人工智能基础
欢迎来到人工智能的世界！在这个章节，我们将剥开AI神秘的外衣，用最通俗的语言了解它是如何诞生的，它的大脑（核心技术）是如何运作的，以及它是如何悄无声息地改变我们的医疗、教育、金融和日常生活的。
人工智能：从“菁英游戏”到“人民战争”
在开始枯燥的理论学习前，让我们先通过一段视频，直观感受人工智能是如何从实验室里科学家们的“专属玩具”，一步步发展成为如今人人都可使用、深刻影响社会的“基础设施”的。
- 点击播放器右下角的按钮可进入全屏模式。
6.1 人工智能概述
1. 到底什么是人工智能？
简单来说，人工智能（AI）就是研究怎么让计算机像人一样思考、学习和做决定。 过去，计算机只能死板地计算（1+1=2）；现在，AI不仅追求“像人一样聪明”（比如ChatGPT能陪你聊天写诗），更追求“比人更合理地解决问题”（比如AlphaGo下围棋时能算出人类想不到的最优解）。 它已经深入到我们的生活，比如手机里的人脸识别、Siri语音助手、高德地图的智能导航等。
2. 人工智能是如何诞生的？（两大里程碑）
图灵测试 (1950年)
计算机科学之父艾伦·图灵提出了一个有趣的问题：“机器能思考吗？”他设计了一个测试：让人类裁判隔着屏幕同时和真人和机器聊天。如果裁判分不清哪个是机器，那这台机器就“拥有了智能”。这为AI设定了第一个可以量化的目标。
达特茅斯会议 (1956年)
这是人类历史上第一次以探讨“机器智能”为主题的学术会议。会上，科学家约翰·麦卡锡首次正式提出了“人工智能（AI）”这个词。因此，1956年被公认为“人工智能元年”。
3. AI 发展史上的“三起两落”
人工智能的发展并非一帆风顺，而是经历了三次高潮和两次寒冬：
第一次浪潮 (1950s-60s)：初露锋芒与盲目乐观
科学家做出了能自动证明数学定理的程序。大家激动地预言“20年内机器能替代人类所有工作”。但很快遇到瓶颈：算力不够，机器无法理解常识，导致了第一次低谷。
第二次浪潮 (1980s)：专家系统的兴起
人们把人类专家的经验写成复杂的规则（如果...就...）输入电脑，用来治病、找矿。但规则太多写不完，且无法处理变化的信息，导致了第二次低谷。
第三次浪潮 (2000s至今)：深度学习与大数据的爆发
伴随着计算机算力的飞跃和海量数据的产生，AI学会了“自己从数据中找规律”（深度学习）。代表事件包括 AlphaGo 战胜李世石，以及 ChatGPT 的横空出世，AI 迎来了真正的爆发。
6.2 人工智能的关键技术
了解了AI的历史，我们来看看支撑AI运转的“五大内功心法”。
技术一：机器学习 (Machine Learning)
机器学习是让计算机通过“看数据”自己找出规律，而不是靠人类一行行写死代码。它主要有三种学习方式：
监督学习
通俗理解：就像驾校教练教你开车。每次操作教练都会告诉你“对”或“错”（这就是标签）。
应用：图像分类（认猫认狗）、垃圾邮件检测。
无监督学习
通俗理解：没有教练，只有一堆杂乱的数据。算法像是在鸡尾酒会上，自动把混杂的声音分离出不同人的讲话声（自动分类/聚类）。
应用：市场消费者画像细分、购物推荐系统。
强化学习
通俗理解：就像训练小狗。做对动作给零食（奖励），做错不给。小狗通过不断试错，最终学会完美技能。
应用：AlphaGo下围棋、自动驾驶汽车、机器人导航。
⭐ 进阶版：深度学习 (Deep Learning)
深度学习是机器学习的子集。它模仿了人类大脑的神经网络，具有多层结构。它最大的本事是无需人工干预，自动从海量数据（如图片、声音）中提取特征。现在大火的人脸识别、AI绘画，核心都是深度学习。
技术二：知识图谱 (Knowledge Graph)
如果说深度学习是让AI拥有直觉，那知识图谱就是让AI拥有逻辑。它把世界上的知识用网状图连起来。比如：
- 实体（圆圈）：具体的人或物。比如“李白”、“黄山”、“北京大学”。
- 关系（连线）：实体之间的联系。比如“李白” --(出生于)--> “唐朝”。
- 属性（特征）：实体的详细信息。比如李白的性别、代表作。
应用：你在百度搜索“李白”时，右侧会自动整理出他的生平、好友（杜甫）、作品等，这就是知识图谱在帮你快速梳理关联信息。
技术三：自然语言处理 (NLP)
这是计算机与人类沟通的桥梁。让冰冷的机器能够“读懂”和“写出”人类语言（如中文、英文）。
现代NLP的灵魂：语言模型
早期的AI靠统计词频（如n-gram），算力低且效果差。现在主流采用 Transformer 架构（如 GPT 系列），通过“注意力机制”能联系很长的上下文，实现流畅的跨语言翻译、自动写文章和智能对话（如 ChatGPT）。
典型应用场景
- 机器翻译：多语种实时无障碍沟通。
- 信息检索与挖掘：分析社交媒体评论，提取新闻摘要。
- 对话系统：手机语音助手、淘宝智能客服。
技术四：计算机视觉 (Computer Vision)
给计算机装上“眼睛”和“视觉神经”，让它能看懂图片和视频里的内容。主要有四大任务，精度要求越来越高：
1. 图像分类
“这张图里是猫还是狗？”
识别整张图片的类别。
2. 目标检测
“猫和狗分别在画面的哪个位置？”
用方框把物体标出来。
3. 语义分割
“这堆像素是猫，那堆像素是背景。”
精确到像素级别的形状勾勒。
4. 目标跟踪
“那只猫跑到哪里去了？”
在视频流中持续锁定目标。
6.3 人工智能的应用场景
如今，AI 已经不再是科幻小说里的情节，它正在深刻地重塑我们生活的方方面面。
卫生健康：AI 变身“超级医生”
- 医疗诊断：不知疲倦地分析CT、X光片，比人眼更早、更准地发现早期肿瘤病灶。
- 药物研发：以前研发新药需要十年，AI可以通过分析分子结构，快速筛选出有效药物，极大降低成本。
- 健康管理：结合智能手表，实时监测心率血压，预测疾病风险。
教育领域：因材施教的“专属私教”
- 个性化辅导：像清华大学的GLM4助教系统，能24小时答疑解惑，根据你的错题本动态调整学习策略。
- 智能评估：自动批改作业和试卷，给老师生成详细的全班学情报告。
- 沉浸式体验：结合VR，让你在虚拟实验室里安全地做化学实验，或者穿越回唐朝看历史。
交通出行：聪明的“城市大脑”
- 智能信号灯：根据各个路口实时的车流量，AI自动控制红绿灯时长，极大减少堵车（如杭州城市大脑）。
- 自动驾驶：像“萝卜快跑”这样的无人出租车，依靠计算机视觉实时识别行人、车辆，做出安全驾驶决策。
- 车载监控：检测驾驶员是否疲劳驾驶、抽烟看手机，并及时发出安全预警。
金融与制造：效率的“倍增器”
- 金融反欺诈：在你刷卡的瞬间，AI通过分析交易行为，毫秒级判断是否是盗刷并拦截。
- 量化交易：AI机器人不知疲倦地分析股市大数据，比人类交易员更快捕捉买卖时机。
- 预测性维护：工厂里的机器在坏掉之前，AI就能通过异响或震动数据预警，提前维修，避免停工损失。
6.4 人工智能安全与伦理
随着AI变得越来越强大，如果失控或被恶意利用，后果不堪设想。因此，安全与伦理是悬在AI头顶的达摩克利斯之剑。
技术上的“三大防线”
1. 数据安全 (地基)
AI 是用海量数据喂出来的。必须防止敏感数据（如医疗记录、人脸信息）在收集和处理过程中发生泄露和滥用。
2. 算法安全 (核心)
深度学习往往是一个“黑箱”（我们不知道它怎么得出结论的）。我们需要研发可解释的AI (XAI)，不仅要知道结果，还要知道它做决定的依据。同时防范算法漏洞（如给停车牌贴个小纸条，自动驾驶车就认错了）。
3. 系统安全 (宏观)
整个AI系统必须能够抵御黑客的网络攻击，甚至要有自我修复和容错能力，不能一被攻击就全盘瘫痪。
社会伦理与法律规范
🤔 责任归属：出事了谁担责？
案例：Uber无人车测试时撞死行人。是算法开发者的错？是车上安全员的错？还是汽车制造商的错？随着AI自主权增加，法律亟需界定清晰的责任框架。
⚖️ 公平性：机器也会有“偏见”
如果训练数据本身就有社会偏见（比如高管照片全是男性），AI在筛简历时就会自动歧视女性。必须建立偏见检测机制，保证算法公平。
🔒 隐私与人权：警惕“AI诈骗”
利用AI变声、换脸（Deepfake）进行敲诈勒索屡见不鲜。我国已经出台《网络安全法》《个人信息保护法》及《生成式人工智能服务管理办法》，明确规范AI应用的红线。
良知代码：驾驭人工智能伦理
为了更直观地理解人工智能安全与伦理的复杂性，请观看下方视频《良知代码：驾驭人工智能伦理》。它将带我们深入探讨在AI快速发展的今天，如何确保技术始终向善，造福人类而不是成为难以控制的隐患。