《人工智能导论（第2版）》课件-第1章：人工智能概述

人工智能的历史1956年夏天，由约翰·麦卡锡等发起，汇聚多领域顶尖学者，标志着AI领域的诞生，具有里程碑意义达特茅斯会议召开约翰·麦卡锡、马文·闵斯基、克劳德·香农和纳撒尼尔·罗切斯特共同发起，旨在探讨和推动人工智能的发展会议发起人达特茅斯会议的召开1.人工智能的诞生1956年达特茅斯会议，正式提出AI概念，探讨机器模拟人类智能，涉及自动计算机、语言处理、神经网络、抽象思维等议题AI概念首次提出01核心议题为如何让机器模拟人类智能，与会者深入探讨多个前沿议题，为AI发展奠定基础会议核心议题021.人工智能的诞生达特茅斯会议被公认为AI起点，对人类科技发展产生深远影响，奠定人工智能研究基础历史地位确认涉及人工智能发展路径，对后续研究有深远指导，公认AI诞生标志，影响科技历程会议影响范围达特茅斯会议的影响黄金时代：1956-70年代，AI研究蓬勃兴起，科学家们开发出首个能模拟人类推理的程序——"逻辑理论家"AI开创性研究早期AI：机器学习与专家系统雏形，提升棋艺，编入专家规则机器学习与专家系统雏形人工智能的黄金时代2.第一次兴起和衰退AI研究的早期方向关注逻辑推理、语言理解和机器学习，开创性工作如LISP编程语言的开发早期计算机局限性硬件落后：运算弱、内存小、存储有限，但科学家仍在此基础上推动AI发展2.第一次兴起和衰退科学家对AI的乐观预测科学家乐观预测，10-20年内AI可能达到人类智能，吸引众多学者投身研究AI寒冬的原因分析AI寒冬源于过度乐观预期与现实复杂性挑战科学家的乐观预测与AI寒冬2.第一次兴起和衰退硬件局限、数据匮乏，AI发展受阻，理论与实践差距大技术局限制约AI发展01符号主义AI在处理模糊性和常识推理时受限，早期自然语言处理系统因无法理解上下文导致错误研究方法的局限性02技术与研究方法的局限性2.第一次兴起和衰退AI复兴原因经历AI寒冬后，研究者反思，转向实际应用，计算机硬件进步，个人电脑普及，奠定AI研究与应用物质基础0102专家系统作用专家系统成为AI应用突破口，结合领域知识与推理机制，解决复杂问题，推动AI技术向实用化发展AI的复兴与专家系统3.第二次兴起和衰退专家系统是第二次AI兴起的焦点，它将专家知识编码成规则，让计算机能在特定领域模拟专家决策AI的第二次兴起MYCIN，医疗诊断专家系统，准确率超90%，媲美住院医师，传染病诊断里程碑医疗诊断里程碑：MYCIN专家系统：理论与实践3.第二次兴起和衰退自动配置硬件，确保兼容性，降低人工错误XCON功能年均节省百万成本，错误率降至2%以下，提升生产效率和客户满意度XCON成效展示专家系统实用价值，推动企业级AI应用发展，成为商业化典范XCON影响XCON：专家系统在工业的应用3.第二次兴起和衰退01专家系统兴衰之谜专家系统80年代崛起，被视为AI商业化典范，90年代却衰落，其兴衰之谜蕴含深层原因02知识获取的瓶颈专家系统的核心是知识库，但知识获取困难，专家的隐性知识难以转化为计算机规则，且知识库维护成本高03缺乏自适应能力专家系统无法适应新情况，依赖预设规则，面对未知就失效专家系统的局限与式微3.第二次兴起和衰退始于21世纪初，AI技术普及，深入日常生活，从智能音箱唤醒到面部识别解锁，购物推荐，成为生活基础设施第三次AI浪潮第三次浪潮使AI技术走出实验室，广泛应用，改变了技术发展方向，实现了技术与日常生活的深度融合技术发展轨迹变化4.第三次兴起AlexNet的突破ImageNet竞赛中AlexNet降低图像识别错误率，开启深度学习时代，展现巨大潜力深度学习的发展深度学习后续在计算机视觉、语音识别、自然语言处理等领域持续创新，刷新纪录AlphaGo的胜利2016年AlphaGo战胜李世石，证明AI在复杂策略游戏中具备强大力量，引发公众关注深度学习的突破与应用4.第三次兴起从早期低准确率到如今能理解上下文、识别不同人的智能音箱，仅用十年实现巨大进步语音交互演进01人脸识别技术超越人类，广泛应用于安防支付，AI能理解图像内容，自动生成艺术创作计算机视觉应用024.第三次兴起Transformer架构模型如DeepSeek，展现惊人语言能力，流畅对话，写作，编程，翻译，甚至创作诗歌小说自然语言处理的飞跃自动驾驶重塑交通，安全驾驶新纪元自动驾驶技术的潜力AI发展注重技术、伦理、法律的协调，以解决数据隐私、公平性、责任等社会问题，确保技术进步与社会价值相一致AI与社会的协调发展4.第三次兴起上世纪70年代末，中科院自动化所成立首个模式识别室，标志我国AI研究起步，条件艰苦，图像识别、语音处理领域开展开创性工作AI研究起步01科研人员依赖有限外文资料与简陋设备，在AI领域探索，展现出坚韧不拔的科研精神科研环境025.我国人工智能发展历史国内高校积极开设人工智能课程，培养出大量专业人才，为AI领域发展奠定了人才基础AI人才培养中国科学家在专家系统研究中取得突破，开发出中医诊断专家系统，体现独特创新实力专家系统成就设立科研项目，成立中国人工智能学会，高校开设相关课程，培养专业人才，研发中医诊断专家系统80年代AI发展举措改革开放推动AI发展中国AI发展关键期：90年代，神经网络、机器学习深入研究，1993年首颗人工神经网络芯片问世，汉字识别、语音合成为后续应用打下基础5.我国人工智能发展历史中国AI崛起，科研政策双驱动，企业深度参与，国际影响力显著提升AI崛起：科研政策双驱动012017年，中国发布全球首个人工智能国家战略，目标是到2030年成为世界主要创新中心。在政策推动下，AI与实体经济融合，催生众多领先企业AI创新中心建设规划02AI技术深化应用，赋能各行业，成高质量发展新引擎AI：赋能百业，驱动发展03中国AI：市场规模大，产业体系完善，需加强核心技术创新市场规模与核心技术0421世纪AI加速发展与应用5.我国人工智能发展历史AI与各行业深度融合，展现强大赋能效应。技术融合百度、阿里、腾讯等积极布局AI，推动技术创新。龙头企业布局文心、通义千问等模型在多模态理解和生成上表现优异。大语言模型进展DeepSeek-V3和R1在语言处理、逻辑推理上超越国际顶级模型。DeepSeek大模型6.人工智能现状和发展趋势010203计算机视觉商汤、旷视科技人脸识别技术世界领先，应用于疫情防控。智能语音交互科大讯飞语音识别准确率超98%，阿里云小蜜提供7×24小时服务。自动驾驶技术百度Apollo、华为智能汽车解决方案重塑交通出行方式。6.人工智能现状和发展趋势应用场景扩展AI将在更多领域实现应用，如教育、金融、制造等。人机协作AI将促进人机协作，提升工作效率和生活质量。技术创新AI技术将持续创新，推动更多行业变革。伦理与安全AI发展将更加注重伦理和安全，确保技术的负责任使用。数据隐私保护AI技术将加强数据隐私保护，保障用户信息安全。6.人工智能发展趋势6.人工智能现状和发展趋势通用人工智能挑战需算法、架构、计算力突破，深化认知与神经科学理解，实现类人推理、学习与创造AGI探索深化当前AI在特定任务表现优异，但构建通用智能系统仍需跨学科深度研究与技术革新6.人工智能现状和发展趋势AI技术发展趋势：多模态数据处理，实现全面感知，提升自动驾驶、智能机器人和个性化医疗等领域性能多模态融合将成为主流6.人工智能现状和发展趋势基于试错与环境互动，AI自我优化策略。随着算法与计算能力进步，更多实际场景将应用强化学习，如资源调度、金融决策和游戏设计强化学习原理强化学习将在更多领域得到应用6.人工智能现状和发展趋势边缘计算与AI芯片结合提升物联网设备效率，实现实时数据处理，降低延迟，增强隐私保护，需高效低功耗AI芯片与算法支持边缘计算与AI芯片的结合将推动AI在物联网设备上的普及6.人工智能现状和发展趋势从孤立工具转向协作伙伴，共同解决复杂问题，实现更高价值AI角色转变AI与人类协同，结合创造力与计算力，提升效率创新人机协作趋势人机协作将成为常态政府、企业、研究机构共商规范，确保AI公平透明安全，防范潜在风险AI伦理标准制定AI发展对经济、社会、文化影响深远，长期影响复杂超乎想象AI影响深度分析需密切关注AI技术进步，及时调整策略，适应快速变化的科技环境持续关注AI进展积极面对AI带来的挑战，抓住发展机遇，构建人与AI和谐共存的未来应对AI挑战与机遇AI伦理与安全将受到前所未有的关注6.人工智能现状和发展趋势预测鱼的重量1.生活场景当我们站在鱼摊前挑选鲜鱼时，能轻易测量鱼的长度，却很难准确判断它的重量如果我们能收集某种鱼的长度和重量数据，找出其中的规律，就能建立一个预测模型。下次买这种鱼时，只需简单测量其长度，就能快速估算出重量，既方便又实用2.长度和重量的关系可见，x和y是线性关系，用公式表示为：

如果知道了w1和w0，就可以根据长度x预测重量y了3.什么是机器学习根据给定的一组长度和重量数据，计算得到w1和w0的过程，就是机器学习数据集：用于训练机器学习预测模型的一组数据称为数据集，如上表1-1。数据集中的每个数据由数据和标注组成数据：预测模型的输入，即预测的依据，例如鱼的长度标注：预测期望的输出，例如鱼的重量4.最小二乘法

线性问题的机器学习，经常使用最小二乘法，对于表1-1中给定的一组长度x和重量y，最小二乘法根据下列公式计算预测模型中的w1和w0：

根据表1-1中的一组数据和标注计算得到预测模型参数w1和w0的过程，就是机器学习，也称为模型训练。训练结束以后，就可以根据下列公式预测鱼的重量了：5.鱼的重量还与宽度和高度有关把长度、高度、宽度记作x1、x2、x3，重量为y，根据长度、高度、宽度与重量之间的线性关系表示为：生活经验告诉我们，正如人有高矮，也有胖瘦，仅仅根据身高难以准确估计人的重量，鱼也有高矮胖瘦，表1-2中每条鱼增加宽度和高度

同样可以根据最小二乘法计算上述公式中的w0、w1、w2、w3预测手写数字1.生活场景这一小节将进入一个更加贴近日常生活的场景，让计算机判断一张图片中的手写数字具体是0到9中的哪一个下图展示了MINST数据集中的一组手写数字图像，对每个图像，我们一眼就能看出写的是哪个数字。现在要让机器来识别2.两类预测问题预测鱼的重量假如一条鱼的重量在1–10kg之间，它一般不会正好是某个整数例如，说一条鱼3kg，它的真实重量可能是3.1或3.12或3.123……所以，预测鱼的重量，预测结果有无穷多个，不可能一一列举预测手写数字预测结果是0–9中的哪一个例如，预测结果是3，它就不可能是3.1或3.12或3.123所以，预测手写数字，预测结果只有10个，是有限个，可以一一列举回归问题分类问题机器学习有两类问题：回归问题预测连续值，分类问题预测离散值3.两分类问题鱼的重量预测就是在寻找鱼的长度和重量之间存在的规律，然后利用这个规律建立一个可以预测重量的机器学习模型对于预测手写数字的图像中的数字具体是0-9中的哪一个，虽然问题的形式变了，但核心思想是一样的，我们还是要从数据中找出规律，建立预测模型MINST数据集包含60,000个0-9手写数字图像，每种数字约6,000个。现在我们只使用数字0和1的图像，删除其他图像。预测结果就是：0还是1，只有两个类别预测结果只有两个类别，称为两分类问题两分类问题举例：预测病人有没有癌症，邮件是否垃圾邮件，明天会不会下雨，等等MINST数据集中的图像分辨率是28X28，图像是由28X28=784个像素值组成的，每个像素值表示这个像素的亮度，范围在0-255之间，或0–15之间每个手写数字图像数据包括784个0-255之间的数值。对这284个数值建立一个线性模型，格式如下：

计算结果是一个连续值，如何根据它预测这个图像是0还是1？办法是使用一个S形曲线的逻辑函数把y变为概率，当这个概率大于0.5时判给数字0，否则判给数字1Sigmoid函数能把实数范围内的值y转化到(0，1)之间这种两分类方法称为逻辑回归分类法3.两分类问题实现了这个二分类的问题，就可以在此基础上实现类别为0-9的多分类预测了。对于这10个数字的预测问题，需要定义10个回归函数上述10个线性函数计算得到y0,y1,y2,……y9,再经过逻辑函数转换成概率，哪个概率最大，就判定这个图像上写的是哪个数字4.多分类问题这样，通过使用10个两分类流程，构造实现了一个10个类别的多分类流程机器学习流程1.两类机器学习问题回归问题预测连续值根据鱼的长度预测鱼的重量预测房价，预测气温机器学习方法有：线性回归法分类问题预测离散值预测图像中的手写数字垃圾邮件分类，图像分类，文本分类机器学习方法有：逻辑回归分类法回归问题分类问题回归问题和分类问题虽然看起来完全不同，但它们都遵循着相似的步骤和方法，有相同的机器学习基本流程2.机器学习流程首先明确是回归问题还是分类问题，它决定了我们将要使用的算法和方法。无论是回归还是分类，我们都希望建立一个模型，能够根据输入数据做出准确的预测1.明确预测目标类型数据是机器学习的基础，没有数据就无法训练模型。在鱼的例子中，我们需要收集大量鱼的长度和重量数据；在手写数字的例子中，我们需要收集大量手写数字的图像和对应的数字标签，这个标签也叫标注2.收集和准备数据2.机器学习流程训练集用于训练模型，测试集用于评估模型的性能。通常我们会将大部分数据用于训练，比如80%，剩下的20%用于测试这样做的目的是确保模型在未见过的数据上也能表现良好3.数据集划分为训练集和测试集划分乳腺癌数据集2.机器学习流程对于鱼的例子，我们可能选择线性回归算法；对于手写数字的例子，我们可能选择逻辑回归分类法，也可能选择神经网络或支持向量机4.选用机器学习算法训练模型是最核心的步骤。使用训练集数据及其标注来拟合模型，让模型学习数据中的规律。在训练过程中，模型会不断调整参数，以减少预测误差5.根据算法训练模型2.机器学习流程模型训练完成后，需要评估它的性能。需要使用测试集检验模型的表现，看它在未见过的数据上是否预测准确。评估指标因问题类型而异：回归问题常用平均绝对误差或均方误差，分类问题常用混淆矩阵、准确率、精确率或召回率6.评估模型如果模型表现良好，就可以部署它来解决实际问题。例如，将鱼的重量预测模型集成到一个渔业管理系统，将手写数字识别模型应用到一个自动邮件分拣系统中7.部署使用机器学习算法1.线性回归法和逻辑回归分类法

解决分类问题，预测离散的类别标签输出是经过Sigmoid函数转换后的值，表示某个类别的概率通常使用最大似然估计法计算模型参数线性回归法逻辑回归分类法2.支持向量机向量就像是一个有方向的箭头，在数学中可以表示为一组有序的数字。比如在二维空间中，一个向量可以用两个数字表示在实际问题中，向量可以表示各种特征，前面鱼的例子中鱼的长度、宽度、高度组成一个向量，手写数字图像的784个像素值也组成一个向量在处理图像时，很少直接使用像素值，而是先从图像中提取特征，用提取的特征作为代表图像的向量。例如提取颜色直方图、纹理特征或边缘信息。在处理文本时，可能会计算词频特征或TF-IDF特征；处理语音时，可能会提取梅尔频率倒谱系数等声学特征。这些特征提取过程非常重要，因为好的特征能帮助支持向量机更好地理解数据2.支持向量机支持向量机（SVM）可以用于分类和回归任务其核心思想是寻找一个最优超平面，将不同类别的数据分开，并最大化两类数据之间的间隔在二维空间中，超平面是一条直线；在高维空间中，它是一个平面或更高维的几何结构。参见图SVM通过支持向量确定超平面，支持向量是距离超平面最近的数据点，直接影响分类器的性能。SVM广泛应用于文本分类、图像识别、生物信息学等领域3.人工神经网络人工神经网络是一种模仿生物神经系统结构和功能的计算模型，它由大量相互连接的处理单元（称为神经元）组成，能够通过学习数据中的模式来完成特定任务每个神经元接收输入信号，经过加权求和后通过激活函数产生输出，这些输出又作为下一层神经元的输入神经网络通常包括输入层、隐藏层和输出层，其中隐藏层的数量和每层的神经元数量可以根据问题复杂度进行调整神经网络最常见的训练方法是反向传播算法，通过比较网络输出与真实值之间的误差，从输出层向输入层逐层调整连接权重，逐步减少预测误差3.卷积神经网络卷积神经网络（CNN）是一种处理具有网格结构数据的深度学习模型。它的核心思想是通过局部连接和权值共享来高效处理高维矩阵数据，例如图像中的像素矩阵卷积运算是CNN最核心的数学操作，它是一种特殊的线性运算，通过在输入矩阵上滑动一个小的卷积核来依次计算局部区域的加权和在卷积运算中，卷积的第一个参数称为输入矩阵，第二个参数称为卷积核或核函数，卷积运算的结果称为输出或特征映射每次卷积从输入矩阵截取一个与卷积核同样大小的子矩阵，把两者对应位置的两个数相乘以后累加，就得到这次卷积运算的结果3.卷积神经网络卷积运算经过滑动卷积逐次计算的特点使得卷积运算具有两个重要特性首先是局部连接。它通过一个小的“卷积核”在输入数据上滑动，并在每个位置执行加权求和,输出的每个元素只与输入中一小块区域的元素相关联其次是权值共享。卷积核在整个输入矩阵上滑动。这意味着，卷积核中的权重参数在所有位置都是共享的。权重共享减少了模型的参数数量，降低了模型的复杂性2012年前，CNN的发展相对缓慢，主要受限于计算能力不足、数据量不够大以及梯度消失等问题，导致深层网络难以训练。这些早期的探索为后来AlexNet的成功奠定了基础，但当时大多数计算机视觉任务仍主要依赖传统的手工特征提取方法深度学习1.深度学习的兴起AlexNet是深度学习发展史上的一个重要里程碑，它在2012年的ImageNet图像分类竞赛中取得了突破性的成绩，大幅超越了传统方法深度学习是机器学习的一个子领域，它通过模拟人脑的神经网络结构来处理复杂的数据。与传统机器学习算法相比，深度学习能够自动从数据中提取多层次的特征，从而在许多任务中表现出色ImageNet图像分类竞赛要求在包含1400万张标注了图像类别的数据集上训练图像分类模型，要求参赛模型在1000个类别中实现分类2.AlexNet网络架构AlexNet由五个卷积层和三个全连接层组成，其中卷积层负责提取图像的局部特征，而全连接层则用于最终的分类任务2.AlexNet网络架构第1卷积层使用96个11×11的卷积核，步长为4；第1卷积层池化核为3x3，池化步长为2第2卷积层的输入是上一层的输出，使用256个5×5的卷积核，步长为1；使用2×2的最大池化层第3卷积层和第4卷积层均使用3×3的小卷积核，步长为1，卷积核数量分别为384和384。这两层没有池化操作，目的是在保持特征图尺寸不变的情况下，进一步融合和抽象特征第5卷积层同样使用3×3的卷积核，输出通道数为256，之后使用最大池化层将特征图尺寸降为AlexNet网络具有强大的特征提取能力：第1和第2卷积层提取低级特征：对局部的、微小的结构变化高度敏感，检测简单的边缘、角点、颜色斑点、特定方向的纹理（如水平/垂直条纹）等，语义非常弱，接近原始像素的抽象表达第3和第4卷积层提取中间特征：由低级特征组合而成，开始识别更复杂的视觉部件和局部结构，例如纹理的组合、重复模式、以及更复杂的边缘组合（如拐角、T型连接），形成物体的组成部分（如车轮、眼睛、窗户轮廓）或更丰富的纹理区域，开始具备一定的局部语义信息第5卷积层提取高级特征：整合中层特征，形成具有强语义含义的表示，能够识别完整的物体（如人脸、汽车、狗）、场景类别（如街道、室内）或图像的全局属性2.AlexNet网络架构感受野是指卷积层输出的特征图上某个特征点能够感知到的原始输入图像的区域范围第1卷积层的卷积核大小都为11X11，这使得它们擅长捕捉一些局部的、细节的特征，比如边缘、角点或者简单的纹理深层卷积核的感受野会变得越来越大，这使得它们能够识别更复杂的模式，比如物体的部分或者整体这种从局部到全局的特征提取过程，正是CNN能够有效理解图像内容的关键所在3.深度学习在计算机视觉中的应用AlexNet的成功标志着深度学习的一个重要转折点。在此之前，传统的图像分类方法主要依赖于手工设计的特征提取器，如SIFT和HOG，但这些方法在复杂场景下的性能存在明显瓶颈。AlexNet通过其深度CNN网络架构提取特征，显著降低了图像分类的错误率在目标检测领域，传统检测方法如DPM很快被基于深度学习的新方法取代。R-CNN系列算法直接借鉴了AlexNet的特征提取思路，通过先在图像上生成候选区域，再用卷积网络提取特征进行分类。随后出现的YOLO和SSD等模型进一步优化了这一流程，实现了端到端的训练和更快的检测速度3.深度学习在计算机视觉中的应用图像分割任务同样受益于AlexNet的启发。全卷积网络将AlexNet中的全连接层转换为卷积层，使网络可以接受任意尺寸的输入并输出相同尺寸的分割图。随后的U-Net、DeepLab等模型在此基础上进一步改进，在医学图像分割、遥感图像解译等应用中展现出惊人效果图像生成领域的发展同样受益于AlexNet的启发。正是AlexNet的成功使得神经网络可以胜任复杂的生成任务。从最初的DCGAN到后来的StyleGAN，这些生成模型都采用卷积结构作为基础架构。风格迁移技术的出现也得益于AlexNet的中间层特征提取能力。这些技术不仅能够生成逼真图像，还被广泛应用于图像修复、数据增强等实际场景3.深度学习的广泛应用在自然语言处理领域，循环神经网络（RNN）和长短时记忆网络（LSTM）在机器翻译、文本生成等任务中展现出强大能力；而Transformer架构则彻底革新了自然语言处理领域，DeepSeek、文心一言、ChatGPT等大语言模型正是基于Transformer架构AlexNet犹如一把钥匙打开了深度学习时代的大门，其影响远远超出了计算机视觉领域，深刻改变了整个人工智能的发展轨迹在语音识别和语音合成领域，深度学习同样带来了革命性变化。传统的语音识别系统依赖于复杂的声学模型和语言模型，而深度学习的引入使得端到端的语音识别成为可能。深度学习方法显著提高了语音识别的准确率，使得智能语音助手如Siri、Alexa等能够更加自然地与用户交互深度学习的应用3.深度学习在计算机视觉中的应用AlexNet的成功标志着深度学习的一个重要转折点。在此之前，传统的图像分类方法主要依赖于手工设计的特征提取器，如SIFT和HOG，但这些方法在复杂场景下的性能存在明显瓶颈。AlexNet通过其深度CNN网络架构提取特征，显著降低了图像分类的错误率在目标检测领域，传统检测方法如DPM很快被基于深度学习的新方法取代。R-CNN系列算法直接借鉴了AlexNet的特征提取思路，通过先在图像上生成候选区域，再用卷积网络提取特征进行分类。随后出现的YOLO和SSD等模型进一步优化了这一流程，实现了端到端的训练和更快的检测速度3.深度学习在计算机视觉中的应用图像分割任务同样受益于AlexNet的启发。全卷积网络将AlexNet中的全连接层转换为卷积层，使网络可以接受任意尺寸的输入并输出相同尺寸的分割图。随后的U-Net、DeepLab等模型在此基础上进一步改进，在医学图像分割、遥感图像解译等应用中展现出惊人效果图像生成领域的发展同样受益于AlexNet的启发。正是AlexNet的成功使得神经网络可以胜任复杂的生成任务。从最初的DCGAN到后来的StyleGAN，这些生成模型都采用卷积结构作为基础架构。风格迁移技术的出现也得益于AlexNet的中间层特征提取能力。这些技术不仅能够生成逼真图像，还被广泛应用于图像修复、数据增强等实际场景3.深度学习的广泛应用在自然语言处理领域，循环神经网络（RNN）和长短时记忆网络（LSTM）在机器翻译、文本生成等任务中展现出强大能力；而Transformer架构则彻底革新了自然语言处理领域，DeepSeek、文心一言、ChatGPT等大语言模型正是基于Transformer架构AlexNet犹如一把钥匙打开了深度学习时代的大门，其影响远远超出了计算机视觉领域，深刻改变了整个人工智能的发展轨迹在语音识别和语音合成领域，深度学习同样带来了革命性变化。传统的语音识别系统依赖于复杂的声学模型和语言模型，而深度学习的引入使得端到端的语音识别成为可能。深度学习方法显著提高了语音识别的准确率，使得智能语音助手如Siri、Alexa等能够更加自然地与用户交互人工智能的运作支撑体系1.人工智能的运作支撑我们将重点了解