AI 人工智能

更新: 2025/2/24 字数: 0 字 时长: 0 分钟

前言

在现代生活中，我们经常能听到一些高大上的专业名称和术语，例如“人工智能”、“机器学习”、“深度学习”等等。那么它们的应用又是什么？之间的关系是怎样的呢？接下来一一作答：

• 人工智能（Artificial Intelligence，简称 AI）是一个以计算机科学为基础，融合心理学、哲学等多学科，用于研究、模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

• 机器学习（Machine Learning，简称 ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。

• 深度学习（Deep Learning，简称 DL）是机器学习领域中一个新的研究方向，本质是学习样本数据的内在规律和表示层次，在学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

简单来讲，人工智能（AI）> 机器学习（ML）> 深度学习（DL）【包含机器视觉（CV）、自然语言处理（NLP）】。

建议

当下最火且在今后很长一段时间内都具有巨大发展潜力的一门学科“人工智能”。

发展历史

人工智能并不是一个新生的科学概念，在上古时代，东西方文明中都出现了人造人的神话，到了二十世纪 30 ~ 50 年代，由于神经生物学、计算机科学、数学等学科的发展，人工智能第一次进入了科学家的视野。

图灵测试

在 1950 年的时候，英国著名的计算机科学家图灵提出了一个问题：机器能够像人类一样思考吗？

针对这个问题，图灵提出了一种测试方法：让人通过文字和两个无法见面的物体进行提问交流，其中一个物体是人，而另一个物体是机器，看能不能通过一系列的提问和回答，让提问的人判断出回答的物体是机器还是人，这个就是”图灵测试“。如果说有超过 30% 的人无法区分回答的物体是机器还是人，就说明这个机器通过了图灵测试。

图灵测试每一年都会举行，在 2014 年的时候，终于有一台机器它骗过了 33% 的人，让别人相信它是一个 13 岁的小男孩，就算是通过了图灵测试。

提醒

计算机领域的最高奖项叫《图灵奖》，就是以“图灵”命名的。它被称之为计算机领域的诺贝尔奖。

AI的诞生

在 1956 年的时候，有两位计算机科学家，一个叫马文·明斯基，另一个叫约翰·麦卡锡，加上信息论的奠基者叫克劳德·香农，开了一场著名的达特茅斯会议。在这次会议上人们发明了一个词，人工智能（Artificial Intelligence，简称 AI）。

提醒

马文.明斯基、约翰.麦卡锡因为在人工智能领域的贡献获得了《图灵奖》，而香农不需要，因为香农的名字已经被用来命名通信领域的诺贝尔奖《香农奖》。

三涨两落

达特茅斯会议之后的几十年中，由于算法和算力的限制，人工智能经历了三涨两落：

现在我们是处于第三次大发展的时代，这个事件的起源是在 1997 年的时候，IBM 公司造了一个名叫“深蓝”的人工智能程序，战胜了 12 年的国际象棋冠军卡斯帕罗夫，因此再次掀起了人工智能浪潮。

和前两次浪潮不同的是，这次得益于最近几十年计算机科学以及各种算法的改进，尤其是在人工智能算法领域，涌现出许多的灵魂人物，比如：

• 杨立坤，美国纽约大学计算机科学家，他著名的贡献就是卷积神经网络（CNN）。
• 杰弗里·欣顿，加拿大多伦多大学计算机科学家，他著名的贡献就是将反向传播算法（BP）引入到人工智能当中。
• 约书亚·本吉奥，加拿大蒙特利尔大学计算机科学家。

提醒

由于杨立坤、杰弗里·欣顿、约书亚·本吉奥在人工智能领域都有突出贡献，他们三位共同获得了 2018 年的图灵奖。

三大要素

AI 人工智能的实现需要具备三大要素：数据、算法、算力。

数据

数据（Data），简单讲就是计算机训练的样本数据。俗话说“巧妇难为无米之炊”，如果我们不能给计算机大量的数据训练的话，计算机什么都识别不了。其实我们在生活当中都或多或少给人工智能提供过训练的样本数据，例如填写验证码，有的验证码是让你填写字母、数字，有的验证码是让你从一堆图片中选择符合描述的图片，这里网站就有可能利用你的数据进行人工智能训练。

算法

算法（Algorithm），简单讲就是解决问题的方法。对于同一个问题，使用不同的算法，最终得到的结果也许一样，但在过程中消耗的资源和时间却会有很大的区别。

算力

算力（computility），简单讲就是计算处理信息的能力。在人工智能训练的过程中会产生大量的运算，其实每一个运算并不复杂，就是运算的数据量特别的大，比如一张 800 $\times$ 600 的 RGB 彩色图就有 800 $\times$ 600 $\times$ 3（RGB 三通道）= 1440000 个像素点，如果我们使用 3 $\times$ 3 $\times$ 3 大小的卷积核去提取图中的信息，大概需要进行 1300 万次的乘法和 1200 万次的加法，虽然只是简单的加法和乘法，但它的运算次数特别多，而且这还仅仅是一个卷积核对一个简单图片进行处理。在实际的训练过程中，会有成千上万张图片进行成千上万次处理，所以这个运算量特别的大。这么大的运算量，用人脑来算显然不现实，那用什么来计算呢？答案就是“芯片”。

• CPU（Central Processing Unit，中央处理器）主要架构包括控制单元 Control，运算单元 ALU 和缓冲存储器 Cache 以及各个单元之间进行通信的总线。CPU 的特点是通用性强，各种不同的数据类型都能处理，但并行能力差，只能在计算完第一题后，才能计算第二题，在计算完第二题后，才能计算第三题，依次类推，不能同时计算多道题目。

• GPU（Graphics Processing Unit，图形处理器）主要架构包括大量的运算单元，控制单元和存储单元，主要用于图像数据的并行计算，把计算机中的图像投影到屏幕上，这个过程也叫“渲染”。GPU 的特点是专用性强，也就是只能进行简单的计算，并行能力强，可以同时进行大量计算，是一个面对类型高度统一的、相互无依赖的大规模数据计算环境。

• NPU（Neural Network Processing Unit，神经网络处理器），专用性和并行计算能力都比 GPU 要强，其众多的计算单元不仅可以并行计算，而且每一个计算单元还可以同时进行多个计算，是一种用于优化深度学习 AI 工作的特殊芯片。

应用场景

经过几十年的发展，人工智能已经有了长足的进步，现在的人工智能也早已融入我们生活的方方面面。在一些特定领域，人工智能甚至已经超过了人类。比如下面的应用：

• 现在很多公司都加装了人脸识别系统，它能够区分你是不是这个公司的员工。

• 在进行新冠肺炎筛查的时候，肺部影像 CT 是一个很重要的指标，人工智能就可以帮助医生快速判断这个人的肺部是不是感染了。

• 有人在路上开车被电子眼抓拍的时候，人工智能可以帮助我们识别车牌。

• 我们手机中的美颜软件，人工智能利用各种算法提高我们的颜值。

• 自动驾驶、智慧工业、短视频平台的推荐系统、邮件系统中的反垃圾系统、各种的语音助手、智能音箱都用到了人工智能的原理。