人工智能发展历史及其应用

人工智能发展历史及其应用人工智能（AI）人工智能（AI）是计算机科学的一个分支，致力于创建能够执行某些任务的系统和算法，而这些任务如果由人类执行则需要智能。这些任务可能包括：感知（计算机视觉、语音识别、自然语言处理）学习（例如机器学习，其中系统根据数据进行改进）决策和问题解决推理和适应新情况简而言之，人工智能试图模仿或近似人类智能的某些方面，从而使机器变得“智能”。1.感知传感器或数据（例如图像、声音、文本）“感知”环境的能力。例如：计算机视觉：应用于

无人驾驶汽车（例如特斯拉）。自动驾驶仪）识别交通信号灯、行人和其他车辆。语音识别识别）：

像Siri、Alexa或Google这样的数字助理助手可以识别人类语音。自然语言处理（自然）语言处理-自然语言处理(NLP)：被

ChatGPT或翻译工具等应用程序使用（谷歌翻译）。翻译）。2.学习通过从数据中学习来改进自身行为。

这是通过机器学习实现的。学习），其中系统通过许多示例进行“训练”。例如：Netflix或YouTube上的推荐算法会学习用户的偏好并推荐相关视频。银行应用程序通过行为模式分析来检测可疑交易。在医学领域，算法分析X射线来检测疾病迹象。3.决策和问题解决人工智能可以分析数据、预测结果，并为各种情况选择最佳解决方案。例如：能够自主决定哪条路线更安全或更高效的机器人。优化产品配送路线的物流系统。决定何时买入或卖出股票的股票市场算法。4.推理和适应新情况人工智能能够适应环境变化或面对新数据的情况。例如：一款策略游戏，电脑对手会根据玩家的行动改变战术。一种清洁机器人（例如Roomba），它可以“学习”房屋的布局并调整其清洁路线。一个带有聊天机器人的客户服务系统，该聊天机器人能够根据收到的问题改进其回复。视频——什么是人工智能？人工智能——未来已来！（第一部分-第一集）人工智能（AI）的历史演变人工智能的历史被划分为不同的时代——发展阶段，其中理论思想、技术成就和社会挑战相结合。1.早期理念（1950年以前）古代–中世纪“人工智能”的概念早在计算机出现之前就存在于人们的想象和哲学之中。实例与事实：古希腊的自动装置：

亚历山大的希罗建造了自动剧院和由空气或水驱动的机械装置，被认为是机器人的先驱。神话与传统：

皮格马利翁制作了一尊“复活”的雕像——这是人造生命概念的早期雏形。

在犹太神话中的泥人（Golem）中，人造人通过魔法“指令”获得了生命。是的芬奇（15世纪）：

设计了一种由滑轮和弹簧驱动的机械骑士——这是最早的机器人想象力的例子之一。这一时期展现了人工智能的哲学和文化起源：人类渴望制造能够“生活”或“思考”的机器。1.早期理念（1950年以前）17至19世纪：逻辑与计算的诞生在启蒙时代，科学家和数学家奠定了计算思维的基础。例如：勒内笛卡尔：他将身体视为遵循自然规律的“机器”——这影响了人们认为思想本身也可以是机械化的观念。戈特弗里德威廉莱布尼茨（17世纪）：提出了“逻辑的通用语言”，认为所有问题都可以通过

计算来解决。乔治·布尔（19世纪）：

创建了二进制代数（布尔代数）。逻辑），它是现代电路和计算机的基础。查尔斯巴贝奇和艾达洛夫莱斯：

他们制造了第一台可编程机械计算机（分析计算机）。引擎）。

艾达被认为是第一位程序员——她编写的代码使机器能够执行逻辑运算。

这一阶段奠定了理论基础：如果逻辑可以转化为数学规则，那么智能或许也可以用机械的方式来表示。2.人工智能的诞生（1940–1956）艾伦图灵（1950）：人工智能之父艾伦图灵在他的著作《计算》中写道：“计算”《机器与智能》提出了一个根本性问题：机器能思考吗？图灵提出测试中，一个人与一台机器和另一个人聊天——如果他们无法分辨谁是谁，则该机器被认为是“智能的”。如今的应用实例：像ChatGPT这样的聊天机器人本质上是图灵的“后代”。测试。图灵在理论上设计了“图灵机”，所有现代计算机都基于这一模型。2.人工智能的诞生（1940–1956）艾伦图灵

20世纪50年代，艾伦图灵提出了图灵测试，这是一个思想实验，评估机器是否能展现出与人类同等或大致相似的智能就像人类一样。这一思想奠定了力学研究的基础。智能并启发了第一批人工智能系统的开发。第一个此类程序“逻辑理论家”旨在解决数学问题。这些问题被认为是“智能”系统的开端。与此同时，约翰麦卡锡他对行业做出了决定性贡献，创造了“人工”一词。1956年，他创立了“智能”组织，并开发了LISP编程语言（LISP）。Processing），它构成了许多早期人工智能系统的基础。2.人工智能的诞生（1940–1956）艾伦图灵

2.人工智能的诞生（1940–1956）第一代计算机（1940-1950年）二战后，第一批电子计算机问世：ENIAC（1945年）：每秒执行数百万次运算。UNIVAC和曼彻斯特MarkI：用于逻辑问题、数学模拟和人工智能实验。国际象棋和跳棋等游戏编写算法，以此展示机器如何进行战略性“思考”。硬件（计算机）和数学模型的发展，使“思考机器”的概念第一次成为现实。3.人工智能的“正式诞生”（1956年——达特茅斯会议）在达特茅斯1956年夏天，约翰等研究人员在美国大学（College）开展了研究。麦卡锡，马文明斯基和赫伯特西蒙引入了“人工”一词。

首次实现智能。会议目标：创造一台“像人类一样学习、思考和理解语言”的机器。首批人工智能程序：逻辑理论家（1955）：一个解决数学定理的程序。ELIZA（1966年）：最早能与人类“交谈”的聊天机器人之一，模仿精神分析师。一般问题解算器（1959）：运用人类思维解决逻辑问题。人工智能编程语言：🔹LISP（1958年，McCarthy）：专为人工智能应用而设计。🔹Prolog（1969年）：基于逻辑，是“智能”系统的理想选择。神经网络（第一代）：🔹感知器（弗兰克）Rosenblatt，1958）：学习识别形状和字母的模型这一时期滋生了乐观情绪——人们相信，几年之内机器就会获得完全的智能。3.人工智能的“正式诞生”（1956年——达特茅斯会议）使用专用系统重启（1980–1990）创建专家系统（例如用于医疗诊断的MYCIN）。在工业领域有应用，但成本高且灵活性有限。田纳西州的第二个冬天出现了。机器学习的兴起（1990–2010）统计方法和学习算法的开发。语音识别、计算机视觉、机器翻译领域的进展。互联网和大数据正在注入新的动力。4.复兴时期（1990–2010年）随着计算机的进步和机器的出现学习，人工智能重生。例如：深的Blue（IBM，1997）：击败世界象棋冠军加里·马歇尔的计算机卡斯帕罗夫。演讲IBM和Google的认可他们开始使用统计学习方法。第一批大型地震出现了这些数据可以用于“训练”更复杂的模型。5.现代时期（2010年至今）神经网络的发展催生了深度神经网络。学习。例如：AlphaGo（2016年）：击败了围棋冠军，这被认为是不可能完成的任务。ChatGPT（2022年至今）：实现了人类水平的自然语言对话。特斯拉自动驾驶仪和波士顿动力机器人：能够“学习”移动和感知空间的机器。如今

人工智能无处不在——从手机和图像滤镜到医疗诊断和机器人技术。

关键区别在于，学习不再基于规则，而是基于海量数据。人工智能的历史演变6.深度学习时代（2010年至今）神经网络，尤其是深度学习学习）正在带来革命性的变化。令人印象深刻的应用：自动驾驶汽车、ChatGPT、AlphaGo、人工智能诊断医学。就伦理、规章制度及其对工作和社会的影响展开了激烈的讨论。7.未来前景狭义人工智能：用于特定项目的系统（当前状态）。通用人工智能（AGI）：具有类似人类能力的假想人工智能。超级智能：人工智能超越所有人类心智能力的理论阶段。视频-历史人工智能简史人工智能的起源故事：从古代神话到ChatGPT基本理论1.可计算性理论理论该理论探讨的是计算机能够计算什么以及不能计算什么，而与计算机的速度或内存无关。主要观点：由艾伦创立图灵在20世纪30年代。图灵机的概念，这是一种假想的计算机，可以执行任何算法。它定义了计算的边界——也就是说，哪些问题是“可解的”，哪些问题是不可解的（例如，“停机”问题）。问题“无法解决”。例如：图灵机是所有现代计算机的理论基础。搜索算法（例如A*或Dijkstra）正是基于这一理论，用于寻找诸如路径规划等问题的最佳解决方案。当你告诉机器人找到两点之间的最短路径时，你依靠的是定义如何一步一步完成这项任务的计算原理。

重要性：该理论为

机器“如何”思考奠定了基础，即机器如何将问题转化为计算机可以执行的一系列步骤。基本理论概率论与统计学理论与统计学）这一理论有助于人工智能应对不确定性。

机器并不拥有关于世界的绝对知识，因此它们需要统计模型来“预测”最有可能发生的情况。主要观点：每个事件都有发生的概率。人工智能使用概率模型。模型）根据不完整或嘈杂的数据做出决策。核心工具：贝叶斯网络（显示变量如何相互影响的网络）。例如：垃圾邮件过滤：系统

根据关键词（例如“贷款”、“礼物”）计算邮件为垃圾邮件的概率。自动驾驶：

汽车估计物体是行人、自行车还是影子的概率。天气预报：

该模型从历史数据中学习，并给出降雨概率（例如，“明天有70%的降雨概率”）。医学诊断：

根据症状计算患病概率（例如贝叶斯定理）。

意义：该理论赋予人工智能

“统计思考”的能力，能够预测并从不确定性中学习。基本理论计算学习理论学习理论这是机器学习的数学基础。机器学习）。

它研究算法如何从数据中学习并概括其知识。主要观点：它研究算法需要多少数据才能准确学习。它检验模型的性能：它对新的、未知的数据的泛化能力如何？定义学习类型：受监督学习）：

系统通过“正确答案”的示例进行学习。

例如：人脸识别、电子邮件分类。无人监管学习）：

从未标记的数据中学习，发现模式。

例如：将客户分组到不同的类别中（聚类）。强化学习）：

智能体通过试错和奖励进行学习。

例如：机器人学习走路或人工智能下棋。例如：ChatGPT通过监督学习和强化学习（通过人类反馈）进行训练。Netflix使用无监督学习将具有相似偏好的用户分组。波士顿动力公司的机器人通过强化学习来学习保持平衡。

意义：该理论回答了

“机器是如何学习的？”和“我们什么时候可以相信它的知识？”这两个问题。基本理论博弈论理论博弈论是数学和经济学的一个分支，它研究“参与者”（可以是人、公司，甚至是人工智能体）之间的

战略决策。每个参与者都力求最大化自身利润，同时考虑到其他参与者也会采取类似的行动。例1：囚徒困境困境两名嫌疑人被捕。如果两人保持沉默，他们将被判处短期监禁（1年）。如果一人背叛而另一人保持沉默，则背叛者将被释放，而另一人将被监禁10年。如果两人都背叛，则每人判处5年监禁。实际上，双方通常都会背叛，因为在缺乏信任的情况下，背叛是

“理性”的策略。这凸显了合作或竞争如何影响智能体的行为。神经科学与心智理论基本理论神经科学与心智理论神经科学研究大脑以及人们如何思考、学习、感受和互动。心智理论

是指理解他人的想法、意图和情绪的能力。在人工智能领域，这些学科试图让机器更“人性化”——理解语境、情感和社会关系。示例1：具备情商的聊天机器人ReplikaAI或Woebot这样的系统能够通过用户的语气识别情绪，并以同理心回应。

如果你说“我很失望”，机器会以恰当的情感方式回应，例如，“我理解，你想告诉我什么让你失望了吗？”例2：机器人的心智理论麻省理工学院的Kismet或汉森公司的Sophia这样的机器人机器人拥有能够识别面部表情和语气的算法，因此它们可以理解人的感受并做出适当的反应。基本理论神经科学与心智理论示例3：在教育和健康领域的应用注意力或焦虑程度调整教学节奏。利用心智理论训练自闭症儿童社交技能的机器人治疗师。因此，人工智能理论基础的支柱是：可计算性→可计算的内容可计算性是指计算机能够计算的极限。——艾伦图灵提出了计算机器的概念，这奠定了理解计算过程的基础。可计算性理论研究哪些问题可以通过算法解决，哪些问题不能。因此，人工智能理论基础的支柱是：概率与统计→我们如何处理不确定性概率和统计学使人工智能系统能够应对不确定性并基于数据做出决策。概率论提供了估计不确定性的工具，而统计学则用于分析和解释数据。因此，人工智能理论基础的支柱是：学习→机器如何获取知识机器学习是人工智能的一个分支，它致力于开发能够让系统从数据中学习的算法。这个过程包括模式识别、分类和预测。《机器》一书探讨了机器学习在人工智能领域的应用。汤姆的学习米切尔是该领域的经典人物。因此，人工智能理论基础的支柱是：博弈论→参与者如何合作/竞争博弈论研究的是主体（例如人类或机器）之间的策略性互动。该理论对于理解相互依存情境中的合作、竞争和战略决策至关重要。因此，人工智能理论基础的支柱是：神经科学与心智理论→大脑模拟与理解心理状态神经科学揭示了人脑的运作机制，而心智理论（ToM）则指的是理解他人心理状态的能力。这两个领域的综合研究能够创造出更复杂、更接近人类的智能系统。基本理论视频机器学习与人工智能史11'人工神经网络（机器学习-第二部分）5'人工智能的完整历史（近100年）22分钟你需要知道的所有人工智能基本术语37'人工智能、机器学习、深度学习和生成式人工智能详解（10分钟）人工智能模型：神经网络（人工神经网络）神经网络–人工神经网络(ANN)

其灵感来源于人脑，人脑中数十亿个神经元相互连接并处理信息。在人工神经网络中，人工神经元是小型处理单元，它接收输入，通过功能规则对其进行转换，并产生输出。神经元呈层状排列：输入层：接收数据。隐层：处理信息。输出该层：给出最终预测或决定。人工智能模型：神经网络（人工神经网络）神经网络–人工神经网络(ANN)

类型：卷积神经网络（CNN）神经网络）尤其适用于图片和视频。它们使用滤波器（内核）来检测边缘、形状、颜色等特征。例如：用于物体识别的图像分析——例如，使用卷积神经网络识别照片中的猫和狗。循环神经网络（RNN）神经网络）尤其对于具有序列或时间序列的数据（顺序数据）而言更是如此。数据）。它们会保留先前步骤的信息，以影响后续步骤。示例：自动文本翻译（谷歌）翻译）、推文情感分析、语音识别。LSTM（长期记忆网络）短期记忆）一种特殊的RNN，可以解决大型序列中“信息消失”的问题。例如：预测未来股票市场价格或预测文本中的单词。

人工神经网络应用示例：健康：通过医学影像诊断疾病（例如，在X光片中检测肿瘤）。驾驶：自动驾驶汽车使用CNN来识别行人和交通信号灯。语音助手：RNN/LSTM用于自然语言理解和生成。人工智能模型：机器学习模型学习模型）

无需严格按照规则编程，即可从数据中“学习”的算法。基本原理：我们给模型输入数据（特征），并要求它预测输出（标签）。通过识别模式和关系进行学习。主要类型：决策树​树木他们根据特征对数据进行分类，以便做出决策。例如：用于购买预测的客户分析：如果年龄大于30岁→对产品A感兴趣年龄≤30岁→对产品B感兴趣人工智能模型：机器学习模型学习模型）

人工智能模型：机器学习模型学习模型）

结论：人工神经网络：非常适合处理复杂的非线性模式、图像或时间序列。经典机器学习模型：适用于结构化数据和较简单的预测。人工智能模型：概率模型它是什么？他们利用概率来处理数据中的不确定性。当信息不完整或存在噪声时，此方法最为理想。他们不只是给出预测结果，而是给出每种结果的概率。它们能够预测取决于先前事件的事件。。人工智能模型：概率模型主要示例：贝叶斯网络（贝叶斯网络）通过概率连接变量的图形模型。例如：疾病预测：如果你发烧咳嗽，患流感的概率是70%。如果只有发烧，患流感的概率为30%。马尔可夫模型他们仅根据当前状态预测下一个状态（马尔可夫）。财产）。例如：天气预报：如果今天下雨，明天下雨的概率为60%。隐马尔可夫模型（隐马尔可夫模型）它们用于无法直接观察到情况，而只能通过观察来了解情况的数据。例如：Siri或Alexa中的语音识别。依赖于先前事件的事件。。人工智能模型：深度学习模型它是什么？非常大的神经网络，具有很多层（深度）网络）。训练需要大量数据和功能强大的计算机。能够从数据中学习复杂的非线性模式。例如：图像识别卷积神经网络（CNN）神经网络）用于医疗成像或自动驾驶汽车。例如：Facebook或Google的人脸识别功能照片。自然语言RNN、LSTM和Transformer被用于文本和语音处理。例如：ChatGPT、Google翻译、Siri、Alexa。遗传模型能够生成文字、图像或音乐的大型模型。例如：DALL·E（图像创建），ChatGPT（文本创建）。。人工智能模型：强化学习模型它是什么？通过经验学习的系统：它们尝试行动并获得奖励或惩罚。目标是最大化总收益。当事先不知道正确的策略时，就会使用它们。例如：机器人技术能够学习行走或操控物体的机器人。例如：波士顿动力公司研发的能够在荆棘地形上行走和奔跑的机器人。游戏他们通过尝试各种策略并获得奖励来学习策略。例如：DeepMind的AlphaGo击败了围棋世界冠军。自主系统能够根据安全性和效率调整自身行为的汽车。例如：能够学习何时减速、加速或变换车道的自动驾驶汽车。。人工智能模型人工智能模型人工智能模型人工智能模型人工智能模型视频–人工智能模型你需要了解的所有人工智能基本术语人工智能在日常生活中的应用1.数字助理Siri、Alexa和Google这样的数字助理智能助手利用自然语言处理和机器学习技术来回答问题、管理日程、发送消息和控制其他设备。它们已成为数百万人日常生活的一部分，使简单的任务更加快捷高效。2.健康与保健IBMWatsonHealth等平台帮助诊断疾病和分析医疗数据。此外，智能手表等可穿戴设备可以监测健康状况，及早发现心率或血压异常。3.交通运输和自动驾驶汽车人工智能正被应用于交通运输领域，例如自动驾驶汽车。特斯拉和Waymo等公司利用传感器、摄像头和雷达数据来确保安全驾驶。此外，Uber和Lyft等平台也在优化路线、缩短等待时间并预测需求。人工智能在日常生活中的应用4.教育与个性化学习人工智能支持多邻国等平台上的个性化学习，根据每个学生的需求量身定制学习体验。它还能评估学生的学习进度，并提供针对性的辅导以提高学习效率。5.娱乐与媒体在娱乐领域，人工智能被用于内容推荐（例如Netflix、Spotify）以及通过生成式人工智能进行内容创作。算法提供个性化推荐，从而增强用户与平台的互动。人工智能在日常生活中的应用6.金融服务在银行业，人工智能可以检测欺诈行为、分析风险并创建投资模型。智能投顾则基于数据和算法模型帮助客户做出财务决策。7.数据分析和决策支持人工智能在企业中用于分析大数据、预测市场趋势和优化供应链，从而支持战略决策。优势与障碍人工智能融入日常生活带来了显著的改进，例如提高效率、降低成本，并通过个性化解决方案提升用户体验。然而，它也带来了重大挑战，例如算法透明度、数据保护以及确保其应用以透明和合乎道德的方式使用等问题。人工智能（AI）业务需求分析需求分析的重要性企业采用人工智能不应该仅仅局限于技术创新。人工智能必须服务于实际的业务需求，提供竞争优势。分析目标在集成人工智能之前，需要了解业务目标和需求。确保所实施的解决方案具有针对性和有效性。企业需求分析流程它提供了一种系统评估企业需求的方法。它包括识别关键问题、绘制流程图

和确定所需数据。正确分析的好处最大限度降低人工智能项目失败的风险。优化技术投资。确保人工智能带来真正的价值，而不仅仅是技术炒作。挑战复杂多变的业务流程。该公司在人工智能方面的知识或经验有限。需要将技术和商业视角结合起来。需求分析的主要阶段1.理解业务目标明确愿景、使命和战略目标。目标示例：自动化重复性流程客户体验提升通过更高效的流程降低成本2.流程分析及现有挑战对现有业务流程进行审查。对现有工艺流程的技术基础设施和性能进行分析。找出需要改进的领域。需求分析的主要阶段3.数据可用性和质量评估映射数据源并确定所需的处理方法。数据质量、可靠性和相关性控制。确保与人工智能解决方案兼容。4.技术要求的确定人工智能基础设施的定义：计算能力、云服务、算法开发工具。检查安全要求和监管框架的合规性。需求分析的主要阶段5.定义关键绩效指标（KPI）通过可衡量的指标监测项目成功情况。关键绩效指标示例：生产力提高降低成本客户体验提升更快的决策速度6.利益相关者的合作确保技术团队、业务部门和领导层之间的协作。对需求达成一致，对目标达成共识。人工智能与人类智能的关系人类智能的特征人类智能源于生物

和认知过程，并以大脑的功能为基础，而大脑是

自然界最复杂的系统之一。

其主要特征包括：创造力：产生新想法和设计问题解决方案的能力。同理心：理解并回应他人的情绪。概括：将知识和技能应用于新的、不熟悉的环境中。伦理思维：根据价值观和原则做出决策。适应能力：能够从经验中学习并适应变化。人工智能与人类智能的关系人工智能的特征人工智能旨在模仿或补充人类智能，并着重强调特定的技术优势：速度：在几分之一秒内完成复杂的计算。准确性：通过迭代数据处理减少误差。模式识别：分析大量数据以识别相关性。自动化：无需人工干预即可执行任务。专业化：针对特定任务进行优化，例如计算机视觉或自然语言处理。人类智能与人工智能的相似之处尽管存在差异，但这两种智能形式也具有一些共同特征：问题解决：两者都侧重于分析和解决问题，但方法不同。学习：人工智能通过数据和算法进行学习，而人类通过经验、训练和社会互动进行学习。模式识别：两者都能识别模式并将其用于预测或分析。人类智能与人工智能的区别主要区别在于它们的能力性质和局限性：创造力和创新：人类拥有深厚的创造力和想象力，而人工智能则完全基于数据创造新的解决方案。同理心和情感：人类智能与情感和社会理解力息息相关，这是人工智能无法完全模仿的。伦理与价值观：人类的决策基于伦理原则，而人工智能的运行则基于规则和程序。人类与人工智能人机协作人类与人工智能的协作在解决复杂问题方面具有显著优势：人工智能可以处理海量数据并提供准确的预测。人类提供背景信息、创造力和道德判断，这对最终决策至关重要。例如：医学诊断人工智能分析数千张医学图像以检测问题。医生会根据具体情况和患者的需求做出最终决定。这项合作将人工智能的准确性和速度与人类的判断和经验相结合，从而取得了最佳结果。案例研究：一家跨国家具零售公司的数字化客户服务挑战由于以下原因，该公司面临着改善客户服务体验的必要性：电子商务的扩张。数字交易量增加。在不降低服务质量的前提下，处理大量问题和请求。核心问题：人工智能如何在保持人性化元素的同时，提供更快、更准确、更个性化的服务？案例研究：一家跨国家具零售公司的数字化客户服务人工智能实施策略具备自然语言处理功能的数字助理开发数字客户助手Villy。了解并解答有关产品、库存和退货的常见问题。缩短响应时间，减少对人工立即干预的需求。大数据分析（大数据分析）数据分析）识别客户查询中的常见模式。需要对人工智能响应进行预测和优化。服务的动态适应和个性化。人类与人工智能的结合复杂或特殊请求将转交给人工客服处理。人工智能的作用是辅助工具，而不是替代品。优化资源配置，提升客户体验。案例研究：一家跨国家具零售公司的数字化客户服务结果查询响应时间缩短50%。通过个性化和更快捷的响应来提高客户满意度。基于查询分析数据的持续服务升级。减轻员工的工作量，使他们能够专注于更复杂、更具战略意义的互动。教育模块的自测题1.人工智能的主要目标是什么？○A.完全取代人类智能。○B.模仿并超越人类的认知功能。○C.为了提高计算机速度。○D.在无人干预的情况下分析数据。教育模块的自测题2.下列哪一项是人工智能发展史上的一个里程碑？○A.第一台数字计算机的诞生阿兰·图灵引入图灵测试图灵○C.互联网的