第十章 学习目标

• 理解人工智能发展的基本概念、发展历史；

• 了解人工智能主要核心技术；掌握人工智能、机器学习与深度学习的关系；

• 理解机器学习的一般流程；

• 理解深度学习的基本概念；理解大模型与生成式AI的基本概念；

• 了解人工智能应用与国内知名生成式AI产品；

• 掌握国内知名生成式AI产品的使用；

§10.1  人工智能概述

一、人工智能的基本概念

人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它是计算机科学的一个分支，它试图了解人类智能的实质，其核心目标是开发能够感知、理解、学习、推理、决策和与人类进行交互的智能系统，从诞生以来，理论和技术日益成熟，应用领域也不断扩大。

人工智能的主要研究领域：

机器学习：使计算机系统利用数据或经验改善性能的能力

知识表示：如何形式化知识以及如何利用这些知识进行推理和解决问题

自动推理：使用逻辑和算法证明问题或发现问题答案的过程

自然语言处理：使计算机能够理解和生成人类语言

计算机视觉：使计算机能够理解和解释视觉信息

机器人学：设计和构建能够执行任务的机器人系统

专家系统：模拟人类专家解决复杂问题的计算机程序

规划：设计算法来实现目标的最优或可行路径

语音识别：使计算机能够识别和理解人类的语音

推荐系统：分析用户数据以提供个性化建议

生成式AI：专注于开发能够生成新数据样本的算法和模型，这些样本在某种程度上与训练数据相似，但又具有独特性。

人工智能的研究领域和应用场景

人工智能有那些类型？

1、按照 AI 的智能水平程度，

弱人工智能：专注于特定场景下角色型执行特定的任务，如擅长于聊天的机器人Siri和擅长于下棋的机器人AlphaGo，语音识别或图像识别。毫无疑问，我们今天看到的所有人工智能算法和应用都属于弱人工智能的范畴，比如：ChatGPT、Sora、Midjourney、Suno 等等各种类型的 AI 产品或服务都是弱人工智能。

通用人工智能：能够理解、学习和应用知识在广泛领域中做出决策的AI，它指的是具有像人类一样广泛智能能力的系统，可以胜任人类所有的工作，人可以做什么，强人工智能就可以做什么。包括理解语言、学习、推理、规划和解决问题等。目前还未实现。

强人工智能：指的是在所有或几乎所有的任务上都远远超过人类智能的 AI。定义最为模糊，因为没人知道超越人类最高水平的智慧，到底会表现为何种能力。

2、按功能和应用分类：

感知AI：模拟人类感官的AI，如计算机视觉、语音识别等。

认知AI：模拟人类认知过程的AI，如自然语言处理、知识表示、推理等。

动作AI：控制机器人或其他物理设备执行动作的AI，如自动驾驶汽车、工业机器人等。

3、按学习方法分类：

符号AI（Symbolic AI）：基于逻辑和符号处理的AI，依赖于规则和符号操作。如医疗诊断、法律咨询、金融分析，语言翻译、文本摘要。

连接AI（Connectionist AI）：基于神经网络的AI，通过模拟大脑神经元的连接方式进行学习和决策。如：图像识别、语音识别、语言翻译、聊天机器人、推荐系统、自动驾驶等。

进化AI（Evolutionary AI）：受生物进化理论启发的人工智能方法。它借鉴了自然选择、遗传变异、基因重组等生物进化机制，通过模拟这些过程来优化算法和模型，通过模拟生物进化过程进行优化。如: 优化问题、机器学习模型设计、自动设计神经网络的结构、特征选择、自动编程、游戏AI、机器人控制和艺术创作等

4. 按决策和问题解决分类：

专家系统（Expert Systems）：模拟人类专家决策的AI系统，通常包含知识库和推理引擎。

强化学习（Reinforcement Learning）：通过与环境的交互学习最优策略的AI，通常用于游戏、机器人控制等领域。

5. 按自动化程度分类：

辅助AI（Augmented AI）：增强人类能力的AI，通常与人类协作，提供决策支持。

自主AI（Autonomous AI）：能够独立执行任务的AI，不需要人类干预。

6. 按解释能力分类：

不透明AI（Opaque AI）：决策过程难以解释的AI，通常指复杂的深度学习模型。

解释性AI（Explainable AI, XAI）：决策过程能够被人类理解和解释的AI。

7. 按生成能力分类：

生成式AI（Generative AI）：能够生成新内容的AI，如文本、图像、音频和视频。

这些分类并不是互斥的，一个AI系统可能同时属于多个分类。随着AI技术的发展，新的分类和子领域也在不断出现。

二、人工智能的发展简史

人工智能（AI）的发展可以追溯到20世纪40年代，经历了多个阶段，每个阶段都有其标志性的成就和挑战。以下是人工智能发展史的简要概述：

人工智能的诞生（20世纪40～50年代）：

1950年：艾伦·图灵提出图灵测试，预言了创造具有真正智能的机器的可能性。

1956年：在达特茅斯会议上，约翰·麦卡锡首次提出了“人工智能”这个概念，标志着人工智能的正式诞生。

人工智能的黄金时代（20世纪50～70年代）：

1966年：美国斯坦福国际研究所研制出首台采用人工智能的移动机器人Shakey。

1968年：道格·恩格勒巴特发明计算机鼠标，为现代互联网奠定了基础。

人工智能的低谷（20世纪70～80年代）：

70年代初：由于计算能力的限制，人工智能遭遇了瓶颈，研究资金开始减少。

人工智能的繁荣期（1980年~1987年）：

1981年：日本经济产业省拨款研发第五代计算机项目，即人工智能计算机。

人工智能的冬天（1987年~1993年）：

80年代晚期：由于专家系统的局限性，人工智能研究遭遇经费危机。

人工智能真正的春天（1993年至今）：

1997年：IBM的深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫。

2011年：Watson 作为IBM 公司开发的使用自然语言回答问题的人工智能程序参加美国智力问答节目, 打败了两位人类冠军. 沃森存储了2 亿页数据, 能够将于问题相关的关键词从看似相关的答案中抽取出来. 这一人工智能程序已被IBM 广泛应用于医疗诊断领域。

2016年：Google公司DeepMind的团队研制的“阿尔法狗”（AlphaGo）围棋程序以4:1完胜韩国职业九段选手围棋世界冠军李世石。

2017年10月新的围棋AI “AlphaGo Zero”以100：0打败了阿法狗，以87:13战胜击败柯洁的AlphaGo Master

阿尔法围棋(AlphaGo) 是第一个战胜围棋世界冠军的人工智能机器人, 它能够搜集大量围棋对弈数据和名人棋谱，学习并模仿人类下棋，其主要工作原理是“深度学习” ，深度学习的概念源于人工神经网络的研究。

深度学习和神经网络的发展：

2006年：李飞飞教授开始构建大型图像数据集ImageNet，推动了图像识别技术的发展。

2006年是深度学习元年，Hinton 发表了一篇影响深远的论文«A fast learningalgorithmfor deep belief nets»，其主要思想是先通过自学习的方法学习训练数据的模型， 然后在该模型上进行有监督训练，取得神经网络的深度学习领域的重大突破。

2012年：深度学习的概念被提出，神经网络和卷积神经网络开始受到关注。

Hinton 课题组首次参加ImageNet 图像识别比赛, 采用AlexNet 深度学习模型夺得冠军, 使得深度学习算法有了重大突破. 从那以后, 更多的更深的神经网络模型被提出。

深度学习算法在语音和视觉识别上驱动成功，识别率分别超过97%和90%，进入感知智能时代。

最近的进展：

2022年11月人工智能研究实验室OpenAI发布ChatGPT，它是基于深度学习的大型自然语言处理（NLP）模型，能够理解和生成人类语言。它通过训练大量的文本数据，学会了如何模仿人类的语言模式，从而能够进行对话、回答问题、撰写和总结文本等。

2020年代：GPT-3、DALL-E等模型的出现，推动了生成式AI的发展，AI技术在图像、语音识别和自然语言处理等领域取得了显著进展。ChatGPT的出现是人工智能领域的一个重要里程碑，它展示了AI在理解和生成自然语言方面的潜力，同时也为未来的AI应用提供了新的可能性。

这些里程碑事件展示了人工智能领域的重要进展和挑战，以及它如何逐渐成为我们日常生活和工业应用中不可或缺的一部分。人工智能的未来发展仍然充满无限可能，随着技术的不断进步，它将继续在各个领域发挥更大的作用。

荣誉属于熬过“AI 寒冬”的人

2018年图灵奖获得者是在深度学习领域做出杰出贡献的三位科学家: YoshuaBengio、Geoffrey Hinton 和 YannLeCun. 获奖标志着“深度学习”获得计算机科学的最高荣誉。

三位获奖者是深度神经网络的开创者, 为深度学习算法的发展和应用奠定了重要基础, 被尊为“深度学习教父”。

近年来计算机视觉，语音识别， 自然语言处理和机器人技术以及其他应用取得惊人突破，皆是因为 Bengio、Hinton、LeCun三人推动的这一场长达三十年的深度学习革命。

2024年的诺贝尔物理学奖，花落John Hopfield和Geoffrey Hinton，理由是他们使用物理学工具训练了人工神经网络，这些方法是当今强大机器学习的基础。他们的工作，让如今的深度神经网络和深度学习得以诞生。

https://mp.weixin.qq.com/s/SmWtL267zd7cG3Vain0rLg  

三、人工智能的发展趋势

近年来呈现出多样化和深入化的特点，

1.大模型技术的进步：基于“大数据+大算力+强算法”的训练，提升了人工智能处理复杂任务的能力。这些大模型已经开始具备通用人工智能的部分特性，如自然语言生成、全领域知识体系覆盖和人机交互接口。

2.全面应用新阶段：AI正从单点应用向多元化应用、从通用场景向行业特定场景深入，加速迈向全面应用新阶段。特别是在生成式人工智能的推动下，AI在科学探索、技术研发、艺术创作、企业经营等领域带来了创新机遇。

3.智能体和具身智能：这些技术使得AI能够更好地与物理世界互动，提供更加丰富的用户体验。

4.算力需求的增长：随着人工智能模型的复杂性增加，对算力的需求也在增长。量子计算机的潜力被看作是解决算力瓶颈的一种方案，量子计算机在人工智能领域的应用正在探索中。

5.合成数据的重要性：合成数据在打破人工智能训练数据瓶颈方面显示出其重要性。它不仅可以提供更多的训练数据，还可以解决数据隐私和安全性的问题。

6.AI代理和无代码开发：AI代理和无代码软件开发正在改变人工智能的应用和开发方式，使得非技术用户也能轻松创建和部署AI应用。

7.全球治理和伦理关注：随着人工智能技术的快速发展，全球治理和伦理问题也日益受到关注。确保AI技术的负责任使用和全球合作成为重要议题。

8. 产业实践和政策支持：国内外不断强化人工智能的战略地位，推动释放人工智能红利。政策层面的支持和产业实践的深入，正在推动人工智能技术的持续演进和应用。

9. 人工智能与量子计算的结合：量子计算的潜力被看作是解决人工智能算力瓶颈的一种方案，尤其是在处理复杂算法方面。

10. 人工智能的全球影响力：人工智能的全球影响力在不断增长，公众对其潜在影响有了更深刻的认识，同时也伴随着日益增长的紧张情绪。这些趋势表明，人工智能技术正在快速发展，并将在多个领域产生深远影响。随着技术的不断进步，预计未来几年AI将在全球范围内继续扩展其能力和应用范围。