答主是人工智能领域的在读博士生，平时也会跟我老婆（文科生）解释人工智能的各种应用，比如什么人脸识别技术，或者是 ChatGPT 这类型的技术。通常我不会深入到技术细节，因为确实会很难懂，所以我会很很多生活中的案例来解释。
当我们提到人工智能（AI），很多人可能首先会想到一些很「科幻」的场景，或者就是日常生活中常用的语音助手，比如手机里的「小爱同学」或者智能家居中的「天猫精灵」。这些都是 AI 的应用层面，但其实 AI 的世界要比这些更为广阔和深入。
先让我们了解 AI 的基础层。基础层好比人的心脏和大脑，为 AI 提供运行的基本能力。假设你家里的电视机通过 AI 智能推荐系统向你推荐了一部火爆的电视剧，那么这背后就是机器学习的功劳。这个系统会根据你过去看过什么，以及其他类似你的观众喜欢什么，来为你做个性化的推荐。还有一些技术，比如自然语言处理（NLP），让这些助手能够理解你的语言。举个例子，如果你告诉「小爱同学」：「明天早上八点叫我起床」，它能理解你的意思，并在第二天早上准时叫你起床。
那么，让我们转向应用层。应用层是 AI 如何用基础层的能力去解决现实问题，也就是说，它是 AI「上岗工作」的地方。比如，在电商平台上，AI 可以通过分析你的购物记录和浏览习惯，为你推荐可能会感兴趣的商品。在医疗领域，AI 可以协助医生读取和分析 X 光片或 MRI 图像，更准确地诊断病情。在交通方面，AI 可以控制智能红绿灯，根据路况自动调整红绿灯的时间，减少拥堵。
总结一下，基础层是 AI 能「听得懂、看得见、学得会」的地方，而应用层则是 AI 用这些能力去完成具体任务的场所。
在电视剧推荐的例子里，机器学习和数据分析就是基础层的代表。
而当 AI 用这个推荐能力去帮你找到感兴趣的电视剧，或者在电商平台、医疗诊断和交通管理等方面帮你解决问题时，这就是应用层的表现。
其实对于基础层和应用层来说，他们的内容远比上述提到的要多得多。
上图来自一篇学术论文，总体来说，人工智能会分为两大层，基础层 Infrastructure Layer 和应用层 Application Layer。
还是用现实生活来举例子，比如打开电视看电视节目前，需要有电视信号塔、卫星、电缆等来传输信号。这些都是「基础设施」，没有它们，电视节目就无法传输。
当你打开电视并选择一个节目或频道来观看时，你实际上是在与应用层进行交互。这里的应用层包括了电视节目、用户界面、遥控器等。
这两个很明显的区别就是基础层的东西你是很难直接感受的，比如说信号塔的位置在哪里，卫星的信道是什么，因为这些都是已经部署好的，你也没有必要去了解这里面的细节。而应用层就显得直观多了，比如各个电视节目，你可以通过遥控器来随便选，可以看网络直播，也可以看电影点播。
这个跟人工智能的基础层和应用层是非常相似的，基础层是人工智能的「引擎」，负责处理与运算、数据存储和其他基本任务。这一层包括硬件（如服务器、GPU、TPU 等）、底层软件（如操作系统、数据库管理系统）、网络（云计算资源、数据中心等）以及基础算法（机器学习算法、深度学习网络等）。应用层则更关注人工智能如何与实际应用相结合。这一层会包括特定领域的应用程序、用户界面、高级数据分析和业务逻辑等。它通常是普通用户最直接接触到的部分比如刷脸支付，语音翻译等等。
下面的内容是针对于对于人工智能想要有更加深入的技术方面的理解的朋友，泛泛而谈的话基础层和应用层就可以覆盖大多数的内容了。
其次，如果对于人工智能感兴趣的话，从 ChatGPT 这种每个人都可以使用的软件是非常推荐的，因为它比起其他的人工智能应用更加的简单和有趣，而知乎知学堂开设的这门人工智能介绍课，就非常的适合作为入门课程进行人工智能的全面了解和学习，这对于不管是工作还是学习都会是受益良多的。
确实，将人工智能（AI）的结构细分为更多层次可以提供更深入的理解。在基础层（Infrastructure Layer）和应用层（Application Layer）之间，通常还存在三个额外的层次：感知层（Perception Layer）、认知层（Cognitive Layer）和决策层（Decision-Making Layer）。这些层次起到桥梁作用，它们处理从基础设施到最终应用之间更为复杂和高级的任务。
这个分层模型就像是家里的电路系统。你可以想象高压电流从发电站开始，但在到达你的家里供电之前，需要经过几个步骤来转换电流。这些转换步骤有点像是人工智能中的感知层、认知层和决策层。
简单地说，就像电流需要被「整理」和「调整」以便在家里使用一样，人工智能的不同层也有类似的角色。感知层就像是电流的「接收器」，负责收集信息；认知层是「处理器」，负责理解这些信息；最后，决策层就像是「执行器」，根据收到的信息做出决策。这些层一起工作，确保人工智能能够从基础设施到最终应用（比如一个手机 app 或医疗诊断工具）都能顺畅运行。
这种层级结构是层层递进的：底层的稳定性和效能直接影响上层的性能表现。
从基础层的角度看，硬件组件（如芯片）提供了必要的计算能力。这一层是整个体系的基础，因为没有强大的计算力，复杂的人工智能算法就无法高效运行。而这些算法，通常由机器学习、深度学习等技术实现，是实现底层决策的关键。
感知层随后接入，它就像我们的感官，负责从外界收集信息。这一层用于处理来自传感器、图像、声音等的原始数据，并将其转化为对后续层有用的信息。
进一步来说，认知层像是一个「大脑」，对来自感知层的信息进行更高级的处理和解释。这里可能涉及自然语言处理、图像识别和数据分析等一系列复杂任务。
最后，决策层则基于认知层的输出做出相应的行动或决策。这可以是驾驶汽车、生成文本或者进行医疗诊断等。
整个体系的高性能运作依赖于这些层之间的协调和优化。就像一个精密的机器，每个部件都必须精确地运转，才能确保整体的高效和准确。这种综合性也显示了人工智能跨多个学科和领域的潜力，从计算机科学和工程到认知科学、社会科学甚至伦理学，都有其应用和影响。
如果我们将这种层次化的人工智能视角应用到我们自身和社会中，可能会发现一些令人惊奇的相似之处。就像人工智能从基础层到应用层需要精密协调，我们的社会也需要各个组成部分—从个体到社群，再到更大的社会制度—齐心协力，以创造一个更加和谐、高效的环境。最终，人工智能不仅是一种技术革命，更是一面镜子，反映出我们如何组织、理解和优化复杂系统的多维能力。
本文作者：@平凡 |
