《人工智能通识》课件 第一章：人工智能发展概述

人工智能发展概述目录CONTENTS01人工智能的定义与发展02人工智能的认知观03人工智能的分类04人工智能技术五要素05人工智能的研究内容06人工智能的主要应用领域人工智能通识

第一课问题导向、目标导向1.你来大学学什么？2.你来大学如何学习？3.你在学习中是否使用AI工具；

如何使用AI工具？注：你，具象化（专业，性别，学历等┈）人工智能

第1章绪论

十五五规划纲要中，出现

人工智能52次，出现

人工智能+9次，出现

数智27次。

01人工智能的定义与发展智能的多维解读：从哲学到多元智能将者，智、信、仁、勇、严也。——《孙子兵法·始计篇》所以知之在人者谓之知，知有所合谓之智。所以能之在人者谓之能，能有所合谓之能。——《荀子·正名篇》古代对智能的哲学思考多元智能理论美国教育学家和心理学家霍华德·加德纳（HowardGardner）博士提出多元智能理论，认为人类智能分为语言、数理逻辑、空间、身体动觉、音乐、人际、自省和自然观察这八种类型，每种智能都有独特表现与价值。图灵测试1950年图灵提出“模仿游戏”，若机器能通过文本交流使30%提问者分不清人机，即具人类智能，为AI发展设下明确目标。人工智能1956年夏季，在美国达特茅斯学院举办了一场为期两个月的夏季研讨会，旨在探讨“机器是否会产生思维”。在会议中，麦卡锡首次提出“人工智能”的概念，即“人工智能就是让机器的行为看起来像人所表现出的智能行为一样”。达特茅斯会议被公认为人工智能领域的起点，其框架和议题主导了此后数十年的研究方向，这一年也因此被称为“人工智能元年”。达特茅斯会议合影(1956年)人工智能是研究如何使机器像人一样具有智能的科学。人工智能的发展概念形成期第一次AI浪潮第一次寒冬期第二次AI浪潮第二次寒冬期第三次AI浪潮第四次AI浪潮概念形成期（1936-1956）1936年，艾伦·图灵提出了图灵机的概念，界定了计算机的能力，为现代计算机和人工智能奠定了理论基础。图灵提出的“图灵测试”，首次为机器智能提供了理论框架与评价标准。冯·诺依曼提出了现代计算机的基本架构，被称为“冯·诺依曼原理”，奠定了现代计算机的基础。1943年，人类历史上首个具有里程碑意义的人工神经元模型——MP模型。1952年，被誉为“机器学习”之父的亚瑟·塞缪尔创造了机器学习这一概念。1956年，在达特茅斯会议上，约翰·麦卡锡首次提出“人工智能”这一概念，标志着人工智能学科的正式诞生。第一次AI浪潮（1956-1974）1955-1956年，逻辑理论家是人工智能史上首个具备自主推理能力的程序。1959年，Unimation公司制造出世界上第一台工业机器人Unimate。1966年，麻省理工学院的约瑟夫·魏岑鲍姆开发了第一个聊天机器人ELIZA。1966年至1972年，美国斯坦福国际研究所开发出Shakey机器人。1972年，爱德华·费根鲍姆与化学家团队开发出专家系统Dendral，这是全球首个成功应用的专家系统。Unimate机器人Shakey机器人第一次寒冬期（1974-1980）人工智能发展遭遇第一次寒冬，主要是因为技术瓶颈、过度承诺与资金断裂的三重夹击。即使处于发展低潮期，仍有许多新思想、新方法在悄然萌芽。1974年，保罗·韦伯斯首次提出反向传播算法（BackPropagation，BP）。1975年，被誉为“遗传算法之父”的约翰·霍兰德提出遗传算法（geneticalgorithms，GA）。遗传算法、进化策略（evolutionstrategies，ES）和遗传编程（geneticprogramming，GP）共同构成了进化计算（evolutionarycomputation，EC）的三大支柱，是人工智能领域的重要分支。第二次AI浪潮（1980-1987）经历了第一次寒冬期，人工智能研究者意识到必须对智能机器的问题范围进行充分限制，专家系统作为人工智能领域的标志性成果，迎来了爆发式增长。20世纪70年代，斯坦福大学人工智能实验室在爱德华·费根鲍姆的领导下，开发了一款具有里程碑意义的专家系统——MYCIN，推动了医疗AI的发展。20世纪80年代初期，数字设备公司（DEC）开发出一款专家系统——XCON，是专家系统商业化的里程碑。1982年，约翰·霍普菲尔德提出了Hopfield神经网络模型。1986年，BP算法被系统化提出，正式作为神经网络训练优化算法，为复杂神经网络训练提供了理论基石，是人工智能发展史上的里程碑。日本研发的第五代计算机第二次寒冬期（1987-1993）专家系统依赖人工构建知识库；硬件性能无法满足大规模知识推理需求；实际进展和效果不如预期，引发公众对人工智能的信任危机。1987年，亚历克斯·瓦贝尔开发了时延神经网络。1989年，被誉为“卷积神经网络之父”的杨立坤（YannLeCun）及其团队利用反向传播算法训练卷积神经网络（convolutionalneuralnetwork，CNN），成功开发了一套手写数字识别系统。20世纪80年代，麻省理工学院学者罗德尼·布鲁克斯提出包容式架构，他的六足行走机器人是行为主义的代表案例之一。在罗德尼·布鲁克斯等人的推动下，行为主义成为人工智能的一个重要学派。第三次AI浪潮（1993-2010）人工智能的稳步发展期，人工智能相关的各个领域都取得了长足的进步，研究重点从基于知识系统转向了机器学习方向，机器学习算法不断改进和优化。1993年，计算机科学家和科幻作家弗农·文奇在文章“TheComingTechnologicalSingularity”中提到了人工智能的“奇点理论”。1997年5月，IBM公司生产的超级国际象棋电脑“深蓝”，战胜了国际象棋冠军卡斯帕罗夫，它的计算速度可达到约每秒钟2亿步。2000年，谷歌搜索引擎使用PageRank算法在众多搜索引擎中脱颖而出。2006年，这一年被视为深度学习乃至整个人工智能领域的转折点。被誉为“神经网络之父”“人工智能教父”的杰弗里·辛顿正式提出“深度学习”（deeplearning，DL）模型。第四次AI浪潮（2010年至今）2012年，杰弗里·辛顿团队提出‌AlexNet——一个8层的卷积神经网络‌，在ImageNet图像识别竞赛中以85%的准确率夺冠，首次验证深度卷积神经网络的优越性，标志着深度学习时代的开启。2016年3月，谷歌旗下DeepMind公司开发的围棋人工智能AlphaGo，它的计算速度约是“深蓝”的3万倍，最终以4比1的总比分击败了韩国围棋九段、世界冠军李世石。2016年，英伟达推出P100GPU，这是全球首款基于Pascal架构的AI计算芯片，成为首批支持TensorFlow、PyTorch等框架的硬件，是AI算力革命的里程碑。2017年，谷歌正式提出Transformer模型，推动了“大模型”时代的到来。2022年，OpenAI发布ChatGPT，展现了对话生成、代码编写等多任务泛化能力，标志生成式AI进入大众视野‌。同年，StableDiffusion与DALL-E2引领图像生成革命，AIGC（artificialintelligencegeneratedcontent，人工智能生成内容）进入主流应用。GAI（generativeartificialintelligence，生成式AI）的应用极大地拓展了人工智能的边界。02人工智能的认知观人工智能的认知观智能源于对符号的逻辑运算和规则推理，通过形式化的知识表示模拟人类思维。符号主义基于神经网络的智能模拟方法，强调通过模拟人类大脑神经元的连接和学习机制来实现智能。联结主义通过模仿人类或动物的行为实现智能，强调在真实环境中进行学习和适应。行为主义

符号主义：用逻辑规则复制专家思维符号主义核心符号主义主张智能源于符号逻辑运算与规则推理，通过形式化知识表示模拟人类思维。成功案例Dendral、Watson、知识图谱是符号主义成功案例，体现其在知识推理与表示上的优势。局限性符号主义难以处理模糊与大规模知识，可解释性强但在复杂问题上受限。联结主义：数据驱动的分布式学习联结主义核心联结主义基于神经网络，通过模拟大脑神经元连接与学习机制实现智能。技术代表BP、CNN、RNN、LSTM、GAN是联结主义核心技术，推动AI在视觉、语音等领域突破。挑战与前景联结主义面临黑箱与数据饥渴问题，但与神经科学结合前景广阔。行为主义：感知动作闭环与环境交互01行为主义起源行为主义源于控制论，强调智能体通过感知动作闭环与环境交互学习。02强化学习强化学习是行为主义重要成果，通过试错与奖励信号优化行为策略。03应用与局限行为主义在机器人等领域应用广泛，但样本效率低、可解释性弱，常与其他方法结合。03人工智能的分类AI三级跳：弱、强、超人工智能01弱人工智能专注于特定任务，如语音识别、自动驾驶，在限定领域超越人类。02强人工智能具备跨领域迁移、逻辑推理与自主学习能力，目前仍处于研究阶段。03超人工智能理论上可自我迭代、全面超越人类，引发伦理与治理挑战。1.1人工智能的分类-弱人工智能第一章绪论of3124弱人工智能是指不能制造出真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。弱人工智能是人类已经掌握的技术，它往往只擅长某一个方面的工作，不管是可以预约烧饭的电饭煲，还是会聊天的机器人，都属于此列。从原则上说，弱人工智能只能在行为上表现出“具有人类智力”的特点，但它实现功能时，依靠的还是提前编写好的运算程序。1.1人工智能的分类-弱人工智能第一章绪论of3125弱人工智能也称限制领域人工智能或者应用型人工智能。指的是专注于且只能解决特定领域问题的人工智能，毫无疑问，我们今天看到的所有人工智能算法和应用都属于弱人工智能的范畴，AlphaGo是弱人工智能的一个最好实例。AlphaGo虽然在围棋领域超越了人类最顶尖选手，但它的能力也仅止于围棋。一般而言，限于弱人工智能在功能上的局限性，人们更愿意将弱人工智能看成是人类的工具，而不会将弱人工智能视成威胁。1.1人工智能的分类-强人工智能第一章绪论of3126强人工智能

一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为：“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（JSearleinMindsBrainsandPrograms.TheBehavioralandBrainSciences,vol.3,1980。但事实上，Searle本人根本不相信计算机能够像人一样思考，在这个论文中他不断想证明这一点。他在这里所提出的定义只是他认为的“强人工智能群体”是这么想的，并不是研究强人工智能的人们真正的想法。因此反驳他的人也不少。可参考：《AChineseroomthatUnderstands》-herbertA.Simon&StuartA.Eisenstadt）。拥有“强人工智能”的机器不仅是一种工具，而且本身拥有思维。“强人工智能”有真正推理和解决问题的能力，这样的机器将被认为是有知觉，有自我意识。1.1人工智能的分类-强人工智能第一章绪论of3127强人工智能

又称通用人工智能或者完全人工智能，指的是可以胜任人类所有工作的人工智能，人可以做什么，强人工智能就可以做什么，这种定义过于宽泛，缺乏一个量化的标准来评估什么样的计算机程序才是强人工智能为此不同的研究者提出了许多不同的建议。最为流行，被广为接受的标准，是前面我们详细讨论过的图灵测试，但即便是图灵测试本身，也只是关注与计算机的行为和人类之间的行为。从观测者角度而言的不可区分性，并没有提及计算机到底需要具备哪种具体的特征或能力才能实现这种不可区分性。1.1人工智能的分类-强人工智能第一章绪论of3128一个可以称得上强人工智能的程序，大概需要具备以下几个方面的能力：第一，存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力。第二，知识表示的能力，包括常识性知识的表示能力。第三，规划能力。

第四，学习能力。第五，有使用自然语言进行交流沟通的能力。第六，将上述能力整合起来，实现既定目标的能力。强人工智能的定义里存在一个关键的的专业性问题：强人工智能是否有必要具备人类的意识？有些研究者认为，只要只有具备人类意识的人工智能才可以叫强人工智能。另一些研究者则说，强人工智能只需要具备胜任人类所有工作的能力就可以了，未必需要人类的意识，也就是说，一旦牵涉“意识”，强人工智能的定义和评估标准就会变得异常复杂，而人们对于强人工智能的担忧也主要来源于此。1.1人工智能的分类-超人工智能第一章绪论of3129超人工智能牛津大学哲学家、未来学家Nick.Bostrom在他的《超级智能》一书中，将超人工智能定义为在科学创造力，智慧和社交能力等每一方面都比最强的人类大脑聪明很多的智能，显然对于今天的人来说，这是一种只存在于科幻电影中的想象场景。与弱人工智能、强人工智能相比，超人工智能的定义最为模糊，因为没人知道超越人类最高水平的智慧，到底会表现为何种能力。首先我们不知道强于人类的智慧形式是怎样的一种存在，现在去谈论超人工智能和人类的关系不仅仅为时过早，而是根本不存在可以清晰界定的讨论对象，其次我们没有办法也没有经验去预测超人工智能到底是一种不现实的幻想还是一种在未来必定会降临的结局，也就是说，我们根本无法准确推断到底计算机程序有没有能力达到这一目标。04人工智能技术五要素数据人工智能技术五要素算法算力场景人才人工智能核心技术之一：知识

知识是人工智能的重要基础，知识的科学内涵包括知识表示、知识推理、知识应用。知识获取是其瓶颈问题。

知识是人工智能之源（Source），人工智能的发展源于知识，并依赖知识。专家系统、模糊计算、知识图谱、知识库等都是以知识为基础发展起来的。知识：人们通过体验、学习或联想而认识的世界客观规律性。算法数据知识算力AI1.5.3人工智能的核心技术

数据为人工智能提供“原材料”，从计算智能数据迅速发展到互联网和物联网的海量数据。5G网络使数据传输速度更快、时延更小，应用更广泛、更有效。

数据是人工智能之基（Foundation），并促进人工智能的发展升级。计算智能取决于数据而不是知识；神经计算，进化计算等都是以数据为基础而发展起来的。

人工智能核心技术之二：数据数据：事实或观察的结果，指所有能输入计算机并被程序处理的数字、字母、符号、影像信号和模拟量等各种介质的总称。

算法是人工智能的策略性内涵。基于神经计算的算法已获得广泛应用。认知计算与认知决策算法、类脑计算、普适计算与普适算法以及进化计算与基于群体迭代的进化算法等研究也取得进展。

算法是人工智能之魂（Source），也是人工智能软实力的核心。A*算法、深度学习算法、遗传算法等是算法的代表。人工智能核心技术之三：算法算法：解题方案准确而完整的描述，是一系列求解问题的清晰指令，代表着用系统方法描述问题求解的策略机制。

算力为人工智能提供了执行能力。从处理器配备的高端部件以及芯片组、内存和硬盘质量提高计算能力。出现了新芯片和新计算（云计算、量子计算等）等新的计算架构。算力是人工智能之力（Power），也是人工智能硬实力的关键保证。计算能力的不断增强和计算速度的不断提高，极大地促进人工智能的发展。人工智能核心技术之四：算力算力：机器在数学上的归纳和转化能力，即把抽象复杂的数学表达式或数字通过数学方法转换为可以理解的数学式子的能力。。

算力是数字经济时代的核心生产力，智算力则是数字化创新的源动力。人工智能已在国家经济建设、科技实力提升、推动生产力发展等方面呈现出举足轻重的作用。人工智能算力正在为国家创造力的发展带来实质性推进，为企业带来切实的创新成效，加速驱动新业态的形成。

中国算力规模，尤其是智能算力规模，正在高速增长。2021年中国智能算力规模达155.2每秒百亿亿次浮点运算（EFLOPS），2022年智能算力规模将达到268.0EFLOPS，预计到2026年智能算力规模将进入每秒十万亿亿次浮点计算（ZFLOPS）级别，达到1,271.4EFLOPS。

2021年中国通用算力规模达47.7EFLOPS，预计到2026年通用算力规模将达到111.3EFLOPS。2021-2026年期间，预计中国智能算力规模年复合增长率为52.3%，同期通用算力规模的年复合增长率为18.5%。伴随人工智能算力需求的高速增长，建立健全助商惠民的数字基础设施服务体系、推进算力基建化发展势在必行。参考：IDC与浪潮信息联合发布《2022-2023中国人工智能计算力发展评估报告》人工智能