Quartz 4

人工智能

6 min read

人工智能

概述

人工智能（Artificial Intelligence，简称 AI）是计算机科学的一个分支，旨在创造能够模拟人类智能行为的机器和系统。它涵盖了从简单的规则系统到复杂的神经网络和深度学习等广泛技术领域。

“人工智能是新的电力。” — Andrew Ng

发展历程

早期奠基（1940s-1950s）

  • 1943年：McCulloch & Pitts 提出首个神经元模型
  • 1950年：Alan Turing 发表《计算机器与智能》，提出”图灵测试”
  • 1956年：达特茅斯会议，AI 术语正式诞生

起伏发展（1960s-2000s）

  • 符号主义：基于逻辑推理和知识表示
  • 连接主义：神经网络研究的兴衰
  • 专家系统：70-80年代的商业应用
  • 机器学习崛起：90年代统计学习方法

深度学习时代（2012-至今）

  • 2012年：AlexNet 在 ImageNet 竞赛中获胜
  • 2016年：AlphaGo 击败世界围棋冠军
  • 2017年：Transformer 架构提出
  • 2022年：ChatGPT 引爆生成式 AI 浪潮

核心分支

1. 机器学习

通过数据和算法让计算机自我改进：

类型特点典型算法
监督学习有标签数据线性回归、SVM、决策树
无监督学习无标签数据K-means、PCA、DBSCAN
强化学习奖励机制Q-learning、PPO、A3C
半监督学习少量标签数据标签传播、生成模型

2. 深度学习

基于神经网络的层次化学习：

  • 卷积神经网络 (CNN)：图像处理、计算机视觉
  • 循环神经网络 (RNN)：序列数据、时间序列分析
  • Transformer：自然语言处理、大语言模型
  • 生成对抗网络 (GAN)：图像生成、风格迁移

3. 自然语言处理

让机器理解和生成人类语言：

  • 文本分类：情感分析、垃圾邮件检测
  • 机器翻译：Google Translate、DeepL
  • 问答系统：ChatGPT、Claude、Gemini
  • 文本摘要：自动生成摘要、会议纪要

4. 计算机视觉

让机器”看”懂图像和视频：

  • 目标检测：YOLO、Faster R-CNN
  • 图像分割：Mask R-CNN、U-Net
  • 人脸识别：身份验证、安防监控
  • 医疗影像：疾病诊断、病理分析

当前趋势

大语言模型 (LLM)

  • 参数规模：从 GPT-3 的 1750 亿参数到万亿参数级别
  • 能力涌现：推理、编程、多模态理解
  • 应用场景：代码助手、客服机器人、内容创作

多模态 AI

  • 文本+图像：DALL-E、Midjourney、Stable Diffusion
  • 文本+音频：Whisper、语音合成
  • 全模态：GPT-4V、Gemini Pro

AI Agent

  • 自主决策：规划、工具调用、自我反思
  • 应用案例：自动驾驶、智能客服、个人助理

关键技术

Transformer 架构

┌─────────────────────────────────────────┐
│           Self-Attention                │
│   (Query · Key^T) / √d                 │
└─────────────────────────────────────────┘
                  ↓
┌─────────────────────────────────────────┐
│         Feed Forward Network            │
└─────────────────────────────────────────┘
                  ↓
        Layer Normalization + Residual

核心优势：

  • 并行计算能力
  • 长距离依赖捕获
  • 可扩展性强

训练方法

  • 预训练：大规模无标注数据
  • 微调：特定任务适配
  • 提示工程：零样本/少样本学习
  • RLHF：人类反馈强化学习

应用领域

领域应用案例技术支撑
医疗健康疾病诊断、药物研发计算机视觉、图神经网络
金融风险评估、量化交易时间序列、强化学习
教育个性化学习、智能辅导推荐系统、知识图谱
制造质量检测、预测性维护计算机视觉、物联网
交通自动驾驶、路径优化计算机视觉、强化学习
娱乐内容生成、游戏 AI生成模型、强化学习

挑战与伦理

技术挑战

  • 数据质量：偏见、隐私、安全
  • 可解释性：黑盒问题
  • 鲁棒性：对抗样本攻击
  • 泛化能力：跨领域迁移

伦理问题

  • 就业影响：自动化替代人类工作
  • 决策公平：避免算法歧视
  • 责任归属：AI 错误的责任主体
  • 控制问题：确保 AI 对齐人类价值观

未来展望

“AI 的价值不在于取代人类，而在于增强人类能力。”

  • AGI（通用人工智能）：实现类人智能水平
  • 人机协作：AI 作为人类的增强工具
  • 可持续发展：绿色 AI、资源高效

学习资源

入门推荐

  • 课程：Andrew Ng《机器学习》Coursera
  • 书籍：《人工智能：一种现代方法》
  • 实践：Kaggle 竞赛、GitHub 项目

深度学习

  • 框架：PyTorch、TensorFlow、JAX
  • 论文：ArXiv、Papers With Code
  • 社区：Hugging Face、OpenAI API

相关笔记

参考资料

最后更新：2026-02-19

Graph View

Backlinks