第4章 人工智能

第4章人工智能本章学习路径1人工智能的历史：从“深蓝”到AlphaGoZero人工智能（ArtificialIntelligence，AI）的起源可以追溯到20世纪中叶，其标志性事件是1956年的达特茅斯会议。在这次会议上，JohnMcCarthy（约翰•麦卡锡）首次正式提出了“人工智能”这一术语，标志着人工智能作为一个独立学科的诞生。人工智能的发展经历了三起两落。1人工智能的历史：从“深蓝”到AlphaGoZero1.1超级计算机“深蓝”1996年2月10-17日，在美国费城举行了一项别开生面的国际象棋比赛，比赛者包括IBM公司6年时间研制成功的超级计算机“深蓝”和当时世界棋王卡斯帕罗夫。在这场人机对弈的6局比赛中，棋王卡斯帕罗夫以4：2战胜计算机“深蓝”，获得40万美元高额奖金。人胜计算机，首次国际象棋人机大战落下帷幕。1997年5月11日，加里•卡斯帕罗夫以2.5：3.5（1胜2负3平）输给了“深蓝”。“深蓝”战胜卡斯帕罗夫是人工智能领域的一个转折点，在此之前人们普遍认为人工智能超越人类是不可能的。1人工智能的历史：从“深蓝”到AlphaGoZero1.2“自学成才”的AlphaGoZero2016年3月9-15日，拥有14个世界级冠军的韩国棋手李世石与谷歌旗下DeepMind公司研制开发的围棋程序AlphaGo进行人机大战，最终AlphaGo以4:1完胜李世石。使得“人工智能”再次震惊世界，成为人工智能发展史上新的里程碑。2016年12月29日晚起到2017年1月4日晚，AlphaGo在弈城围棋网和野狐围棋网以“Master”为注册名，依次对战数十位人类顶尖围棋高手，取得60胜0负的辉煌战绩。2017年5月23日到27日，在中国乌镇围棋峰会上，AlphaGoMaster以3:0的总比分战胜了排名世界第一的世界围棋冠军柯洁。2017年10月18日，DeepMind团队公布了最强版AlphaGo，代号AlphaGoZero。它的独门秘籍是“自学成才”。1人工智能的历史：从“深蓝”到AlphaGoZero1.3“深蓝”和AlphaGoZero的对比（1）“深蓝”和AlphaGoZero异同问题的难度：国际象棋的复杂度约为1046；围棋的复杂度约为10172。硬件配置：“深蓝”重1.4吨，高208厘米，拥有32颗CPU，每颗CPU各配256MB内存，内存容量共计8192MB；战胜李世石的AlphaGo版本使用了1920CPU和280GPU，其计算能力是“深蓝”的约3万倍。算法原理：“深蓝”的核心算法是基于暴力穷举；AlphaGo的核心算法是深度学习。1人工智能的历史：从“深蓝”到AlphaGoZero1.3“深蓝”和AlphaGoZero的对比（2）从“深蓝”到AlphaGoZero，AI技术经历了哪些关键突破？算力与算法升级：1997年“深蓝”依赖穷举式搜索，而AlphaGo（2016）结合蒙特卡洛树搜索与深度学习，大幅提升决策效率。深度学习革命：2012年CNN在ImageNet夺冠，推动神经网络成为核心工具，AlphaGo通过策略/价值网络模拟人类认知，将深度神经网络成功应用于复杂决策领域。强化学习融合：AlphaGoZero（2017）摒弃人类数据，通过自我对弈强化学习从零训练，实现通用性突破。硬件加速：GPU/TPU的普及使大规模并行计算成为可能，支撑复杂模型训练。迁移与泛化能力：AlphaGoZero可跨棋类（围棋、国际象棋等）通用，标志AI从专用迈向通用。2人工智能的概念2.1认识人工智能（1）什么是人工智能（ArtificialIntelligence，AI）？1950年，英国计算机科学家、数学家、逻辑学家、密码分析学家、理论生物学家AlanMathisonTuring（艾伦·麦席森·图灵）在其论文ComputingMachineryandIntelligence（《计算机器与智能》）中提出了著名的问题——“计算机能够思考吗？”。为了回答这一问题，图灵创造性地提出了“图灵测试”。测试者在与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。2人工智能的概念2.1认识人工智能（1）什么是人工智能（ArtificialIntelligence，AI）？在1956年举办的达特茅斯会议上，美国计算机科学家、人工智能（AI）领域的先驱之一JohnMcCarthy（约翰·麦卡锡）提出了“人工智能”这一概念，将人工智能界定为是一门研究如何使计算机做事的科学。美国认知科学与人工智能专家，也是人工智能（AI）领域的先驱之一MarvinMinsky（马文·闵斯基）认为：人工智能是使机器做那些人需要通过智能来做的事。直到今天，人工智能没有一个科学的定义，被广泛接受的定义是：人工智能（ArtificialIntelligence，AI）是计算机科学的一个分支，旨在使计算机能够模拟人类的智能行为和思维过程。其核心目标是让计算机能够像人类一样具备感知、推理、学习、规划、决策甚至创造的能力，从而完成传统程序难以胜任的复杂任务，且在特定任务上表现出智能行为。2人工智能的概念2.1认识人工智能（2）人工智能与传统计算机程序有何区别？2人工智能的概念2.2人工智能的分类（1）人工智能分哪些学派？符号主义（Symbolicism）：人工智能最早的学派之一，其核心观点认为智能的本质是符号的逻辑运算和规则推理。主张通过形式化的知识表示（如谓词逻辑、产生式规则）和推理机制（如演绎、归纳）来模拟人类的思维过程。2人工智能的概念2.2人工智能的分类（1）人工智能分哪些学派？连接主义（Connectionism）：受生物神经网络启发，认为智能源于大量简单计算单元（神经元）的交互学习，用神经网络和学习算法来模拟人类的大脑结构（神经元的连接）和功能。核心技术是人工神经网络（ANN），尤其是深度学习（如CNN、Transformer）。2人工智能的概念2.2人工智能的分类（1）人工智能分哪些学派？行为主义（Actionism）：强调智能产生于与环境的交互反馈，通过“感知-动作”模式实现自适应行为，强化学习和控制理论是其典型方法。除了上述3大学派外，还有统计学习学派和进化计算学派等。统计学习学派以概率论和统计学为基础，强调从数据中挖掘潜在规律，核心思想是通过概率模型描述变量间的依赖关系；进化计算学派模拟生物进化过程（自然选择、遗传变异），通过种群迭代优化解决方案。当前技术发展呈现多学派融合趋势。2人工智能的概念2.2人工智能的分类（2）如何区分“强人工智能”与“弱人工智能”？当前AI属于哪一类？弱人工智能（NarrowAI）：也称为狭义人工智能（ArtificialNarrowIntelligence，ANI），是指专注于特定任务或领域的AI系统。这类系统能够高效地完成预定义的任务，但不具备跨领域的通用智能。强人工智能（StrongAI）：也称为通用人工智能（ArtificialGeneralIntelligence，AGI），是指具备与人类同等智慧或超越人类的人工智能。强人工智能能够理解、学习和应用知识来解决各种问题，具有自我意识、情感表达和创造性思维。超人工智能（SuperArtificialIntelligence，ASI）：是一种超越人类智能的AI系统。它不仅具备强人工智能的所有能力，还能在几乎所有领域中超越人类的认知能力。超人工智能能够自我学习和进化，具有情感、信念和创造力。2人工智能的概念2.2人工智能的分类（3）当前人工智能的局限性是什么？技术层面数据依赖性强缺乏真正的智能和创造力场景适应能力差模型可解释性差应用层面难以替代人类的复杂决策与人类协作存在困难更新和维护成本高2人工智能的概念2.2人工智能的分类（3）当前人工智能的局限性是什么？伦理和法律层面隐私和安全问题责任归属不清道德判断缺失法律和监管挑战性能和资源层面计算资源需求高泛化能力有限2人工智能的概念2.3人工智能的相关术语（1）AGI、AIGC、GPT等术语分别代表什么？AGI（ArtificialGeneralIntelligence，通用人工智能）：指具备广泛认知能力的机器，能够像人类一样在多种复杂环境中学习、推理和解决问题。AIGC（ArtificialIntelligenceGeneratedContent，人工智能生成内容）：指利用人工智能技术自动生成文本、图像、音频、视频等多种形式的内容，是生成式AI在内容生成领域的具体应用。GPT（GenerativePre-trainedTransformer，生成式预训练变换器）：是美国人工智能公司OpenAI开发的一种基于Transformer架构的生成式预训练模型。它通过在大规模文本数据上进行无监督预训练，学习语言的模式和结构，然后通过微调来适应各种自然语言处理任务。2人工智能的概念2.3人工智能的相关术语（2）ChatGPT与AlphaGoZero有何异同？ChatGPT（ChatGenerativePre-trainedTransformer，生成式预训练变换器聊天机器人）是OpenAI公司于2022年推出的一款基于GPT架构的聊天机器人，也可以说是人工智能领域具有里程碑意义的模型；AlphaGoZero是DeepMind公司推出的棋类人工智能程序。3人工智能的关键技术3.1人工智能的三要素（1）数据、算法、算力如何支撑AI系统？数据是AI系统的“燃料”；算法是AI系统的“引擎”；算力是AI系统的“加速器”。3人工智能的关键技术3.1人工智能的三要素（2）如果算力不足，AI模型的性能会受哪些影响？训练时间延长。算力不足，每次迭代计算的时间就会变长，导致整个训练过程需要花费数倍甚至数十倍的时间，严重影响模型的开发效率。无法训练大规模模型。大模型的训练需要处理海量数据和复杂的计算任务，算力不足，训练时间会进一步大幅增加，导致模型开发周期延长，难以快速迭代优化。推理速度缓慢。在推理阶段，算力不足会使模型响应时间变长。缓慢的推理速度会导致用户体验下降，甚至影响系统的安全性和可靠性。模型精度下降。为了适应有限的算力，可能需要对模型进行简化，如减少参数量、降低模型复杂度等，这可能会导致模型的精度和性能有所下降。无法支持多任务并行推理。在一些复杂的应用场景中，需要同时对多个任务进行推理。如果算力不足，就无法支持这些多任务的并行推理，导致系统的功能受到限制。3人工智能的关键技术3.2人工智能的技术架构人工智能技术架构包括：如何感知和理解外部世界（感知）、如何进行学习和决策（学习）以及如何实现高效计算和资源管理（计算）三个关键环节，它们相互依赖和协同工作，涵盖了人工智能系统从数据获取到决策输出的全过程。（1）人工智能系统是如何感知和理解外部世界的？传感器的部署是感知外部世界的基础。数据预处理是关键步骤。特征提取是理解外部世界的核心环节。模型推理用于理解这些特征的含义。3人工智能的关键技术3.2人工智能的技术架构（2）人工智能系统是如何进行学习和决策的？模型选择与训练模型选择：根据具体的应用场景和任务需求，选择合适的人工智能模型。常见的模型包括决策树、支持向量机、神经网络等。模型训练：选择好模型后，需要使用准备好的数据对模型进行训练。在训练过程中，模型会根据数据中的模式和规律进行学习和调整。模型评估与优化模型评估：在模型训练完成后，需要对模型的性能进行评估。这通常通过使用测试数据来进行，将测试数据输入到模型中，得到模型的预测结果，然后与真实结果进行比较，计算出模型的准确率、召回率、F1值等评估指标。模型优化：根据模型评估的结果，如果模型的性能不满足要求，就需要对模型进行优化。这可以通过调整模型的参数、增加数据量、改进算法等方式来实现。决策与应用决策：在模型经过评估和优化后，就可以用于进行决策。应用：将模型应用到实际的场景中，实现具体的任务和功能。例如，在一个自动驾驶系统中，模型可以根据车辆周围的环境信息，做出驾驶决策，控制车辆的行驶方向和速度。3人工智能的关键技术3.2人工智能的技术架构（3）人工智能系统是如何实现高效计算和资源管理的？硬件优化：专用硬件加速、分布式计算。算法优化：算法选择与设计、算法优化与改进。资源管理：资源调度与分配、资源监控与优化。数据管理：数据存储与访问优化、数据预处理与压缩。3人工智能的关键技术3.3人工智能与其他技术的关系（1）AI如何依赖大数据和云计算？对大数据的依赖数据驱动的学习基础：AI模型的训练依赖于海量数据，这些数据为模型提供了学习和优化的素材。数据多样性与质量：大数据提供了多样化的数据源，涵盖了不同的场景和特征，有助于提高AI模型的泛化能力。同时，数据的质量直接影响模型的性能，因此需要对数据进行清洗和预处理。实时数据支持：在一些应用场景中，如智能交通和金融风险预测，AI需要实时处理和分析大数据，以做出快速准确的决策。3人工智能的关键技术3.3人工智能与其他技术的关系（1）AI如何依赖大数据和云计算？对云计算的依赖强大的计算能力：AI模型的训练和推理需要大量的计算资源，云计算提供了可扩展的计算能力，能够满足AI对高性能计算的需求。资源管理与优化：云计算平台通过AI技术实现资源的动态分配和优化管理，提高资源利用率，降低成本。数据存储与处理：云计算提供了灵活的数据存储解决方案，能够存储和管理大规模的数据。3人工智能的关键技术3.3人工智能与其他技术的关系（2）物联网如何为AI提供数据？传感器数据采集。物联网中的传感器可以实时感知和采集各种物理量数据，如温度、湿度、压力、光照强度、加速度等，这些传感器数据是AI系统进行分析和决策的基础。设备运行状态监测。物联网设备可以实时监测自身的运行状态，并将这些数据传输到AI系统，AI系统可以对这些数据进行分析，实现设备的故障预测和诊断、性能优化和能耗管理等。用户行为数据收集。物联网系统可以收集用户与设备交互的行为数据，AI系统可以对这些数据进行分析，为用户提供个性化的服务和推荐，为用户提供更加精准的服务。数据融合与共享。物联网可以将不同来源、不同格式的数据进行融合和共享，为AI系统提供更加全面和丰富的数据。3人工智能的关键技术3.4人工智能技术热点（1）当前AI研究的热点领域有哪些？大语言模型（LLM）与多模态AI具身智能（EmbodiedAI）AIforScience（AI4S）可信AI边缘AI与轻量化类脑计算与神经形态芯片AIGC的深化应用安全和伦理治理3人工智能的关键技术3.4人工智能技术热点（2）中美在AI领域的竞争体现在哪些方面？技术突破：美国主导基础算法创新（如OpenAI、DeepMind等公司），中国强项在应用落地（如深度求索、字节跳动等公司）。算力与芯片：美国通过英伟达GPU和制裁限制中国获取先进算力，中国加速自研AI芯片（如华为昇腾、寒武纪）和替代方案（如Chiplet技术）。数据与生态：中国依托庞大用户数据训练场景化AI，美国通过开源生态（如PyTorch）吸引全球开发者。标准与规则：中美争夺AI伦理、安全等国际标准话语权，例如自动驾驶法规和生成式AI治理。军事与地缘应用：AI在无人机、网络战等领域的军事化应用成为竞争敏感点。4人工智能的应用与发展4.1人工智能的应用（1）AI在智慧城市中有哪些典型应用？智慧交通：智能交通管理、自动驾驶。智慧安防：视频监控与分析、智能安防设备。智慧医疗：辅助诊断、疾病预测与健康管理。智慧能源：能源管理与优化、智能电网。智慧环保：环境监测与污染防治、资源循环利用。智慧政务：智能客服、政务数据共享。4人工智能的应用与发展4.1人工智能的应用（2）AI如何改变医疗、教育、交通等领域？医疗领域：AI可精准分析医学影像，辅助医生诊断，提高诊断准确性和效率；I还能根据患者数据预测疾病风险，制定个性化治疗方案，推动传统医药从“经验驱动”向“数据+算法”模式转型；在药物研发方面，多组学测序与AI的结合可将新药研发周期缩短至8年、成本降低4倍，同时大幅提升癌症等疾病的诊断和治疗精准度。教育领域：AI能够根据学生学习进度和特点提供个性化学习路径，智能辅导答疑；AI还可应用于课程规划、教学教研等多个环节。交通领域：AI优化交通信号灯控制，根据车流量和道路状况自动调整信号灯的配时，减少交通拥堵和事故发生的可能性；自动驾驶技术借助AI实现车辆自主行驶，提升出行效率和安全性；AI在物流领域的应用也显得尤为重要，能够优化配送路线，降低物流成本。4人工智能的应用与发展4.1人工智能的应用（3）智能家居如何依赖AI技术？智能家居系统高度依赖AI技术来实现智能化功能。通过自然语言处理技术，智能家居设备能够理解用户的语音指令，从而实现语音控制，如调节灯光、播放音乐等。借助传感器和AI算法，智能家居可以实时感知环境参数，如温度、湿度等，并自动调节设备以营造舒适的居住环境。AI还让智能家居系统能够学习用户的行为模式，根据用户的作息时间自动执行相应的场景设置，如起床模式、睡眠模式等，为用户提供个性化的智能体验。AI技术使得智能家居设备之间能够实现协同工作，例如智能门锁检测到用户回家后，自动通知其他设备执行相应操作，提升用户的便利性和舒适度。4人工智能的应用与发展4.2人工智能的未来趋势与挑战（1）AI技术演进是否遵循“摩尔定律”？未来会如何发展？AI技术演进并不完全遵循传统摩尔定律，但呈现出类似指数增长的特征。未来，AI将在多方面持续发展。AI技术的发展将依赖于算法、数据和算力的共同进步，可能会突破硅基芯片限制，进入量子计