主题
AI 概论
人工智能（AI）是计算机科学的一个分支，致力于创造能够模拟人类智能的系统。
AI 的发展历程
1950s 图灵测试提出
↓
1956 达特茅斯会议，"人工智能"一词诞生
↓
1970s 第一次 AI 寒冬（预期过高，成果有限）
↓
1980s 专家系统兴起
↓
1990s 第二次 AI 寒冬
↓
1997 Deep Blue 击败国际象棋冠军
↓
2012 AlexNet（深度学习突破）
↓
2016 AlphaGo 击败围棋冠军
↓
2022 ChatGPT 发布（AI 进入大众视野）
↓
2024~ AI Agent、多模态、推理模型AI 的层次
┌─────────────────────────────────────┐
│ 超级智能 AI（尚未实现） │
│ 在所有领域超越人类 │
├─────────────────────────────────────┤
│ 通用 AI / AGI（尚未实现） │
│ 像人类一样，能做任何智力任务 │
├─────────────────────────────────────┤
│ 窄领域 AI（当前水平） │
│ 在特定任务上达到或超越人类 │
│ 例：图像识别、语音识别、下棋 │
└─────────────────────────────────────┘AI 的主要分支
1. 机器学习（ML）
让机器从数据中学习，而不是手写规则：
传统编程：
规则 + 数据 → 程序 → 结果
机器学习：
数据 + 结果 → 程序学习 → 得到规则2. 深度学习（DL）
使用神经网络（尤其是深层神经网络）的机器学习：
- 图像识别（CNN）
- 自然语言处理（Transformer）
- 语音识别（RNN/Transformer）
3. 强化学习（RL）
通过"试错+奖励"学习：
AlphaGo、游戏 AI、机器人控制4. 自然语言处理（NLP）
让机器理解和生成人类语言：
ChatGPT、翻译、摘要、情感分析5. 计算机视觉（CV）
让机器"看懂"图像和视频：
人脸识别、自动驾驶、医学影像分析当前 AI 的能力边界
AI 擅长的事
- 模式识别（图像、语音、文本）
- 海量数据处理
- 重复性任务
- 下棋、游戏（规则明确的场景）
AI 不擅长的事
- 常识推理
- 创造性突破（目前还在模仿阶段）
- 物理世界理解
- 真正的"理解"（目前是统计关联，不是因果）
AI 对社会的影响
积极
- 提升生产力（自动化）
- 医疗诊断辅助
- 个性化教育
- 科学研究加速
挑战
- 就业结构变化
- 隐私问题
- 算法偏见
- 深度伪造（Deepfake）
如何入门 AI
第 1 步：学基础数学
- 线性代数（矩阵、向量）
- 概率统计
- 微积分（梯度、导数）
第 2 步：学编程
- Python（AI 领域首选语言）
- 常用库：NumPy、Pandas
第 3 步：学机器学习
- 吴恩达《机器学习》课程
- Scikit-learn 实践
第 4 步：深入某个方向
- NLP → 学 Transformer、LLM
- CV → 学 CNN、目标检测
- 或者直接学 LLM 应用（门槛更低）