人工智能简介
了解人工智能的定义、发展脉络与核心技术，建立全局认知框架。
什么是人工智能
人工智能（Artificial Intelligence，简称 AI）是计算机科学的一个分支，旨在创建能够模拟、延伸和扩展人类智能的系统。这些系统可以学习、推理、感知环境并做出决策。
AI 的核心目标是让机器具备以下能力：
- 学习（Learning）：从数据中自动发现规律和模式
- 推理（Reasoning）：运用逻辑和知识解决问题
- 感知（Perception）：理解图像、语音、文本等信息
- 行动（Action）：在环境中执行有意义的操作
💡 小知识
图灵测试（1950）是判断机器是否具有智能的经典方法：如果人类评判者无法区分对话对象是机器还是人类，则认为该机器通过了测试。
发展历史
人工智能的发展经历了多次起伏，主要里程碑如下：
| 年代 | 事件 | 意义 |
|---|---|---|
| 1956 | 达特茅斯会议 | 「人工智能」一词正式诞生 |
| 1997 | 深蓝击败国际象棋冠军 | AI 在特定领域超越人类 |
| 2012 | AlexNet 赢得 ImageNet | 深度学习时代开启 |
| 2016 | AlphaGo 击败李世石 | 强化学习取得突破 |
| 2022 | ChatGPT 发布 | 大语言模型进入大众视野 |
| 2024+ | 多模态 AI 爆发 | 文本、图像、视频统一理解 |
AI 的分类
按能力等级
- 弱人工智能（ANI）：专注于特定任务，如语音识别、图像分类。当前所有商用 AI 均属此类。
- 强人工智能（AGI）：具备与人类相当的通用智能，能处理任何智力任务。尚在研究阶段。
- 超人工智能（ASI）：在所有领域超越人类智能。属于理论概念。
按技术路线
- 符号主义：基于逻辑规则和知识库，代表为专家系统
- 连接主义：基于神经网络，是当前主流方向
- 行为主义：基于智能体与环境的交互，代表为强化学习
核心技术
现代人工智能由以下几项核心技术支撑：
- 机器学习（ML）：让计算机从数据中自动学习，无需显式编程
- 深度学习（DL）：使用多层神经网络处理复杂数据
- 自然语言处理（NLP）：使计算机理解和生成人类语言
- 计算机视觉（CV）：使计算机「看懂」图像和视频
- 强化学习（RL）：通过试错和奖励机制学习最优策略
应用场景
AI 已渗透到各行各业：
- 医疗健康：医学影像诊断、药物研发、个性化治疗
- 金融科技：风险评估、欺诈检测、智能投顾
- 自动驾驶：环境感知、路径规划、决策控制
- 智能客服：对话机器人、情感分析、自动回复
- 内容创作：文本生成、图像创作、视频制作
- 工业制造：质量检测、预测性维护、供应链优化
AI 伦理与挑战
AI 的快速发展也带来了重要议题：
- 偏见与公平：训练数据中的偏见可能导致歧视性结果
- 隐私保护：大量个人数据的使用需要严格管控
- 就业影响：自动化可能替代部分工作岗位
- 安全风险：深度伪造、自主武器等带来新威胁
- 可解释性：「黑箱」模型难以解释决策原因
✅ 学习建议
完成本章后，建议继续学习机器学习基础，从算法层面深入理解 AI 的工作原理。