知海寻津 | 从Deepseek到秧BOT：人工智能知多少
开源推理大模型Deepseek-R1
亮相春晚扭秧歌的宇树H1机器人
这些AI小伙伴于开年之际
就在朋友圈狠狠刷了一波存在感
你一定会好奇
AI们究竟是如何成长学习的呢？
我们一起来看看吧~
（图源：微博@包容万物恒河水）
人工智能（Artificial Intelligence，简称AI）是什么？
“在狭义上，人工智能可以认为是用机器来模仿人类的智能。在广义上，则可以视为对一切拥有智能行为的生命的模仿和学习。”
——《人工智能极简史》张军平
AI有哪些“成长”秘诀？
数据：就像人类通过观察和经验学习，AI需要“消化”大量的数据（文字、图片、音频等）来训练自己。
算法：这是一套预设的数学规则，指导AI如何从数据中提取模式。比如“如何识别一张图片里的猫”。
算力：在计算机这个“健身房”里，AI可以训练快速处理数据、实现复杂运算的能力。
（图源：pixabay）
AI的能力水平如何？
专用人工智能（Artificial Narrow Intelligence，简称ANI）：为特定领域或问题而设计，专注于单一任务，如语音识别、图像识别、下棋、翻译等。
通用人工智能（Artificial General Intelligence，简称AGI）：可灵活处理人类能完成的任何智力任务的“全能选手”，目前尚未实现。
AI是怎么发展起来的？
一、萌芽期
提及人工智能，就不得不追溯到1936年提出“图灵机”这一概念的计算机科学之父、英国科学家艾伦·图灵。1950年，他在期刊《心智》上发表论文《计算机器与智能》，这被认为是人工智能领域的开山之作。其中，他首次提出著名的“图灵测试”：若测试者无法分辨其交流对象是人还是机器，这台机器就被视为通过了测试，拥有了人类的智能。
二、初创期
1956年的达特茅斯会议，可视为人工智能启航的原点。自此，“人工智能”被正式命名，登上人类历史舞台，并引发了研究热潮。人工智能界在定理证明、棋类博弈、感知机、人机互动及通用移动机器人等方面获得不错的进展，早期人工智能的重要假设——物理符号系统假设也应运而生。但人们逐渐发现，算法在实验室预先设计好的简化问题上表现尚可，而在面对组合量数量级过大的“组合爆炸”问题时难以取得突破，加之算力不足、数据收集有限等原因，人工智能发展未能迅速实现预期目标。20世纪70年代，英国专家在评估报告中对人工智能发展前景持悲观态度，人工智能研究第一次陷入低谷。这一时期，相关研究仍在继续，基于符号主义、模拟专家决策过程的专家系统得到发展，在辅助医疗诊断、化学研究等方面较为成功，并孕育出知识工程这一分支研究方向。
三、成长期
20世纪80年代，人工智能迎来了第二次复兴。专家系统被应用于多个行业。新型训练方法突破了感知机的局限，激活了神经网络研究，使之成为人工智能领域的主力军。以统计学习为核心、以应用为驱动的机器学习，一度成为当时主要的研究与发展方向。90年代后期开始，人工智能创新迭出。1997年，IBM研发的超级计算机“深蓝”击败国际象棋冠军卡斯帕罗夫，在克服“组合爆炸”问题上更进一步。2006年，辛顿提出“深度学习”概念，并构建深度学习网络模型，为神经网络的复兴提供了理论支持。2009年，第一个真正意义上的大规模图像数据集ImageNet发布，之后被广泛运用于深度学习算法的训练。
（图源：pixabay）
四、第三次热潮
2010年左右，科研人员开始以形成更多可落地的科研成果为目标，在世界范围内掀起全方面的人工智能热潮。2012年，AlexNet深度模型在图像识别中大幅领先传统算法，深度学习崛起，成为主流技术。此后，无人驾驶汽车、谷歌AI系统阿尔法狗、波士顿动力公司研发的机器人系列、生成对抗网络、知识图谱等也成绩瞩目。2017年，Transformer架构问世，奠定了大模型的基础。除了大语言模型GPT系列的文本生成，生成式大模型往多模态方向发展，出现DALL-E、Stable Diffusion、Midjourney等图像生成模型、Suno音乐生成模型、Sora视频生成模型等，可处理图像、音频、视频等多种媒体形式。
机器大脑是如何运转的？
（图源：pixabay）
机器学习：让机器开始自我学习的方法。一个系统可以从数据或环境中改进其性能，通过执行某种过程在经验中学习。机器学习使AI可以进行预测、分类、推荐等。
学习方式
l 监督学习：使用标记的数据训练模型，像老师带学生做题，每个训练示例都是一个输入数据和一个标准答案。应用于垃圾邮件识别、文本挖掘等。
l 无监督学习：使用没有标注的数据进行学习，就像无导师模式，让AI自己发现数据中的规律。应用于异常检测、市场细分等。
l 强化学习：根据环境反馈，调整动作以获得奖励，在试错中学习回报最大化的决策。应用于机器人控制、自动驾驶等。（Deepseek-R1就是主要依靠强化学习训练“自学成才”的哦~）
（图源：小红书@滚筒复读机）
人工神经网络：模仿人脑神经元结构的机器学习方法，由输入层、一或两个隐藏层（每层有许多神经元组成进行计算）、输出层构成。
人脑神经元基本结构：
l 树突（输入端）：接收其他神经元传入信息。
l 细胞核：加工处理信息。
l 轴突：传送信息到神经元的输出部分。
l 突触（输出端）：将信息输送到其他神经元。
人工神经网络和人脑的功能类比：
深度学习：建立多层神经网络，使用更多隐藏层，模拟人脑进行学习和推理。应用于图像识别、语音识别、自然语言处理等。
（图源：unsplash）
延伸阅读
《人工智能极简史》
作者：张军平
索书号：TP18/584
《人工智能极简史》无公式与代码，以文字和漫画形式来讲述人工智能发展过程中的人物、技术与轶事，以及科研一线人员对人工智能近年来研究思路上的思考，和对未来人工智能发展的研判。全书内容简洁严谨且通俗易懂，兼具趣味性和故事性，是一本适合人工智能爱好者及科研工作者入门的科普读物。
《走进人工智能》
作者：吴飞
索书号：TP18-49/94
