目录
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）：
收集信息（输入）： 今天 [饿=1, 钱=0.5, 朋友=0, 天气=1]。
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]。
算总分（求和）：
(1x5) + (0.5x3) + (0x2) + (1x0.5) = 7。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！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~~~