当前位置：首页 > news >正文

人工智能概要

news 来源：原创 2025/7/2 21:14:18

前言
1.什么是人工智能（Artificial Intelligence, AI）
2.人工智能发展的三次浪潮
- 2.1 人工智能发展的第一次浪潮
- 2.2 人工智能发展的第二次浪潮
- 2.3 人工智能发展的第三次浪潮
3.人工智能发展的必备三要素
- 3.1 数据
- 3.2 算法（algorithm）
- 3.3 算力
4.机器学习（Machine Learning）
- 4.1 有监督学习（Supervised learning）
- 4.2 无监督学习（Unsupervised Learning）
- 4.3 强化学习（Reinforcement Learning，RL）

前言

本文旨在使读者对人工智能这个领域有一个大概的了解，包括人工智能的历史、人工智能发展的必备三要素和经典算法机器学习的分类。

国内外知名人工智能企业榜单
在这里插入图片描述

1.什么是人工智能（Artificial Intelligence, AI）

首先，人工智能是一个学科，而不是一个行业。
人工智能是一门研究、开发用于模拟、延伸和拓展人的智能的理论、方法、技术及应用系统的一门新的科学，其研究的内容主要包括：机器学习、计算机视觉、智能语音、自然语言理解、智能机器人等方面。
可以简单理解为模拟人类智能的一种学科，包括很多方法以及各种各样的算法可以解决各行各业的问题。
在这里插入图片描述

这里介绍一位英国的科学家——图灵，图灵奖可以说是计算机领域的诺贝尔奖。图灵于1950年提出图灵测试，即测试者（一般为人）与被测试者（一般为机器）在被隔开的情况下，测试者通过装置（键盘）向被测试者多次提问，如果有30%的测试者不能确定与其交流的是人还是机器，说明机器通过了测试，并且是一台具有人类智能的机器。迄今为止，还没有一台机器能通过图灵测试。
我们看到图片中央有一个被咬了一口的苹果，这里有一个小外传，图灵晚年因为是同性恋者遭到迫害，最终不堪其辱，吃了一口泡过氰化物的毒苹果，自杀身亡。后世乔布斯捡起这个被咬了一口的苹果，创立了苹果公司。（当个笑话听听啦，不必太当真呢）

2.人工智能发展的三次浪潮

人工智能迄今为止大概有60年发展历史，可以分为三次浪潮。

2.1 人工智能发展的第一次浪潮

第一次浪潮是图灵测试引起的，在20世纪50~60年代，由于当时这个概念比较新，研究人员对该领域充满了想象，都研究怎么去实现，目的就是创造出一台可以通过图灵测试的机器，当时主要集中于代数、几何问题，围绕推理去展开，现在看来都是一些古老的数学方法。但由于计算能力不足以及美国国会的打压，因为没造出来这台机器，因此人们怀疑概念难以实现。

2.2 人工智能发展的第二次浪潮

第二次浪潮是80~90年代，专家系统一些古老的手段，将知识整理成数据库，可以进行查询，以及知识工程。但在该方向与背景下，语音识别有了的突破，以及出现了反向传播算法（Backpropagation，简称BP），是神经网络模型梯度更新的手段，也是深度学习理论上的飞跃。

2.3 人工智能发展的第三次浪潮

是深度学习拉开了人工智能发展的第三次浪潮序幕，这个概念是06年提出来的，12年AlexNet（图像识别模型）在图像识别大赛上取得了惊人的成绩，相较于第二名模型准确度高了10个百分点，这是非常夸张的。就引起了学者的好奇心和讨论，为什么深度学习这么优秀，同时引起了新一轮研究。
16年AlphaGo（下围棋的机器）打败了李世石、柯洁，说明人工智能在某些特定领域可以打败人类，但在泛化领域上离人类还差得远。
20年AlphaFold实现基因合成、蛋白质三维结构预测，号称解决了人类50年没有解决的问题，人工智能着眼于更有意义的领域——研究人类的蛋白质、基因，帮助人类破解自身的秘密。

3.人工智能发展的必备三要素

我们在用深度学习算法解决问题的时候，要同时考虑数据、算法、算力三个因素，可能有些小伙伴只考虑算法，不够严谨。

3.1 数据

实现人工智能的首要因素是数据，人类学习的也是数据，我们在学习的时候做卷子对答案，只有先学数据，才能在后续拥有自己的智能。在第二次浪潮，上世纪70年代美国康奈尔大学贾里尼克教授在做语音识别时，将大量数据输入到计算机，总结归纳、特征提取，用于算法的输入，得到非常好的性能，这让学术界意识到数据是实现人工智能的钥匙。现在我们无时无刻不在产生大量数据，例如手机、公司记录，这些数据可以是语音、文本、影像，亦或是我们刷的淘宝。深度学习亦或者是说人工智能发展的这么好的根本原因是，当代产生的海量数据而且可以对数据整理归纳。

3.2 算法（algorithm）

算法可以说是数据驱动机、人工智能的发动机，当前主流的算法是传统的机器学习算法和神经网络算法，目前神经网络算法因为深度学习的快速发展而达到了高潮。

这里插入人工智能、机器学习和深度学习概念的辨析。
如下图，人工智能是比较大的概念，可以应用在用在各行各业，比如数字金融、政府、医疗、制药、自动驾驶和语音等生活中的各行各业。正是因为其泛化能力和普世性比较强，所以经常被媒体宣称，这个概念也就比较火。
而机器学习是人工智能的子领域，是实现人工智能的手段，本质是一系列算法，有一个很有名的算法是神经网络，而深度学习几乎可以和神经网路算法画等号。
在这里插入图片描述
说回算法，最具有代表的深度学习模型算法：

深度神经网络（Deep Nueral Networ，简称DNN）
循环神经网络（Recurrent Neural Network，简称RNN）用于自然语言处理，即文本
卷积神经网络（Convolutional Neural Networks，简称CNN）用于图象
生成对抗网络（Generative AdversarialNetwork，简称GAN）做生成，生成文本、图片
图神经网络（Graph Neural Network，简称GNN）现在才兴起，之前没有硬件的支持以及算法的创新，用于图数据相关的应用，如预测分子结构、分析社交网络，用图形式表征的问题可以通过GNN得到很好的解决的。

以上变体本质上是神经网络模型，适用不同领域而被提出。

神经网络算法层可以分为三层，输入层、隐藏层和输出层。
输入层（第一层）用来接收数据，输出层（最后一层）用来输出计算结果，隐藏层的层数和每层的节点数可以人为调整，经过手动调参，可以使整个网络变得大而宽，也可以调小。而深度学习算法，深度的概念，就在deep上，也就是模型大小的概念即隐藏层的多少，深度神经网络和神经网络算法的区别是深度神经网络有很多隐藏层。

3.3 算力

算力，顾名思义是计算能力（Computing Power），是算法和数据的支撑。本质是对数据信息的处理从而实现目标结果输出的能力。在AI技术当中，算力是算法和数据的基础设施，可以看作个人的笔记本、台式机或云端的服务器，支撑算法的计算。
第一台电子计算机是在美国的宾夕法尼亚大学诞生，占地约有170平方米，如今的计算机可以做成笔记本，大约是20~30寸，并且计算单元、计算能力有飞的跃进，每秒能处理许多浮点型数据。

学习人工智能知识最好的学习方法就是在学习算法、深度入门的时候，一边学习知识，一边根据算法更好的了解知识，因此快速开始算法的学习才是关键。

pytorch封装了很多可以用来实现深度学习的功能，举个盖房子的例子，我们在盖房子的时候，不需要知道水泥怎么造，钢筋怎么冶炼，我们只需要把钢筋、水泥拿过来直接搭建房子，pytorch就相当于钢筋场、水泥厂，将底层、复杂、重复性的操作封装成产品，实现神将网络。我们不需要关注底层加减乘除算法是怎么实现的，我们只需要把pytorch底层封装好的函数、类拿来用，就可以快速搭建深度学习模型。

人工智能的预备知识什么是人工智能，ML,DL,概念愿景
印象
python入门学习深度学习框架
数据处理经典科学计算库 pandas numpy
ML 介绍经典、有名的算法——回归、分类、聚类、PCA、主成分、降维、决策树很多模型，比如随机森林、提升树、并行树、集成学习，以及朴素贝叶斯（概率论的经典算法）、SVM、支持向量机、遗传算法等。

4.机器学习（Machine Learning）

机器学习有三个分支，即有监督学习、无监督学习和强化学习。
（这是一个非常重要的概念~）

4.1 有监督学习（Supervised learning）

有监督学习是Machine Learning和Deep Learning发展最火、最成熟的方向，有监督学习训练模型有数据和数据的真值，像我们上学做卷子，不仅有题还有对应的答案，训练数据，真值又称标签(Ground Truth)、标记等，模型接收训练数据，输出结果、期望，并将输出的结果与数据的真值比较，以判断模型的结果是否准确，以便向更准的方向优化；类似于我们比对答题结果和答案，看我们答题是否准确，从而思考哪里做错了，该怎么做得更好。有监督学习的训练类似于我们人类做卷子、学习认字等。
有监督学习是AI最大、最重要的分支，当前商业落地的项目基本都是基于有监督去搞的，未来就业的各行各业也是有监督学习的产品产出。

4.2 无监督学习（Unsupervised Learning）

模型、算法优化只有数据没有数据的真值，不同水果香蕉苹果橘子分类三四岁的小孩子，不知道什么是苹果香蕉橘子，也可以按照颜色、形状一堆分开自己学习数据之间的相关性，根据数据之间的关联，对数据进行分堆，聚类的思想，包括自监督学习、半监督学习。

4.3 强化学习（Reinforcement Learning，RL）

强化学习领域有很多名词，概念不是特别好理解，比如代理、环境、政策、动作等。代理是动作的产生者，比如模型可以输出结果，结果可以看作动作。环境是指代理的周边环境，举一个例子，比如下棋的AlphaGo就是强化学习的产物，在这个任务中，模型就是代理，环境是棋盘、对手，强化学习是代理与环境做互动，代理可以做出一些动作，比如模型可以下棋，之后环境会根据代理的动作而变化，比如对手会落子，模型也会根据环境的变化做出进一步的反应，进行迭代，最后会有一个结果，这盘棋是赢了还是输了，这也是模型的最终目的——赢得比赛。我们会设置一个回报（reward）——我们最终的期望，比如赢了比赛，给模型1w分的奖励，输了比赛给-1w分，模型会根据期望，优化一系列的动作，从下棋的第一步到最后一步，优化动作高维的策略空间，期望最后赢得比赛。

如果未来搞科研，推荐研究的问题、方向为无监督学习和强化学习。

目录

前言