2.认识AI

目录

一.AI发展史

1.AI的含义

2.图灵测试

3.三个阶段

二.AI市场分布

1.三层

2.什么是"智能应用(智能体)"?


一.AI发展史

1.AI的含义

AI:人工智能(Artificial Intelligence),使机器能够像人类一样思考、学习和解决问题的技术。

2.图灵测试

图灵测试:被测试者有两个(人、机器),当测试者接收一条消息时,他需要判断这条消息是人还是机器发的,如果判断错了,说明他无法分清机器和人,此时就可以说机器有了人的智能。

3.三个阶段

  • 符号主义

缺点:复杂的事物,无法用符号描述(因为有的事物的特征有很多,无法用一个简单的符号描述清楚),符号主义注定无法实现真正的人工智能。


  • 连接主义

举例:

人通过眼睛看到一只猫,经过视网膜,把光信号转为电信号,在经过神经元的处理,最终我们得到结论:这是一只猫。

因此,我们如果想通过模拟人脑的方式,去实现人工智能,我们要做的第一步就是:先模拟一个神经元。

美国心理学家弗兰克·罗森布拉特 提出了著名的**"感知机模型"** ,用于模拟一个神经元,如下图:(注意:感知机模型是对神经元的抽象表示,不是一 一对应关系,没必要较真必须100%对应)


举例:我们要设计一个感知机模型,去识别一个香蕉。

通过输入8个特征,并给每个特征一个权重值(比如0和1),然后激活函数负责计算该事物与香蕉的相似度(具体就是与每个特征(的权重值)进行比较),输出最终的得分,去判断该事物是不是香蕉。

如果后续要用感知机模型去识别苹果,那我们只需要将8个特征的权重改成苹果的即可。


最后再了解感知机模型的几个专业术语:


举个生活的例子,解释一下**"输入"、"权重"、"激活函数"、"阈值"、"输出"**这五个名词:

整个流程串起来("吃货感知机"工作实录):

  1. 收集信息(输入): 今天 饿=1, 钱=0.5, 朋友=0, 天气=1。

  2. 凭良心掂量(加权): 我 最在乎饿 x5,也在乎钱 x3,讲点义气 x2,不太看天气 x0.5。

  3. 算总分(求和): (1x5) + (0.5x3) + (0x2) + (1x0.5) = 7。

  4. 动用性格(阈值+激活函数): 我是个爽快人(阈值=3),规则是"过3就去"。7 > 3 吗?是的!

  5. 拍板(输出): 1!出发吃烧烤!

此时,参数有两个:每个输入的权重、阈值(分数线,即:计算出的分数超过多少分就去吃烧烤)

  • 神经网络

经过上面,我们得知了感知机模型,可以用来处理简单的事情。同理,如果我们想要处理极其复杂的事情怎么办?那就多弄几个感知机模型,只要感知机模型足够多,理论上就能处理足够复杂的事情。经过这个思路,大名鼎鼎的"神经网络"就出来了:


思考一个问题:神经网络由无数个感知机模型(神经元)组成,那么就会有无数个参数(即:权重、阈值),那么这么多的参数需要我们手动设置吗?

答案:肯定不需要,真需要的话你也设置不过来。因为神经网络本质上就是一个数学模型, 将来是要通过代码(即:软件)实现的,这种情况下的软件(实现了数学模型(神经网络)的代码)非常特殊,会像人一样具备学习能力,我们可以准备好一些数据,交给这个软件,它就会自主的根据数据进行学习,在学习的过程中,会自动地设置好神经网络中的成千上万个参数。说到底,神经网络中的参数不是手动设置的,而是模型自主学习过程中自动设置好的。

注意:我们通常不把实现了数学模型(神经网络)的软件叫软件,而是叫"模型"。
补充:

有一家著名的公司叫"OpenAI" ,这个公司有个著名的模型叫"GPT"。

这个公司的gpt模型原本处理任务的效果并不好,研发人员就想着能不能给模型多加一些神经元(感知机模型)?然后他们就将模型的参数规模从10B(100亿)提升到100B(1000亿) , 然后gpt模型处理事情变得无比强大,连他们的开发人员都无法解释(可理解为大力出奇迹,量变产生了质变)。
综上,可总结两点:

①模型:实现了神经网络(本质是一个数学模型)的软件(代码)。

②大模型:把参数超过1000亿的模型叫做大模型。

二.AI市场分布

1.三层

2.什么是"智能应用(智能体)"?

普通老百姓(特别是爷爷、奶奶这种岁数大的群体),想要使用大模型(本质就是一个软件)怎么办?

答案:用不了,因为他们根本不懂代码。
那这种情况下,他们还想使用大模型怎么办?

答案:先使用传统软件(比如Java管理系统),再让传统软件去调用大模型。

此时传统软件+大模型,就叫智能应用(即:Agent,智能体)。

以上就是本篇文章的全部内容,喜欢的话可以留个免费的关注呦~~~

相关推荐
严肃小白兔10 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
谙弆悕博士3 天前
从“预测下一个词”到“预测世界下一状态”:世界模型是不是下一个AGI叙事?
人工智能·gpt·深度学习·神经网络·agi·jepa·genie 4
猿人谷4 天前
遗传编程的未来:从进化搜索到自主发现求解方法
人工智能·深度学习·神经网络·ai-native
在所不辞兄4 天前
【人工智能驱动的电催化研究-07】CSV文件、路径与可追溯记录
人工智能·深度学习·神经网络·机器学习·有限元·电化学·电催化
严肃小白兔5 天前
第 06/24 期:神经网络的反向传播算法:从链式法则到梯度计算
人工智能·神经网络·算法
在所不辞兄5 天前
为什么在新能源汽车电驱与热管理开发中,AI驱动的数字孪生和数据驱动仿真正在部分替代对物理台架与实车标定的依赖?
人工智能·深度学习·神经网络·算法·机器学习
IT古董6 天前
AI 资讯日报 | 2026年10月25日:Kimi K3.1 Pro开源逼近前沿,OpenAI改离线训练,Claude合并Cowork,神经网络黑箱获新解,具身智能竞技场落幕
人工智能·神经网络·开源
在所不辞兄7 天前
为什么在电池供电场景下,不能采用固定电压频率策略,而需要动态调整以最大化 Race-to-Sleep 收益?
人工智能·深度学习·神经网络·机器学习
BYSJMG7 天前
计算机毕业设计选题推荐|【基于深度学习的电梯电动车违规进入检测研究】YOLO26m+可视化大屏
人工智能·深度学习·神经网络·目标检测·机器学习·计算机视觉·课程设计
SJZR8 天前
图解循环神经网络(RNN)
人工智能·rnn·神经网络