人工智能
概述
人工智能（Artificial Intelligence, AI）是设计计算机系统以模仿人类智能行为的技术领域。该领域始于1956年的达特茅斯会议，早期专注于符号处理和基于逻辑的系统，但进入21世纪后，随着机器学习和深度学习的发展而迅速成长。如今，AI在语音识别、图像分析、自然语言处理、自动驾驶等多个领域展现出补充或超越人类能力的成果，并深入渗透到各行各业和日常生活中。
主要内容
历史发展
AI的历史大致可分为三个时期。第一个是1950~1970年代的“早期AI热潮”，出现了国际象棋程序等专家系统，但因遇到瓶颈而迎来了“AI寒冬”。第二个是1980~1990年代的“基于知识的系统”时期，专家系统在商业上取得了成功，但难以应对复杂的现实问题。第三个是2000年代以后的“机器学习革命”，大数据和GPU计算的发展使深度学习成为可能。以2012年AlexNet在ImageNet竞赛中获胜为起点，AI开始了爆发式增长。
核心技术
AI的核心技术大致可分为三类。第一，机器学习（Machine Learning）是从数据中学习模式以进行预测或决策的技术，分为监督学习、无监督学习和强化学习。第二，深度学习（Deep Learning）是通过堆叠多层人工神经网络来学习复杂模式的方法，其中CNN（卷积神经网络）用于图像处理，RNN（循环神经网络）用于序列数据，Transformer（变换器）在自然语言处理中引领了创新。第三，自然语言处理（NLP）是理解和生成人类语言的技术，以GPT（生成式预训练变换器）系列等大规模语言模型（LLM）为代表。
应用领域
AI在多个行业中得到应用。在医疗领域，AI用于医学影像分析、新药研发和个性化治疗方案制定。例如，谷歌的DeepMind通过解决蛋白质结构预测问题的AlphaFold（阿尔法折叠）引发了生物学研究的革命。在金融领域，AI应用于欺诈检测、算法交易和信用评估。自动驾驶汽车结合计算机视觉和强化学习来识别道路环境并做出驾驶决策。此外，聊天机器人和虚拟助手（例如Siri、Alexa）提高了AI在日常生活中的可及性。
伦理考量
AI的发展伴随着伦理问题。第一，偏见（Bias）问题：训练数据中固有的社会偏见可能反映在AI模型中，从而加剧歧视。例如，有报道称招聘AI对特定性别或种族做出了不利评价。第二，隐私侵犯：AI通过收集和分析大规模个人数据而引发。第三，就业替代：自动化可能威胁某些职业。第四，责任归属问题：自主系统的错误或事故的法律责任由谁承担尚不明确。为解决这些问题，欧盟的AI法案（AI Act）等法规正在出台。
最新趋势
截至2024~2025年，AI领域呈现以下主要趋势。第一，生成式AI（Generative AI）的普及正在加速。OpenAI的GPT-4o、谷歌的Gemini（双子座）、Meta的Llama（拉马）等大规模语言模型正在增强统一生成文本、图像、语音和视频的多模态功能。第二，AI代理（Agent）概念兴起，从简单的响应生成转向开发代表用户执行任务的自主代理。例如，微软的Copilot和谷歌的Project Mariner可根据用户指令自动化复杂工作。第三，边缘AI（Edge AI）的扩展使得智能手机和物联网设备无需依赖云端即可进行AI推理。苹果的端侧AI和高通的NPU（神经网络处理单元）是典型代表。第四，关于AI安全性和监管的讨论日益活跃，美国和欧盟正在构建AI治理框架。2024年3月，欧洲议会通过了全球首部全面的AI法案，美国则通过行政命令制定了AI安全标准。第五，对可持续AI（Sustainable AI）的关注增加，正在研究轻量化技术和高效学习方法以减少大规模模型的能源消耗。
相关主题
- [[机器学习]]
- [[深度学习]]
- [[自然语言处理]]
- [[计算机视觉]]
- [[机器人学]]
- [[数据科学]]
- [[AI伦理]]
- [[强化学习]]
---
AI自动生成文档 · 社区共同改进