第五章 人工智能
5.1 AI发展历程
人工智能的定义
人工智能（Artificial Intelligence，AI）是研究如何使计算机模拟人类智能的学科，包括学习、推理、感知、理解语言等能力。
1956年 - AI诞生
达特茅斯会议召开，约翰·麦卡锡首次提出"人工智能"概念，AI作为独立学科正式诞生。
1966年 - 第一次低谷
机器翻译项目失败，美国政府削减AI研究经费，AI进入第一次寒冬。
1980年代 - 专家系统兴起
基于规则的专家系统在医疗、金融等领域取得成功，AI迎来第二次繁荣。
1997年 - 深蓝战胜卡斯帕罗夫
IBM深蓝计算机击败国际象棋世界冠军，标志着AI在特定领域超越人类。
2012年 - 深度学习革命
AlexNet在ImageNet竞赛中大幅领先，深度学习技术爆发，AI进入新纪元。
2016年 - AlphaGo战胜李世石
DeepMind的AlphaGo击败围棋世界冠军，AI在复杂策略游戏中超越人类。
2022年 - ChatGPT发布
OpenAI发布ChatGPT，生成式AI引爆全球，AI进入大模型时代。
AI的三次浪潮
- 符号主义AI（1950s-1980s）：基于逻辑推理和知识表示，如专家系统
- 统计机器学习（1990s-2010s）：基于数据统计学习，如SVM、随机森林
- 深度学习（2010s至今）：基于神经网络，如CNN、RNN、Transformer
5.2 机器学习原理
什么是机器学习？
机器学习（Machine Learning）是AI的一个分支，让计算机从数据中自动学习规律，而无需显式编程。
类比理解
传统编程：你教计算机规则 → 计算机执行
机器学习：你给计算机数据 → 计算机自己发现规则
机器学习的三大类型
监督学习
使用带标签的数据训练模型，如分类（垃圾邮件识别）和回归（房价预测）。
无监督学习
从无标签数据中发现隐藏结构，如聚类（客户分群）和降维。
强化学习
通过与环境交互获得奖励或惩罚，学习最优策略。
机器学习的工作流程
- 数据收集：获取训练数据
- 数据预处理：清洗、转换、特征工程
- 模型选择：选择合适的算法
- 训练模型：用训练数据调整模型参数
- 模型评估：用测试数据验证模型性能
- 模型部署：将模型应用到实际场景
前沿案例：GPT大模型
ChatGPT的技术原理
ChatGPT基于Transformer架构，通过海量文本数据预训练，学习语言的统计规律。它使用"自注意力机制"理解上下文关系，能够生成连贯、有意义的文本回复。
5.3 神经网络入门
生物神经元的启发
人工神经网络（Artificial Neural Network，ANN）受到生物神经系统的启发。人脑约有860亿个神经元，通过突触连接形成复杂的网络。
神经网络的基本结构
神经网络结构示意
深度学习的关键技术
- CNN（卷积神经网络）：擅长图像处理，用于人脸识别、医学影像分析
- RNN（循环神经网络）：擅长序列数据，用于语音识别、文本生成
- LSTM/GRU：RNN的改进版，解决长序列记忆问题
- Transformer：基于注意力机制，是GPT、BERT等大模型的基础
- GAN（生成对抗网络）：由生成器和判别器组成，用于图像生成
前沿案例：AI绘画
Stable Diffusion与Midjourney
2022年，AI绘画工具爆发。Stable Diffusion开源模型可以根据文字描述生成高质量图像，Midjourney则在艺术创作领域大放异彩。这些工具使用扩散模型（Diffusion Model），通过逐步去噪生成图像。
5.4 AI伦理与未来
AI伦理的核心问题
- 算法偏见：训练数据中的偏见会导致AI产生歧视性决策
- 隐私保护：AI需要大量数据，如何保护个人隐私？
- 就业影响：AI自动化可能替代部分工作岗位
- 责任归属：AI出错时，谁应该负责？
- 自主武器：是否应该开发AI控制的武器系统？
中国的AI治理
2023年，中国发布《生成式人工智能服务管理暂行办法》，成为全球首个针对生成式AI的专项法规，要求AI服务提供者遵守法律法规、尊重社会公德。
AI的未来趋势
- 通用人工智能（AGI）：能够像人类一样处理各种任务的AI
- 多模态AI：同时处理文本、图像、音频、视频
- AI Agent：能够自主决策和执行任务的智能体
- 脑机接口：直接连接大脑和计算机
- 量子计算+AI：用量子计算加速AI训练
思考
当AI能够写出优秀的文章、画出精美的画作、甚至编写程序时，人类的独特价值在哪里？我们应该如何与AI共存？
互动实验：AI对话体验
体验简单的规则型对话系统（模拟）：
互动实验：图像识别模拟
点击下方的图像，模拟AI识别过程：