AI 能做什么

从「写下第一个词」到「读懂一整篇文章」：这一族处理的是符号序列本身——生成、改写、翻译、摘要、抽取、检索与推理。

让模型看懂一张图。从最基础的分类，到框出物体、逐像素分割、识别文字与人脸，再到回答关于图像的问题。

从一段描述或一张草图出发，直接生成、修改与修复图像。这是生成式 AI 中最先被大众直接感知的一族。

视频是「会动的图像」加时间维度。这一族要同时处理空间与时间：生成短片、理解动作、编辑画面与对齐口型。

声音既是波形也是时间序列。语音识别把声音变成文字，语音合成反过来；音乐与音效生成则直接产出可听的素材。

把二维输入升维成三维资产：网格、点云与可渲染场景。它是游戏、影视与机器人仿真的上游。

代码是一种有严格语法的语言。这一族不只补全下一行，还要理解整个仓库、运行命令、定位并修复报错。

当模型能调用工具、读写文件、操作浏览器，它就从「回答问题」变成了「完成任务」。这一族关注的是把动作串成可靠的流程。

把混乱的表格、文档与版面变成结构化的字段。这是把 AI 接进真实业务流程时最先要跨过的一道坎。