个人主页：散峰而望
愿为出海月，不做归山云
博主简介
前言
未来之门被推开, 那一串串代码以及数据, 正编织着人类最为激动人心的篇章。如今, 人工智能走出了实验室, 静静融入到你我生活的脉搏之中, 从指尖任意一次触达, 到关乎文明的重大决策等方面。理解AI, 不只是洞察当下时代的密码, 更是迈向同时期未来共舞的第一步, 它并非是遥不可及的神话, 而是我们正在一同写就的、伸手就能够到的现实。大家一起去探寻这场智慧革命的起源、内核以及无限可能。
1. 人工智能概念
人工智能, 这是Artificial Intelligence的中文称呼, 简称为AI, 它归入计算机科学分支, 是一门技术科学, 其致力于研究、开发那些用来模拟、延伸以及扩展人类智能的理论、方法、技术以及应用系统, 目标在于让计算机或者机器能够去模仿人类的思维与行为, 能够具备看、听、说、学习以及决策的能力, 其核心本质从单纯的命令执行者转变成为那种可以感知、理解、推理、学习等进而服务于人类的“智慧”伙伴。
人工智能同时存在分类情况, 也就是有称弱人工智能的, 其英文表述为Narrow AI, 还有称强人工智能的, 英文是Artificial General Intelligence, 简称AGI, 另外还有称超级人工智能的, 其英文名是Artificial Superintelligence, 简称ASI。
目前我们正处于的主流阶段是弱人工智能（Narrow AI）, 它指擅长处理单一特定任务的AI系统, 这样的系统在这个特定领域内极为出彩甚至要比人类还要强, 然而却不能把能力转移到其他领域当中。
涉及图像识别软件领域, 语音助手例如Siri, 还有那围棋程序AlphaGo所在的应用范畴, 推荐算法这一方面, 特定场景下存在的自动驾驶情况。其中会下棋的不擅长翻译工作, 能做翻译的却不具备开车的能力。关于强人工智能也就是Artificial General Intelligence即AGI, 它所指向的就是那种拥有和人类相等或者超越人类通用智能的AI, 这种AI可以理解各类事物信息, 可以进行学习相关的活动, 可以做出规划并且执行所有人类能够达成的智力类型任务, 同时具备自我意识、常识以及跨领域迁移学习方面的能力。
目前的此种状况并未达成现实, 它可是人工智能研究终了目标中的一方面。超级人工智能, 也就是 Artificial Superintelligence, 简称为ASI, 乃是那种在几乎全部领域都要比最为聪慧的人类大脑还要聪慧的人工智能。而该情况归属于科幻以及未来学进行探讨的范围区间里边。
要使得机器拥有人工智能的本事, 得率先让机器去阅览更为繁多的资料从而展开学习, 自行去归纳总结规律, 最终才能够具备预测的能力。
例如, 要是打算让计算机能够智能地去识别狗, 那就得先给它列出许许多多的、与之相关涉及狗的图片或者描述。
可以按照下面步骤来：
如下的方法便是机器学习, 给模型展示图片使其主动学习。然而存在一定限制, 由于模型是依据人工提取的特征学习的, 要是一张狗的图片是从侧面拍摄以致看不到胡须, 又或者耳朵是折合起来的, 那么机器或许就无法识别出来。
那如果不用人工提取特征，而是：
这便是深度学习, 针对侧面的狗, 遮挡的狗, 奇怪姿势的狗, 深度学习模型鉴于自身所学习的特征更为丰富, 更为本质, 故而识别能力通常远远强过传统机器学习方法。
之所以, 若想使得机器如同人那般进行对狗图片的识别, 能够借助观看海量图片来学习, 也就是机器学习, 而达成此项任务最为有效的途径便是深度学习。当下大家所目睹的那些酷炫的AI应用, 像是人脸识别、语音助手、自动驾驶等, 其背后都是AI—>ML–>DL的技术在起到作用。
因此, 对于一台机器说来, 当它在学习大量数据以后, 已具备推理预测能力之时, 那么我们就能认定该机器具备着人工智能的能力的哟。
当下, GPT、DeepSeek 等, 皆是基于 Transformer 架构的神经网络模型, 向其投喂海量数据, 诸如网页、书籍、文章等, 以供模型学习, 促使模型构建自身知识库, 且使其具备思考、推理、决策能力, 最终演变成如今的 GPT、DeepSeek 等人工智能大语言模型产品。
2. 人工智能发展史
在更为早些的阶段, 于人类的想象范畴以及对机器所怀有的向往之情里, 已然埋下人工智能的影子以及思想雏形。就像战国时期, 《列子汤问》当中收录了一篇文章, 名为《偃师献技》。
偃师带来一个他所制造的、名为“倡者”的歌舞艺人, 这个假人能够十分灵活地唱歌且跳舞, 其动作姿态跟真人一模一样, 甚至在对周穆王的妃子进行眉目传情的时候, 惹得穆王极为愤怒, 觉得偃师是在用真人对他进行欺骗, 偃师为了进行证明, 立即把这个假人拆解开来, 展示出其内部彻头彻尾是由皮革、木头、胶漆以及黑、白、丹、青等颜料构成的机关人偶, 周穆王这才惊讶慨叹道: “人之巧乃可与造化者同功乎? ”。
一. AI 兴起(1941 - 1956)：人工智能诞生
在1936年的时候, 阿兰·图灵, 也就是Alan Turing, 发表了一篇名为《论可计算数及其在判定问题中的应用》的内容, 这为人工智能的理论基础奠定下了重要的一步。
1943年, 神经学家沃伦·⻨卡洛克提出了人工神经元模型, 这一年, 数学家沃尔特·皮茨用数学方法模拟生物神经元网络, 证明简单的神经网络能够实现基本的逻辑功能。
倘若你此刻身为一名C/C++方向于校学习之人, 已然将其予以学习完毕, 且做出了一两个项目, 你当下正准备去寻觅实习机会, 然而你却觉得自己并非复习得很好, 知识点已然忘却, 正处于犹豫是否要去寻找实习的状态之中。假设把寻找实习这件事情交由人工神经网络模型去进行决策, 那就势必要先输入给该模型若干信号(X)以及权重(W), 例如:
如：
把激活函数阈值设置成 15 , 在将所有输入权值加起来之后, 要是这个总数超过了 15 , 那么负责输出去找实习决定并且会被认定为被激活的这个神经单元开启这样的动作。
人工神经元模型的核心部分
这个模型成为了后来所有人工神经网络和深度学习的基石
1950年，艾伦·图灵, 在其《计算机与智能》论文里, 提出了著名的, “图灵测试”。
场景被设定为呈现这样一种状况, 存在一名测试者属于人类种族, 还有两个被用于测试的对象, 其中一个被测试的对像是实实在在的真人, 而另外那一个则是计算机程序也就是 AI, 这两个对象处于一个不让人有视线瞧见内在情况的封闭房间里头, 测试者仅能够借助电脑屏幕和他们借助文字来展开交流。
游戏目标是, 测试者要有着这样的任务, 即通过一系列的提问, 还有一系列的对话, 最终去判断出哪一个是真实的人, 哪一个是机器。
如果出现这样的情况, 即测试者常常将机器错误判断为人的情况, 又或者是存在机器成功“欺骗”测试者的情形时, 那么我们就会讲, 那台机器成功通过了图灵测试。
喻如, 你朝着两个屋子发问, 何数为1234567与7654321相加之和?
A 房间会话你：等于 8888888
B 房间回答你：我现在不想算
当下你可否分辨得出, 哪间屋子是机器, 哪间屋子是真人呢? 倘若没法分辨, 那么这台机器便通过了图灵测试。
图灵有着颇为实用的想法, 不去在意它运行的内在机制究竟如何, 只要其行为呈现出与人同等的智能表现, 那便将其认定为智能体。
在1956年的时候, 图灵的这篇文章, 被重新发表了, 它当时的题目是“机器能够思考吗? ”。
1956年, 在美国达特茅斯学院, 汇聚了那个时代最聪明的一批人, 于是他们坐在一起, 开了个会, 这个会议的主题是, 要试图让那机器精确模拟学习以及其他智能行为, 而该次会议也被称作, 是“AI的宪法会议”，在此次会议中 约翰·麦卡锡首次提出“人工智能”一词。
二. AI 早期成功(1956 - 1974)
1959年, 亚瑟·塞缪尔开发出了首个自学习程序, 那是西洋跳棋程序, 并且引入了“机器学习”这一概念句子最后要有标点符号。
1966年, 由约瑟夫·魏岑保姆开发的一个聊天程序ELIZA出现, 它具备能够进行自然语言处理的能力, 据说此程序是第一个尝试着去进行图灵测试的程序, 它还体现展示出机器与人类在自然语言方面进行交流的可能性。
号称心理治疗师开云真人官方下载，比如：
你说：我很烦恼
ELIZA：你会经常烦恼吗？
ELIZA通过程序途径模拟提问, 以此达成一种心理咨询的成效, 实际上就是模式匹配, 它自称为心理治疗师。
虽然简单开云真人app在线登录，但是给人感觉机器很懂我。
到了1970年的时候, 首个拟人机器人WABOT - 1在日本的早稻田大学被成功建成。它是由一个肢体控制系统所构成的, 还有一个视觉系统以及一个对话系统组合而成, 这些共同组成了这个拟人机器人。
在这个特定的时刻, 首次把视觉、那个经由触觉所带来的触觉感受、移动以及对话的多种重要能力, 同时整合放进于一个展现为人形的平台里面。此后呢, 确立了“人形机器人”此乃可以冠作一个历经综合性方面所进行深入考究的研究领域所拥有之地。
三. 首次出现的AI寒冬时期, 神经网络预先冷却降温, 研究所需的经费数量降低变少, 具体时间范围为1974年至1980年。
在二十世纪六十年代末直至七十年代初这个时间段, 人工智能开始从处于的高峰朝着低谷行进过渡, 原因是什么呢, 起因是早期那些心志远大有雄心壮志的AI项目未能如预期那样实现既定目标, 并且由此导致政府和资金提供方对于AI所持有的耐心渐渐消耗殆尽, 进而使得大量的研究经费遭到削减, 甚至有的研究经费直接被终止叫停:
上面所提到的诸如上述原因相互交织在了一起的情况, 致使在70年代中期的时候, AI研究出现了陷入到停滞状态中的现象, AI项目遭到被砍的情况, 研究经费数额呈现极具锐减这样的状况, 年轻人才专门去往其余的了别的一些领域, 仅仅有少部分的学者尚在于坚守着阵地。
四. AI 复兴与第二次寒冬(1980 - 1993)
AI 领域出现复苏的迹象主要是由于：
计算机系统, 其为模拟人类专家决策的系统, 被称作专家系统, 通过将专家的知识以及经验编写成规则, 存储于电脑之中, 之后如专家那般就某问题予以分析, 终而给出相应建议。
专家系统的核心组成：
然而, 美好的情形并未持续很长时间, 专家系统的局限性渐渐显现出来，其开发成本高昂, 维护成本同样不菲, 并且需要专家持续不断地供给规则, 无法自行学习新的知识, 此为其一；其二, 系统较为脆弱, 一旦碰到超出规则范畴的状况或许会犯下荒谬的错误。
由于微型计算机性能得以提升, 其性能慢慢超越了运行专家系统的AI工作站, 致使大量AI创业公司, 在短时间之内, 不是破产就是被收购, 兔子人的兴趣发生转移了, 到1993年前后, 超过300 加AI公司倒闭, 从而迎来了AI的第二次寒冬。
值得庆幸的是, AI 技术并非停滞不前, 而是于其他领域默默发展, 举例来说, 数据挖掘领域, 工业机器人方面, 语音识别范畴, 搜索引擎部分, 均在 90 年代取得了突破性进展。
1991年, 互联网出现了, 它让在线连接以及数据共享变成了可能, 不管你是何人, 也不管你身处何方。因为数据是人工智能的燃料, 所以在以后这会被视作人工智能的一个关键时候。
五. AI兴起了, 可以看到, 深度学习理论还有工程方面出现了突破, 时间范围是从1993年一直到现在。
1997年, IBM的深蓝亦即Deep Blue, 战胜乃国际象棋冠军卡斯帕罗夫, 成为首个当是彼时在标准比赛时限之内击败国际象棋世界冠军的电脑系统, 此为其成为该电脑系统的标志。
2000年, 有一个能识别并模拟人类情绪的机器人叫Kismet, 它是由麻省理工学院的辛西娅 - 布雷泽尔开发出来的。
2006 年, 有杰弗里·辛顿等人发表了一篇重要论文, 这篇论文名为《Reducing the dimensionality of data with neural networks（用神经网络降低数据维数）》, 之后又提出了深度置信网络就是它、即 Deep Belief Network, 此情况奠定了其结果带来影响的深度学习的发展基础, 杰弗里·辛顿这个人也因此有着被称为深度学习教父那样的称呼。
2006年, 英伟达推出了CUDA也就是统一计算架构, GPU此时便开始被用来解决那商业、工业、科学方面的复杂得不得了的计算情况了, 并且GPU是跟深度学习结合到了一起, 然后模型的训练速度就那么有了数量级的大大的提升。
这颗被称作CPU也就是中央处理器的东西, 仿佛是一位堪称博学无比的年纪较大的教授, 他具备着极为出众的聪慧才干, 不管是面对怎样复杂程度的任务都有能力去展开处理, 诸如操作系统还有办公软件这类任务均不在话下, 然而其一次能够处理事情的数量仅限于一两件而已也就是核心数较少, 要是让他去数那一亿粒米粒, 他还是能够做到相当精确的计数, 只是其完成计数所需要花费的时间会非常漫长。
GPU（图形处理器）, 其最初是针对游戏以及图形渲染而展开设计的, 它仿若一万名小学生, 其中每个小学生都无法如同老教授那般聪慧, 仅仅能够去执行极为简单的指令, 诸如算术题之类的, 然而要是让这些小学生同时去数那一亿粒米, 并且每人分别分配一点米来数, 那么瞬间就能够数完了。
AI计算（尤其是深度学习）的本质是什么？
那是数量巨大的、极度重复的矩阵乘法运算以及加法运算, 比如说, 要识别一张呈现猫的图片, 就得把数百万个像素值跟神经网络里数百万个参数开展乘法运算以及加法运算, 这个过程根本不需要一位“老教授”去进行深度思考, 恰好需要“一万名小学生”同时开展简单的计算, GPU的并行计算架构契合了AI计算的需求。
更为关键的是, 英伟达创建了CUDA(Computer Unified Device Architecture, 也就是统一计算机架构), 打造起了一整套AI生态系统。其CUDA属于一个软件平台, 该平台能准许程序员以及研究人员用熟知的编程语言(像C++、Python), 直接通过调用GPU的强大运算能力展开通用计算。
今天, 所有那些震撼世界的AI产品, 像GPT、Sora等等, 它们的训练以及运行, 全都完全依赖由数万甚至数十万颗GPU所组成的超级计算机, 要是没有这个算力基础, 当下的大模型便不可能存在。英伟达是AI时代的“卖铲人”, 当全世界都在疯狂地淘金, 也就是开发AI的时候, 英伟达提供了最好用的、几乎是唯一的“铲子”, 也就是GPU+CUDA, 于是成为了整个浪潮里最大的赢家之一。
2012年, 谷歌“Google Brain”项目里, 研究人员吴恩达、还有杰夫·迪恩等人, 也搞出了一个神经网络, 这个神经网络有10亿参数, 是被用于训练对猫的识别的。他们借助16000个CPU核心构建起一个巨大的神经网络, 在没有任何先验知识的情形下, 仅是通过观看YouTube视频, 就自主地识别出了“猫”。这个实验使得工业界首次大规模地见识到了深度学习的惊人潜力。
2015年的时候, Google Brain团队正式发布了TensorFlow机器学习框架, 它提供了一整体的用户去构建机器学习模型的工具、很多库以及社区资源, 因它具有通用性以及强大功能, 所以被广泛应用于计算机视觉、自然语言处理、语音处理、推荐系统等, TensorFlow作为基础工具的基石, 它的应用领域基本上涵盖了人工智能的方方面面。
2017年, Google AI团队在一篇名为《Attention Is All You Need》的论文里首次给出了Transformer模型架构, 论文公布之后其参考实现代码页也跟着公开了, 并且很快便被涵盖进TensorFlow、PyTorch等框架的官方库以及教程当中。Transformer的问世, 为后续差不多所有大型语言模型提供了最为基础还最为关键的架构蓝图。当下, DeepSeek是基于Transformer达成的, GPT也是基于Transformer达成的, Gemini同样是基于Transformer达成的。
在此之后, Google、微软、Meta、亚马逊这家科技公司, 还有中国那个百度、阿里、深度求索等, 都纷纷加速进入这个场地, 各自发布了像Gemini、Claude、LLaMA、文心一言、通义千问、DeepSeek等这样的竞品, 把这场热潮持续地往高了推, 最终形成了如今我们所看到的“百模大战”这种格局。
3. 核心技术分支：支撑智能的四大支柱
奠定现代AI繁荣局面的基础是几个重点的技术分支, 这些分支共同搭建起AI的能力框架, 前面在AI发展历程讲述过一部分, 这里只需简略知晓就行。
机器学习
此乃AI的核心引擎, 其秉持的理念是, 要让计算机于数据里自动去学习规律, 且无需被予以明确编程。它类似一个能自行从海量病例当中总结出诊断规律的学生。
深度学习
在机器学习里头, 存在着一个最为强大的子集, 这个子集借助类似于人脑神经元的深度神经网络去处理数据, 它具备的最大优势是能够自动从原始数据, 比方说图像像素那样的数据当中提取错综复杂的特征。
计算机视觉
给予机器具备 “瞧” 的本事, 涵盖图像识别、人脸识别、自动驾驶感知等方面, 它已然从实验室迈向普遍广阔的应用市场。
自然语言处理
将让机器去理解、生成人类所使用的语言, 以达成人机之间自然的交流, 它是智能客服、机器翻译以及如GPT这样的当前大语言模型得以存在的基础, 其核心面临的挑战是将语言的歧义性给消除掉。
4. 主要应用领域：人工智能+
ai, 当今已非仅为概念, 而是如同水与电这般, 演变成各行各业不可或缺的基础设施。
5. 程序员是否会被AI取代
我们经常在网上可以看到一些博主说：
没办法否定, AI正深深刻化变革编程工作, 可不是简简单单地进行取代, 而是一场针对职业的重新塑造。要搞明白这一状况, 我们能够从下面几个方面层面来观察瞧瞧:
AI带来的效率革命与冲击
同时我们可以询问世界几个顶尖的的 AI 大语言模型：
给出的答案皆是：AI 不可能直接代替程序员
AI就是个工具, 若不想被时代甩在后面, 那去认识并研习AI绝对是不错的选择。
中国科普网的一片文章：http://www.kepu.gov.cn/newspaper/2024-03/15/content_183874.html
今后的发展态势究竟会呈现出怎样的状况, 历史的前行走向到底会朝着何方而去, 这些统统都是无法进行预先推测的。究竟是谁能够知晓在何方地域的蝴蝶仅仅是轻微地扇动一下翅膀, 又将会促使在何方区域的浪花随之翻动。总而言之一句话, 要是具备能够战胜的实力那就展开斗争, 要是自觉难以战胜那就选择融入进去, 或许你所从事的并非是与人工智能相关的领域范畴, 然而你却绝对不可以对人工智能相关的技术毫无了解。
6. 未来展望：在机遇与挑战中行稳致远
AI 的发展是国家的重要战略目标，曾指出
展望未来，AI 的发展将是技术的深度融合与通用智能。
结语
期盼这篇文章能使诸位对于人工智能概念有所明晰, 对于人工智能发展史有所知晓, 对于核心技术分支有所弄明白, 对于主要应用领域拥有更确切的认识, 进而拥有更大的胆量, 从对 AI 的了解, 进阶到学习 AI, 再到熟练运用 AI 实现跨越。
同时愿诸君能一起共渡重重浪开云手机入口app下载，终见缛彩遥分地，繁光远缀天。
标签： 人工智能 机器学习 深度学习 自然语言处理 计算机视觉
还木有评论哦，快来抢沙发吧~