尧图网站建设 
个人主页艾莉丝努力练剑❄专栏传送门《C语言》《数据结构与算法》《C/C干货分享学习过程记录》《Linux操作系统编程详解》《笔试/面试常见算法从基础到进阶》《Python干货分享》⭐️为天地立心为生民立命为往圣继绝学为万世开太平 艾莉丝的简介文章目录1 ~ 人工智能核心概念体系1.1 人工智能Artificial Intelligence, AI1.1.1 标准定义1.1.2 核心能力维度1.1.3 典型落地应用1.2 机器学习Machine Learning, ML1.2.1 核心定位1.2.2 传统机器学习实现流程以图像识别为例1.2.3 传统机器学习的局限性1.3 深度学习Deep Learning, DL1.3.1 核心思想端到端学习1.3.2 神经网络基础结构1.3.3 分层自动特征提取机制1.3.4 技术优势1.4 AI / ML / DL 三者层级关系1.5 大语言模型的技术本质2 ~ 人工智能发展史与奠基人2.1 思想萌芽古代中国的早期想象2.2 现代 AI 理论奠基艾伦・麦席森・图灵2.2.1 人物身份2.2.2 核心学术贡献2.2.3 生平与历史地位2.3 AI 学科发展历程与规律2.3.1 发展阶段划分2.3.2 整体发展特征2.3.3 发展驱动因素结尾1 ~ 人工智能核心概念体系1.1 人工智能Artificial Intelligence, AI1.1.1 标准定义人工智能即 Artificial Intelligence简称 AI是计算机科学的一个分支核心目标是让计算机或机器模仿人类的思维与行为具备能看、能听、能说、能学习、能决策的能力从简单的命令执行者转变为可以感知、理解、推理、学习服务于人类的 “智慧” 伙伴。 通俗来讲人工智能的核心是实现机器的智能化让机器能够像人类一样思考不具备人工智能的机器仅能严格按照预设指令执行操作不具备自主判断与决策能力。1.1.2 核心能力维度人工智能的核心能力可分为三层感知能力能够接收外界输入的数据对应 “能看、能听” 的基础能力是智能系统与外部交互的入口理解能力能够解析输入的数据信号完成原始信号到有效语义的转化与提炼推理决策能力能够针对不同场景推导应对方案通过学习从数据中自主总结规律最终形成判断与决策1.1.3 典型落地应用现实中常见的人工智能应用包括智能语音交互类Siri、小爱同学、小 V 等智能语音助手自主感知设备类扫地机器人、具备自动驾驶能力的智能汽车计算机视觉类人脸识别系统、智能图像分类工具1.2 机器学习Machine Learning, ML1.2.1 核心定位机器学习是实现人工智能的核心技术途径。想要让机器具备人工智能能力需要向模型投喂大量数据让机器自主学习并总结内在规律最终获得对未知样本的预测与判断能力。机器具备人工智能的核心前提是通过数据训练完成规律总结。1.2.2 传统机器学习实现流程以图像识别为例以 “教计算机智能识别狗” 的任务为例传统机器学习的标准执行步骤分为四步人工提取特征由人类专家预先定义判别特征例如判断一只狗需要检查湿润突出的黑 / 棕色鼻子、耳朵的形状与位置、尾巴的长度与姿态翘起、摇摆、卷起、胡须、眼睛形状、毛发长度与纹理等选择模型选取适配图像分类任务的机器学习模型模型训练将标注好的 “狗” 与 “非狗” 图片输入模型每张图片都对应预先定义好的特征描述让模型学习特征与分类的对应关系预测判断模型完成学习后遇到新图片时会逐一检查预设特征根据特征匹配度判断图片是否为狗1.2.3 传统机器学习的局限性传统浅层机器学习在处理图像、语音等高维非结构化数据时高度依赖人工设计的特征工程存在明显局限性特征定义高度依赖专家经验容易出现特征描述不全、遗漏的问题对复杂场景的鲁棒性差例如一张侧面拍摄、看不到胡须或是耳朵折起来的狗的图片机器很可能无法正确识别深度学习本质上属于机器学习的一个分支二者是包含与被包含的关系而非并列关系。1.3 深度学习Deep Learning, DL1.3.1 核心思想端到端学习深度学习是机器学习的进阶分支以深度神经网络为核心载体核心突破是摒弃人工特征工程采用端到端的学习范式 人类仅需完成数据标注工作给图片打上 “这是狗”“这不是狗” 的标签直接将最原始的像素数据和标签输入神经网络模型由模型自动完成从特征提取到分类决策的全流程。1.3.2 神经网络基础结构标准的神经网络由多层结构组成从左到右依次为输入层位于最左侧负责接收外部输入的原始数据隐藏层位于中间的多层结构负责逐层提取数据特征通过非线性变换将特征向下一层传递网络的 “深度” 即指代隐藏层的层数输出层位于最右侧负责输出最终的预测结果标准前馈神经网络采用前向全量传播机制输入信号会依次流经所有隐藏层逐层完成特征变换后最终到达输出层。1.3.3 分层自动特征提取机制深度神经网络通过多层堆叠的结构能够从原始数据中由低到高、由抽象到具体地自动学习特征以图像识别为例底层网络最先识别边缘、角落、颜色等基础视觉元素中层网络组合底层特征进一步识别纹理、形状、眼睛、耳朵等局部器官高层网络结合中层特征最终形成 “狗脸”“狗的身体” 等完整的抽象概念1.3.4 技术优势由于模型自动学习到的特征更丰富、更贴近事物本质深度学习模型对于侧面、遮挡、特殊姿势等复杂场景下的识别能力通常远强于传统机器学习方法是当前主流 AI 应用的核心技术支撑。1.4 AI / ML / DL 三者层级关系三者为逐层包含的从属关系人工智能AI ⊃ 机器学习ML ⊃ 深度学习DL当下主流的 AI 应用例如人脸识别、语音助手、自动驾驶等背后都是 AI→ML→DL 的技术体系在发挥作用。1.5 大语言模型的技术本质当前主流的大语言模型例如 ChatGPT、DeepSeek 等都是基于 Transformer 架构的神经网络模型训练阶段向模型投喂海量的文本数据包括网页、书籍、文章等让模型自主学习语言规律与世界知识构建自身的知识体系总结形成内在规律推理阶段接收到用户的问题后模型首先对问题进行语义分析再基于训练得到的知识与规律进行思考、推理、决策最终以自然文字的形式向用户返回结果2 ~ 人工智能发展史与奠基人2.1 思想萌芽古代中国的早期想象人工智能的思想萌芽早已有之在人类对机器的想象与向往中就埋下了智能人造物的雏形。 战国时期列御寇所著的《列子・汤问》中收录了《偃师献技》一文。文中记载偃师向周穆王进献自己制造的 “倡者”歌舞艺人这具机关人偶能够自如地唱歌跳舞动作姿态与真人完全无异甚至因对穆王的妃子眉目传情引得周穆王大怒以为是真人假扮。偃师当即将人偶拆解展示其内部完全由皮革、木头、胶漆以及各色颜料构成周穆王这才惊叹于工匠技艺的精巧。 这个故事虽然是古人的想象但已经体现出对 “人造智能体” 的早期探索是人工智能的思想萌芽。2.2 现代 AI 理论奠基艾伦・麦席森・图灵2.2.1 人物身份艾伦・麦席森・图灵是数学家、逻辑学家、密码分析家、理论生物学家被公认为 “计算机科学之父”“人工智能之父”。他 26 岁取得博士学位同时是奥林匹克级别的长跑运动员二战期间他帮助盟军破解了德军的恩尼格玛机Enigma密码为战争胜利作出了重要贡献该事迹直至 20 世纪 70 年代才对外公开相关故事被改编为电影《模仿游戏》。2.2.2 核心学术贡献图灵机1936 年出自论文《论可计算数及其在判定问题上的应用》提出了抽象计算模型的理论框架为现代计算机科学与技术的发展奠定了核心理论基础后续冯・诺依曼提出的冯・诺依曼体系结构是图灵机理论的工程化实现如果说图灵机是现代计算机的灵魂冯・诺依曼体系结构就是现代计算机的骨骼与血肉。图灵测试1950 年提出了首个可量化的机器智能判别标准核心逻辑是如果人类无法通过纯文本对话区分交流对象是机器还是人类就可以认为这台机器具备了人工智能2.2.3 生平与历史地位图灵因同性恋身份违背当时的英国法律遭受政府迫害面临入狱与化学阉割的二选一抉择最终选择接受化学阉割身心遭受严重摧残于 1954 年去世。关于其死因主要有三种说法自杀、化学实验意外沾染毒物、政府迫害间接导致。1966 年美国计算机协会ACM设立 “图灵奖”该奖项被称为 “计算机界的诺贝尔奖”后续英国政府为图灵正式平反英国发行的 50 英镑纸币背面印有图灵的肖像2.3 AI 学科发展历程与规律2.3.1 发展阶段划分现代人工智能的发展通常认为起始于 20 世纪 30-40 年代其中 1941-1956 年是人工智能的诞生与兴起阶段以图灵的系列理论成果为核心基础为后续学科的正式建立搭建了完整的理论框架。2.3.2 整体发展特征人工智能的发展并非线性持续推进而是呈现波浪式前进的特征经历了多次 “技术高峰 - 发展低谷” 的周期迭代在起起伏伏中逐步向前推进。2.3.3 发展驱动因素人工智能能够发展到今天的繁荣程度依赖多维度的技术积累硬件算力的持续提升、软件算法的不断迭代、网络普及带来的海量数据沉淀共同推动人工智能从理论走向落地发展至当前大语言模型百花齐放的时代。结尾uu们本文的内容到这里就全部结束了艾莉丝在这里再次感谢您的阅读艾莉丝努力练剑C/C Linux 底层探索者 | 一个正在努力练剑的技术博主【关注】跟随我一起深耕技术领域见证每一次成长。❤️【点赞】让优质内容被更多人看见让知识传递更有力量。⭐【收藏】把核心知识点存好在需要时随时查、随时用。【评论】分享你的经验或疑问评论区一起交流避坑不要忘记给博主“一键四连”哦“今日练剑达成”“技术之路难免有困惑但同行的人会让前进更有方向。”结语希望对学习Linux相关内容的uu有所帮助不要忘记给博主“一键四连”哦往期回顾【AI大模型接入SDK】名词解释博主在这里放了一只小狗大家看完了摸摸小狗放松一下吧૮₍ ˶ ˊ ᴥ ˋ˶₎ა 【AI大模型接入SDK】人工智能核心概念与人工智能发展史
个人主页艾莉丝努力练剑❄专栏传送门《C语言》《数据结构与算法》《C/C干货分享学习过程记录》《Linux操作系统编程详解》《笔试/面试常见算法从基础到进阶》《Python干货分享》⭐️为天地立心为生民立命为往圣继绝学为万世开太平 艾莉丝的简介文章目录1 ~ 人工智能核心概念体系1.1 人工智能Artificial Intelligence, AI1.1.1 标准定义1.1.2 核心能力维度1.1.3 典型落地应用1.2 机器学习Machine Learning, ML1.2.1 核心定位1.2.2 传统机器学习实现流程以图像识别为例1.2.3 传统机器学习的局限性1.3 深度学习Deep Learning, DL1.3.1 核心思想端到端学习1.3.2 神经网络基础结构1.3.3 分层自动特征提取机制1.3.4 技术优势1.4 AI / ML / DL 三者层级关系1.5 大语言模型的技术本质2 ~ 人工智能发展史与奠基人2.1 思想萌芽古代中国的早期想象2.2 现代 AI 理论奠基艾伦・麦席森・图灵2.2.1 人物身份2.2.2 核心学术贡献2.2.3 生平与历史地位2.3 AI 学科发展历程与规律2.3.1 发展阶段划分2.3.2 整体发展特征2.3.3 发展驱动因素结尾1 ~ 人工智能核心概念体系1.1 人工智能Artificial Intelligence, AI1.1.1 标准定义人工智能即 Artificial Intelligence简称 AI是计算机科学的一个分支核心目标是让计算机或机器模仿人类的思维与行为具备能看、能听、能说、能学习、能决策的能力从简单的命令执行者转变为可以感知、理解、推理、学习服务于人类的 “智慧” 伙伴。 通俗来讲人工智能的核心是实现机器的智能化让机器能够像人类一样思考不具备人工智能的机器仅能严格按照预设指令执行操作不具备自主判断与决策能力。1.1.2 核心能力维度人工智能的核心能力可分为三层感知能力能够接收外界输入的数据对应 “能看、能听” 的基础能力是智能系统与外部交互的入口理解能力能够解析输入的数据信号完成原始信号到有效语义的转化与提炼推理决策能力能够针对不同场景推导应对方案通过学习从数据中自主总结规律最终形成判断与决策1.1.3 典型落地应用现实中常见的人工智能应用包括智能语音交互类Siri、小爱同学、小 V 等智能语音助手自主感知设备类扫地机器人、具备自动驾驶能力的智能汽车计算机视觉类人脸识别系统、智能图像分类工具1.2 机器学习Machine Learning, ML1.2.1 核心定位机器学习是实现人工智能的核心技术途径。想要让机器具备人工智能能力需要向模型投喂大量数据让机器自主学习并总结内在规律最终获得对未知样本的预测与判断能力。机器具备人工智能的核心前提是通过数据训练完成规律总结。1.2.2 传统机器学习实现流程以图像识别为例以 “教计算机智能识别狗” 的任务为例传统机器学习的标准执行步骤分为四步人工提取特征由人类专家预先定义判别特征例如判断一只狗需要检查湿润突出的黑 / 棕色鼻子、耳朵的形状与位置、尾巴的长度与姿态翘起、摇摆、卷起、胡须、眼睛形状、毛发长度与纹理等选择模型选取适配图像分类任务的机器学习模型模型训练将标注好的 “狗” 与 “非狗” 图片输入模型每张图片都对应预先定义好的特征描述让模型学习特征与分类的对应关系预测判断模型完成学习后遇到新图片时会逐一检查预设特征根据特征匹配度判断图片是否为狗1.2.3 传统机器学习的局限性传统浅层机器学习在处理图像、语音等高维非结构化数据时高度依赖人工设计的特征工程存在明显局限性特征定义高度依赖专家经验容易出现特征描述不全、遗漏的问题对复杂场景的鲁棒性差例如一张侧面拍摄、看不到胡须或是耳朵折起来的狗的图片机器很可能无法正确识别深度学习本质上属于机器学习的一个分支二者是包含与被包含的关系而非并列关系。1.3 深度学习Deep Learning, DL1.3.1 核心思想端到端学习深度学习是机器学习的进阶分支以深度神经网络为核心载体核心突破是摒弃人工特征工程采用端到端的学习范式 人类仅需完成数据标注工作给图片打上 “这是狗”“这不是狗” 的标签直接将最原始的像素数据和标签输入神经网络模型由模型自动完成从特征提取到分类决策的全流程。1.3.2 神经网络基础结构标准的神经网络由多层结构组成从左到右依次为输入层位于最左侧负责接收外部输入的原始数据隐藏层位于中间的多层结构负责逐层提取数据特征通过非线性变换将特征向下一层传递网络的 “深度” 即指代隐藏层的层数输出层位于最右侧负责输出最终的预测结果标准前馈神经网络采用前向全量传播机制输入信号会依次流经所有隐藏层逐层完成特征变换后最终到达输出层。1.3.3 分层自动特征提取机制深度神经网络通过多层堆叠的结构能够从原始数据中由低到高、由抽象到具体地自动学习特征以图像识别为例底层网络最先识别边缘、角落、颜色等基础视觉元素中层网络组合底层特征进一步识别纹理、形状、眼睛、耳朵等局部器官高层网络结合中层特征最终形成 “狗脸”“狗的身体” 等完整的抽象概念1.3.4 技术优势由于模型自动学习到的特征更丰富、更贴近事物本质深度学习模型对于侧面、遮挡、特殊姿势等复杂场景下的识别能力通常远强于传统机器学习方法是当前主流 AI 应用的核心技术支撑。1.4 AI / ML / DL 三者层级关系三者为逐层包含的从属关系人工智能AI ⊃ 机器学习ML ⊃ 深度学习DL当下主流的 AI 应用例如人脸识别、语音助手、自动驾驶等背后都是 AI→ML→DL 的技术体系在发挥作用。1.5 大语言模型的技术本质当前主流的大语言模型例如 ChatGPT、DeepSeek 等都是基于 Transformer 架构的神经网络模型训练阶段向模型投喂海量的文本数据包括网页、书籍、文章等让模型自主学习语言规律与世界知识构建自身的知识体系总结形成内在规律推理阶段接收到用户的问题后模型首先对问题进行语义分析再基于训练得到的知识与规律进行思考、推理、决策最终以自然文字的形式向用户返回结果2 ~ 人工智能发展史与奠基人2.1 思想萌芽古代中国的早期想象人工智能的思想萌芽早已有之在人类对机器的想象与向往中就埋下了智能人造物的雏形。 战国时期列御寇所著的《列子・汤问》中收录了《偃师献技》一文。文中记载偃师向周穆王进献自己制造的 “倡者”歌舞艺人这具机关人偶能够自如地唱歌跳舞动作姿态与真人完全无异甚至因对穆王的妃子眉目传情引得周穆王大怒以为是真人假扮。偃师当即将人偶拆解展示其内部完全由皮革、木头、胶漆以及各色颜料构成周穆王这才惊叹于工匠技艺的精巧。 这个故事虽然是古人的想象但已经体现出对 “人造智能体” 的早期探索是人工智能的思想萌芽。2.2 现代 AI 理论奠基艾伦・麦席森・图灵2.2.1 人物身份艾伦・麦席森・图灵是数学家、逻辑学家、密码分析家、理论生物学家被公认为 “计算机科学之父”“人工智能之父”。他 26 岁取得博士学位同时是奥林匹克级别的长跑运动员二战期间他帮助盟军破解了德军的恩尼格玛机Enigma密码为战争胜利作出了重要贡献该事迹直至 20 世纪 70 年代才对外公开相关故事被改编为电影《模仿游戏》。2.2.2 核心学术贡献图灵机1936 年出自论文《论可计算数及其在判定问题上的应用》提出了抽象计算模型的理论框架为现代计算机科学与技术的发展奠定了核心理论基础后续冯・诺依曼提出的冯・诺依曼体系结构是图灵机理论的工程化实现如果说图灵机是现代计算机的灵魂冯・诺依曼体系结构就是现代计算机的骨骼与血肉。图灵测试1950 年提出了首个可量化的机器智能判别标准核心逻辑是如果人类无法通过纯文本对话区分交流对象是机器还是人类就可以认为这台机器具备了人工智能2.2.3 生平与历史地位图灵因同性恋身份违背当时的英国法律遭受政府迫害面临入狱与化学阉割的二选一抉择最终选择接受化学阉割身心遭受严重摧残于 1954 年去世。关于其死因主要有三种说法自杀、化学实验意外沾染毒物、政府迫害间接导致。1966 年美国计算机协会ACM设立 “图灵奖”该奖项被称为 “计算机界的诺贝尔奖”后续英国政府为图灵正式平反英国发行的 50 英镑纸币背面印有图灵的肖像2.3 AI 学科发展历程与规律2.3.1 发展阶段划分现代人工智能的发展通常认为起始于 20 世纪 30-40 年代其中 1941-1956 年是人工智能的诞生与兴起阶段以图灵的系列理论成果为核心基础为后续学科的正式建立搭建了完整的理论框架。2.3.2 整体发展特征人工智能的发展并非线性持续推进而是呈现波浪式前进的特征经历了多次 “技术高峰 - 发展低谷” 的周期迭代在起起伏伏中逐步向前推进。2.3.3 发展驱动因素人工智能能够发展到今天的繁荣程度依赖多维度的技术积累硬件算力的持续提升、软件算法的不断迭代、网络普及带来的海量数据沉淀共同推动人工智能从理论走向落地发展至当前大语言模型百花齐放的时代。结尾uu们本文的内容到这里就全部结束了艾莉丝在这里再次感谢您的阅读艾莉丝努力练剑C/C Linux 底层探索者 | 一个正在努力练剑的技术博主【关注】跟随我一起深耕技术领域见证每一次成长。❤️【点赞】让优质内容被更多人看见让知识传递更有力量。⭐【收藏】把核心知识点存好在需要时随时查、随时用。【评论】分享你的经验或疑问评论区一起交流避坑不要忘记给博主“一键四连”哦“今日练剑达成”“技术之路难免有困惑但同行的人会让前进更有方向。”结语希望对学习Linux相关内容的uu有所帮助不要忘记给博主“一键四连”哦往期回顾【AI大模型接入SDK】名词解释博主在这里放了一只小狗大家看完了摸摸小狗放松一下吧૮₍ ˶ ˊ ᴥ ˋ˶₎ა