人工智能素养导论-第4章 人工智能的发展

人工智能素养导论暨南大学第4章

人工智能的发展目录01人工智能的概念与功能02人工智能的主流学派03人工智能的发展历程章节导图4.1基本概念人工智能迈向实际应用发展阶段：随着算法优化、数据资源积累与计算能力的显著提升，人工智能已从实验室理论研究阶段迈向大规模实际应用。历史定位：人工智能已成为驱动新一轮科技革命与产业转型的关键力量。

应用渗透：人工智能正以前所未有的速度渗透至智能推荐、语音识别到自动驾驶与智能制造等各领域。4.1.1基本概念什么是人工智能(AI)基本定义：人工智能(ArtificialIntelligence,AI)指通过人工方法在机器（尤其是计算机）上实现的智能，即赋予机器类人的智能。

学科性质：作为一门前沿交叉学科，融合了计算机科学、数学、心理学、语言学、哲学、认知科学等多学科知识。

系统功能：专注于研制智能机器或系统，以模拟人类智能活动，进而延伸人类智能。4.1.1基本概念AI的长远研究目标核心愿景：致力于设计与构建能够类人思考的智能机器或系统。能力模拟：使其胜任感知、学习、联想、推理等任务。社会价值：辅助人类解决复杂问题，替代部分思维劳动，最终推动智能化社会的实现，提升人类生活品质。4.1.1基本概念AI的近期研究目标方法探索：聚焦于探索使计算机更智能化的方法，在特定方面或一定程度上模拟人类智能工具开发：针对具体应用领域开发辅助性智能工具。交互赋能：赋予计算机听、说、读、写等感知与交互功能，以协助人类解决问题4.1.2常见分类人工智能常见分类标准人工智能通常依据智能水平进行分类，主要划分为三类。分类一分类二分类三弱人工智能强人工智能（通用人工智能）超人工智能4.1.2常见分类弱人工智能能力范围：具备解决特定问题的能力，但缺乏普适性的认知功能，也不具备意识或类人思维能力。应用专长：系统专精于执行单一任务，例如语音助手（如Siri）及人脸识别系统等。4.1.2常见分类弱人工智能的现状与局限应用占比：根据斯坦福大学发布的《2023年人工智能指数报告》，全球约98%的人工智能应用均属于弱人工智能范畴。

核心局限：其核心局限在于无法实现跨领域的能力迁移。4.1.2常见分类通用人工智能(AGI)概念界定：亦称强人工智能或人类水平智能，系指一种在所有认知任务中能够达到或超越人类能力的智能形态（理论目标）。

核心目标：在于模拟人类的认知功能，包括自主推理与情感理解等方面。Gemini4.1.2常见分类AGI的跨领域能力认知迁移：拥有与人类相仿的跨领域认知能力，能够以类似人类的方式学习、推理并适应多样化的任务场景。多任务处理：可同时执行数据分析、语言理解及策略规划等任务。

进化限制：其自我进化能力有限，仍需在人类设定的框架内进行优化。4.1.2常见分类超人工智能(ASI)理论起源：由牛津大学哲学家尼克·波斯特洛姆(NickBostrom)于《超级智能》一书中首次提出。

发展预期：此类人工智能有望在所有领域超越人类，然而，相关技术目前仍局限于科幻与哲学探讨范畴。尼克·波斯特洛姆4.1.2常见分类ASI的核心优势智力压制：不仅在智力水平上显著超越人类，更在自主学习、创新能力及问题解决能力方面展现出前所未有的优势。

自我进化：具备无监督自我进化能力，能够突破人类知识边界，通过递归算法实现自身能力的指数级提升。

4.1.3当今AI的主要功能AI五大核心功能总览执行功能：自动控制与执行感知功能：智能识别与感知分析功能：数据分析与预测决策功能：智能决策与交互创作功能：内容生成与创作4.1.3当今AI的主要功能智能识别与感知功能定位：智能识别与感知是人工智能最为基础且关键的能力之一。

技术支撑：通过深度学习、计算机视觉、语音识别及自然语言处理等技术实现。

信息处理：能够对图像、音频、文本等多模态信息进行精确识别与解析。4.1.3当今AI的主要功能智能感知应用：动态环境感知自动驾驶：通过集成摄像头、雷达、激光雷达等传感器，系统可检测道路中的行人、车辆及交通信号并执行指令。

工业制造：AI驱动的机器人可完成精密零件的抓取与装配。

物流仓储：能实现货物的快速分拣与搬运，提升效率并保障安全。4.1.3当今AI的主要功能数据分析与预测数据挑战：在大数据时代，海量数据的处理与分析构成严峻挑战，AI可高效挖掘价值信息。

角色定位：人工智能可扮演“超级分析师”的角色，快速处理巨量信息并识别潜藏规律。行业应用:在金融方面，解析每日海量交易数据，预测股票市场走势。在医疗分析患者电子病历与基因组数据等。importpandasaspdfromsklearn.linear_modelimportLinearRegressionfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportmean_squared_error

#加载与预处理数据data=pd.read_csv('data.csv').dropna()X=data.drop('target',axis=1)y=data['target']

#划分训练与测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)

#模型训练与验证model=LinearRegression()model.fit(X_train,y_train)y_pred=model.predict(X_test)print("MSE:",mean_squared_error(y_test,y_pred))4.1.3当今AI的主要功能基于数据的智能决策技术基础：建立在对海量数据的深度挖掘与概率建模基础之上。

策略优化：基于机器学习、概率模型及优化算法，实现结果预测与最优策略选取。

自我进化：能在复杂的博弈环境中进行自我对弈与策略迭代，不断优化决策质量。决策树图例4.1.3当今AI的主要功能人机自然交互沟通进化：借助自然语言处理技术，实现了人机之间的自然沟通。深度理解：基于深度学习模型，系统能够完成语义理解、多轮对话与情境推理。

共情交互：大模型不仅能解析表层含义，还能捕捉上下文语境、情感倾向乃至幽默元素，实现近似共情的对话。与DeepSeek聊天哄自己4.1.3当今AI的主要功能内容生成与创作逻辑审美：AI能够模拟人类创作过程，从“理解”到“生成”具备逻辑组织与审美呈现能力。

广泛应用：技术已广泛渗透到文本、图像、音频、视频等多种媒介形式的生产流程中。利用千问生成图片4.1.3当今AI的主要功能自动控制与执行脱离预设：使机器系统能够自主完成物理世界中的复杂任务，而不必依赖人为的精确指令。自主决策：智能化核心在于“自主性”，能根据感知输入、历史经验和策略规划，自动做出最优或逼近最优的操作决策。

强化学习：强化学习等方法赋能自主能力，使系统在动态、未知环境中不断学习与调整执行策略。利用智能体自动装claudecode4.1.3当今AI的主要功能更多AI的创新应用场景4.2人工智能的主流学派人工智能的主流学派技术本质：人工智能并非“投入多少人工，就有多少智能”的线性关系，而是通过算法与数据实现智能化决策。

成本与边界：算法开发与计算成本较高，多数智能依赖大规模数据计算，并非解决所有问题的最优解。

三大流派：主要有三大流派包括符号主义、连接主义和行为主义。4.2.1符号主义符号主义核心思想历史地位：符号主义也被称为逻辑主义，是最早的人工智能研究方向。

核心假设：智能是基于符号处理和逻辑推理的。

解决路径：认为世界可被分解成一系列符号，通过逻辑规则和算法理解和解决复杂问题（如解数学题）。代表人物：Newell和Simon4.2.1符号主义符号主义典型代表：专家系统知识存储：专家系统汇集大量知识，并以规则形式存储。

推理机制：当输入问题时，系统应用规则进行推理，最终生成解决方案。

虚拟专家：类似于一个虚拟专家，通过逻辑分析提供专业建议。4.2.2连接主义连接主义核心思想灵感来源：也称仿生学派，受人脑神经元网络启发。

网络构建：认为智能源于大量简单单元（类似神经元）的相互连接和互动，使用人工神经网络模仿这一过程。

核心特征：通过调整网络中的权重让网络学习和识别模式，主张模拟人脑设计，擅长处理非线性问题4.2.2连接主义连接主义典型代表：深度学习技术构成：包括生成图像视频的卷积网络、处理时序数据的循环神经网络与多头自注意力机制等。

图像识别：深度神经网络通过多层学习，能从原始图像中自动提取特征，达到识别分类目的。4.2.3行为主义行为主义核心思想理论基础：摒弃了复杂的内部世界模型和符号运算。

智能本质：认为智能的本质源于智能体与环境的实时、动态交互。

核心逻辑：关注智能体如何通过与环境的实时交互来实现学习与适应。4.2.3行为主义感知-动作闭环机制反馈循环：智能系统集成基础的“感知-动作”闭环反馈循环机制，通过传感器实时捕获变化并生成响应。

试错学习：在未知环境中不依赖预设地图，通过持续试错与学习，依据反馈实时调整行动策略。

应用前沿：涵盖传统工业机器人、移动机器人、机器狗、无人机，以及具身智能。一个基于感知-动作模式模拟昆虫行为的控制系统。4.2.3行为主义人工智能三大流派对比

符号主义连接主义行为主义核心用规则和逻辑解决问题，像做数学题一样模仿大脑，用大量“神经元”学习通过试错学习，像玩游戏一样例子专家系统（如用规则诊断疾病）、知识表示、逻辑推理人工神经网络、深度学习（如人脸识别）强化学习（如训练机器人走路）、自适应控制特点讲道理、好理解，但不够灵活擅长处理复杂问题，但像黑盒子，不好解释适合动态环境，但训练慢、不稳定4.2.3行为主义其他影响力流派：贝叶斯学派与进化学派贝叶斯学派(Bayesians)：以概率推理为核心，利用概率图模型和蒙特卡罗方法处理不确定性，可解释性强。

进化学派(Evolutionists)：受达尔文启发，采用遗传算法、群体智能模拟自然选择，通过迭代优化解决复杂问题（如参数优化）。贝叶斯网络图4.2.3行为主义其他影响力流派：核方法学派与模糊逻辑学派核方法学派(KernelConservatives)：以SVM为代表，通过核技巧将非线性问题转化为线性空间处理，数学严谨。

模糊逻辑学派(FuzzyLogicians)：用模糊集合和模糊规则处理不精确概念，曾用于控制系统设计。SVM划分超平面4.2.3行为主义人工智能的五大流派汇总流派核心思想主要方法/技术代表人物与代表作1.符号主义智能源于对符号的逻辑推理与操作。专家系统、知识图谱、逻辑编程。代表人物：约翰·麦卡锡、马文·明斯基、赫伯特·西蒙代表作：逻辑理论家、DENDRAL、“深蓝”、Siri等语音助手2.连接主义智能源于对人脑神经网络的模拟。深度学习、人工神经网络、大语言模型。代表人物：杰弗里·辛顿、约书亚·本吉奥、杨立昆代表作：MP模型、反向传播算法(BP)、AlexNet、ChatGPT等生成式AI3.行为主义智能源于与环境的感知-行动交互。机器人学、强化学习。代表人物：罗德尼·布鲁克斯代表作：六足机器人Genghis、仿人机器人COG、Roomba、波士顿动力机器人4.贝叶斯派智能源于对不确定性的概率推理。贝叶斯网络、概率图模型、朴素贝叶斯分类器。代表人物：朱迪亚·珀尔、大卫·海克曼、迈克尔·乔丹代表作：垃圾邮件过滤器、各种风险预测模型5.类比主义智能可以通过类比和相似性来实现。最近邻算法、支持向量机4.3人工智能的发展历程发展历程与深度学习时代4.3.1起源时期起源时期(1940s-1950s)科学基础图灵机模型：1936年图灵提出图灵机模型，为计算机逻辑运算奠定理论框架。神经元模型：1943年麦卡洛克和皮茨提出人工神经元模型，首次尝试模拟人脑神经网络。现代计算机：1945年冯·诺依曼架构确立现代计算机设计原则，1946年ENIAC诞生。图灵冯诺依曼4.3.1起源时期图灵测试与达特茅斯会议图灵测试：1950年图灵提出“图灵测试”探讨机器具备人类思维的可能性。神经网络计算机：1950年，马文·明斯基和DeanEdmonds在哈佛大学建造了首个神经网络计算机SNARC。达特茅斯会议：1956年，麦卡锡、明斯基等在达特茅斯学院组织研讨会，正式提出“人工智能”术语，标志领域诞生。参加达特茅斯会议的部分重量级人物4.3.2启蒙时期启蒙时期早期(1950s-1960s)逻辑理论机：1957年纽厄尔与西蒙开发逻辑理论机(LT)，首次通过程序实现数学定理证明。

机器学习先驱：1956年塞缪尔开发的自学习跳棋程序成功击败人类选手。

知识工程先河：1965年费根鲍姆开发的专家系统DENDRAL利用化学规则推断分子结构。塞缪尔在IBM701上向公众展示计算机“跳棋”4.3.2启蒙时期早期热情与宏伟期望(1952-1969)核心聚焦：主要聚焦于对人类智能具有标志性意义的任务，如博弈、数学定理证明以及智商测试。

物理符号假说：提出“物理符号系统假说”，即任何智能行为均须依赖于符号操作。

知识与逻辑：麦卡锡提出Lisp语言及顾问系统，强调知识表示与逻辑推理的核心地位。Lisp的“通用表示法”举例4.3.2启蒙时期现实的冲击与第一次寒冬(1966-1973)局限凸显：对人工规则过度依赖、缺乏鲁棒性，以及对计算复杂度的低估。

理论瓶颈：基于简单感知器的神经网络被证实无法有效处理异或问题。

资助终止：1973年《莱特希尔报告》批评未实现承诺，政府资助终止，引发第一次寒冬。4.3.2启蒙时期专家系统的兴起(1973-1986)专用推理：专家系统凭借领域专用知识实现高效推理，成为80年代主流3。

医疗诊断系统：MYCIN系统通过规则实现血液感染诊断，引入“置信度因子”处理不确定性。

商业应用标志：为DEC开发的系统配置专家系统XCON，节约了人力资源，标志进入商业应用。专家系统结构图4.3.2启蒙时期专家系统的缺陷与第二次寒冬维护成本高：开发与维护高度依赖规模庞大的人工规则库，更新扩展成本高昂。

无自主学习：缺乏自主学习能力，仅能依据预设规则运行，无法从新增数据中优化。

步入低谷：受局限性制约未实现普及，人工智能研究步入第二次低谷期。4.3.3复兴时期复兴时期与连接主义回归(1990s-2010s)连接主义兴起：基于规则系统的脆弱性引发反思，连接主义随之兴起。

算法突破：1986年反向传播算法使多层神经网络训练成为可能，推动连接主义复兴。

数据驱动：连接主义强调数据驱动学习范式而非符号推理，为深度学习奠定基础。

4.3.3复兴时期概率推理与统计机器学习（1987年至今）增强鲁棒性：概率理论（如贝叶斯网络）与机器学习（如隐马尔可夫模型）的引入增强了系统鲁棒性。

动态推理：强化学习与马尔可夫结合，使智能体能够在动态环境中进行序贯决策与推理。

实用化进程：统计学习方法与大规模数据结合，推动了语音识别和计算机视觉的实用化。4.3.3复兴时期大数据时代的到来(2001年至今)数据爆发：互联网的普及与计算能力的爆炸式增长共同催生了“大数据”时代。

超越人类：大型数据集与深度学习算法结合，使计算机视觉、语音识别表现超越人类。

公众破圈：2011年IBMWatson系统在《危险边缘》击败人类冠军，重燃公众兴趣。4.3.4深度学习与大模型时代深度学习时代(2011年至今)范式转型：是从“符号规则驱动”向“数据驱动”范式的系统性转型。

特征提取：依托多层神经网络架构，实现了复杂数据自动特征提取与端到端学习。

硬件赋能：依赖高性能硬件(如GPU)与海量数据支撑，演变为现代AI核心技术。多GPU训练4.3.4深度学习与大模型时代大模型时代(2020年至今)通用范式跃迁：从“专用算法”向“大规模预训练通用模型”范式跃迁。

核心特征：参数规模爆炸式增长、多模态能力深度融合。

技术架构：以Transformer架构为基础，构建百亿级参数模型（如GPT、通义千问）。国产大模型千问4.3.4深度学习与大模型时代涌现能力与预训练范式知识泛化：实现跨领域知识泛化与“涌现能力”，能在未专门编程下通过自然语言生成代码。

开发模式：遵循“预训练+微调”范式，先学习通用知识，再针对特定任务微调。

应用爆发：大幅降低定制化开发成本，催生自然语言编程、脑机协作等新型交互模式。4.3.4深度学习与大模型时代规模定律(ScalingLaw)的技术拐点历史必然：大模型时代是早期符号主义向连接主义深度学习演进的必然产物。

量变到质变：2020年后，参数规模的“规模定律”催生了技术拐点。

核心要素：当模型参数达到一定规模（如GPT-3的1750亿参数），配合高效训练框架与数据时产生质变。4.4本章小节

02三大主流学派：符号主义、连接主义和行为主义构成了人工智能发展的底层逻辑。掌握各自的灵感来源、核心假设以及典型代表技术。

03理解当今AI的五大功能：智能识别与感知、数据分析与预测、智能决策与交互、内容生成与创作、自动控制与执行。01AI的三大分类：明确界定弱人工智能（ANI）、强人工智能（AGI）和超人工智能（ASI）的核心标准。重点记住：当前全球约98%的应用都属于只能解决特定问题的“弱人工智能”。

04理解发展历程的四大阶段：从起源时期、启蒙时期、复兴时期到深度学习与大模型时代的演进脉络。谢谢！1.在人工智能相关理论体系中,关于人工智能概念的准确描述应为(),即用人工方法在机器上实现智能,并研究如何构造智能系统。用人工的方法在机器(计算机)上实现的智能,是研究构造智能机器或实现机器智能的学科A仅从计算机应用系统角度出发,研究如何制造出人造的智能机器或智能系统B只涉及计算机科学的一门学科C主要是让机器具有情感和意识的技术D提交单选题1分2.在人工智能发展目标讨论中,强人工智能强调“像人一样真正理解和思考”,其最终目标是实现(),即具备跨领域的认知能力,包括自主推理和情感理解。解决一个特定问题A在所有领域超越人类B模拟人类认知能力,包括自主推理和情感理解等,具备跨领域认知能力C仅用于数据分析D提交单选题1分单选题1分3.手机中广泛应用的人脸识别功能主要体现了人工智能的()功能,即通过视觉感知技术识别个体身份。智能识别与感知A数据分析与预测B智能化决策判断C创新与应用拓展D提交单选题1分4.在智能物流体系中,AI能够综合评估路况、仓储与负载信息并实时调整配送策略,这体现了人工智能的()功能,即基于动态环境做出最优决策。智能识别与感知功能A数据分析与预测功能B智能化决策判断功能C创新与应用拓展功能D提交单选题1分5.自动驾驶汽车通过传感器感知环境并做出驾驶决策,这一过程首先体现了人工智能的()功能,即从传感器数据中识别和感知周围物体。数据分析与预测功能A智能化决策判断功能B智能识别与感知功能C创新与应用拓展功能D提交单选题1分6.基于自然语言处理的AI客服系统能够快速识别用户需求并生成解决方案,这体现了人工智能的()功能,即通过智能化决策来响应客户并解决问题。智能化决策判断功能A智能识别与感知功能B数据分析与预测功能C创新与应用拓展功能D提交单选题1分7.在人工智能三大学派中,连接主义的典型应用实例是(),它通过模拟神经网络结构从数据中学习规律。专家系统A深度学习B强化学习C知识表示D提交单选题1分8.在人工智能研究方法中,符号主义方法的主要缺点在于(),即难以处理未知情况且依赖人工构建的知识库,泛化能力有限。泛化能力不足,依赖知识图谱和知识库A像黑盒子,不好解释B训练慢、不稳定C计算代价高D提交单选题1分9.在人工智能三大研究范式中,行为主义学派的主要特点是(),即适合动态环境,但训练过程可能不稳定且收敛速度慢。讲道理、好理解,但不够灵活A擅长处理复杂问题,但像黑盒子,不好解释B适合动态环境,但训练慢、不稳定C可解释性强,能处理不确定性D提交单选题1分10.受达尔文进化论启发,采用遗传算法等进化计算方法模拟自然选择的学派是(),它通过种群演化求解优化问题。进化学派A核保守派B模糊逻辑学派C贝叶斯学派D提交单选题1分11.主张用模糊集合和模糊规则处理现实中不精确概