等现实问题放在风险管理的第一位。
对位 · 现实风险知道机器学习依赖数据分布，分布一变就容易失效。
对位 · 方法局限对 AGI 既不恐慌也不盲信，按证据更新判断。
对位 · 前瞻态度读研究者的冷静书写，少看标题党式预言。
对位 · 信息素养