什么是人工智能？15分钟了解人工智能
理性行为：理性智能体方法
这4种方法有其必然的差异：
追求类人智能必须在某种程度上是与心理学相关的经验科学，包括对真实人类行为和思维过程的观察和假设；
而理性主义方法涉及数学和工程的结合，并与统计学、控制理论和经济学相联系。
了解上面4种方法，大致就能形成对人工智能(AI)的基本概念了。
类人行为：图灵测试方法
相信大家听说过“图灵测试”，这是由艾伦·图灵(Alan Turing)在1950年提出的。它被设计成一个思维实验，用以回避“机器能思考吗？”这个哲学上模糊的问题。如果人类提问者在提出一些书面问题后无法分辨书面回答是来自人还是来自计算机，那么计算机就能通过测试。
如果要通过测试，计算机需要具备这些能力：
自然语言处理(natural language processing)，以使用人类语言成功地交流；
知识表示(knowledge representation)，以存储它所知道或听到的内容；
自动推理(automated reasoning)，以回答问题并得出新的结论；
机器学习(machine learning)，以适应新的环境，并检测和推断模式。
图灵认为，没有必要对人进行物理模拟来证明智能。然而，其他研究人员提出了完全图灵测试，即还需要与真实世界中的对象和人进行交互。为了通过完全图灵测试，机器人还需要具备这些能力：
计算机视觉(computer vision) 和语音识别功能，以感知世界；
机器人学(robotics)，以操纵对象并行动。
上面这6个学科构成了人工智能的大部分内容。
实际上，人工智能研究人员很少把精力用在通过图灵测试上，他们认为研究智能的基本原理更为重要。当工程师和发明家停止模仿鸟类，转而使用风洞并学习空气动力学时，对“人工飞行”的探索取得了成功。
类人思考：认知建模方法
我们必须知道人类是如何思考的，才能让程序像人类一样思考。
我们可以通过3种方式了解人类的思维：
内省(introspection)，试图在自己进行思维活动时捕捉思维；
心理实验(psychological experiment)，观察一个人的行为；
大脑成像(brain imaging)，观察大脑的活动。
一旦我们有了足够精确的心智理论，就有可能把这个理论表达为计算机程序。如果程序的输入/输出行为与相应的人类行为相匹配，那就表明程序的某种机制也可能在人类中存在。认知科学(cognitive science) 这一跨学科领域汇集了人工智能的计算机模型和心理学的实验技术，用以构建精确且可测试的人类心智理论。
理性思考：“思维法则”方法
希腊哲学家亚里士多德是最早试图法则化“正确思维”的人之一，他将其定义为无可辩驳的推理过程。他的三段论为论证结构提供了模式，当给出正确的前提时，总能得出正确的结论。这些思维法则被认为支配着思想的运作，他们的研究开创了一个称为逻辑(logic)的领域。
19世纪的逻辑学家建立了一套精确的符号系统，用于描述世界上物体及其之间的关系。到1965年，任何用逻辑符号描述的可解问题在原则上都可以用程序求解。人工智能中所谓的逻辑主义(logicism) 希望在此类程序的基础上创建智能系统。
按照常规的理解，逻辑要求关于世界的认知是确定的，而实际上这很难实现，真实世界中的规则往往不是完全明确的。概率论(probability)填补了这一鸿沟，允许我们在掌握不确定信息的情况下进行严格的推理。原则上，它允许我们构建全面的理性思维模型，从原始的感知到对世界运作方式的理解，再到对未来的预测。
但它无法做到的是形成智能行为，为此，我们还需要关于理论行为的理论，仅靠理性思考是不够的。
理性行为：理性智能体方法
智能体(agent)就是某种能够采取行动的东西。我们期望智能体能够完成更多的任务：自主运行、感知环境、长期持续存在、适应变化以及制定和实现目标。
理性智能体(rational agent)需要为取得最佳结果或在存在不确定性时取得最佳期望结果而采取行动。
基于人工智能的“思维法则”方法重视正确的推断。做出正确的推断有时时理性智能体的一部分，因为采取理性行为的一种方式时推断出某个给定的行为是最优的，然后根据这个结论采取行动。但是理性行为的有些方式并不能说与推断有关。比如，从火炉前退缩是一种反射作用，这通常比经过深思熟虑后采取的较慢的动作更为成功。
通过图灵测试所需的所有技能也能使智能体得以采取理性行为。知识表示和推理能让智能体做出较好的决策。我们需要具备生成易于理解的自然语言句子的能力，以便在复杂的社会中生存。我们需要学习不仅是为了博学多才，也是为了提升我们生产高效行为的能力，尤其是在新环境下，这种能力更加重要。
与其他方法相比，基于人工智能的理性智能体方法有两个优点：首先，它比“思维法则”方法更普适，因为正确的推断只是实现理性的几种可能机制之一。其次，它更适合科学发展。理性的标准在数学上是明确定义且完全普适的。我们经常可以从这个标准规范中得出可以被证明能够实现的智能体设计，而把模仿人类行为或思维过程作为目标的设计在很大程度上是不可能的。
由于这些原因，在人工智能领域的大部分历史中，基于理性智能体的方法都占据了上风：
在最初的几十年里，理性智能体建立在逻辑的基础上，并为了实现特定目标制定了明确的规划；
后来，基于概率论和机器学习的方法可以使智能体在不确定性下做出决策，以获得最佳期望结果；
这两年，大家可以看到又开始基于大语言模型来增强智能体的决策能力了...
我们看看一些厂商对于“人工智能(AI)”的定义：
Google Cloud：人工智能 (AI) 是一组技术，使计算机能够执行各种高级功能，包括视觉分析、理解和翻译口语和书面语言、分析数据、提出建议等。人工智能是一个构建能够推理、学习和行动的计算机和机器的科学领域，这种推理、学习和行动通常需要人类智力，或者涉及超出人类分析能力的数据规模。
Microsoft Azure：AI 是计算机系统的功能，用于模拟类似于人的认知功能（如学习和解决问题）。
AWS：人工智能（AI）是一种具有类似人类解决问题能力的技术。人工智能在实际应用中模拟人类智力完成各种任务：它可以识别图像、写诗和做出基于数据的预测。
IBM：人工智能 (AI) 是一种让计算机和机器能够模拟人类学习、理解、问题解决、决策制定，以及发挥创造力和自主性的技术。
阿里云：人工智能AI（即Artificial Intelligence）是计算机科学的一个分支，旨在让计算机模仿人类的决策能力、像人类一样思考和行动，来解决如自然语言处理、推荐、智能数据检索、预测等方面人类无法处理或难以处理的复杂工作。
简而言之，人工智能专注于研究和构建做正确的事情的智能体，其中正确的事情是我们提供给智能体的目标定义。
想法很好，人类定义目标，人工智能让机器分析和采取行动以达成目标。
但在真实世界中，为机器提供完全指定的目标是很复杂的。类比一下对于人的管理，有那么多的管理理论、目标管理模型(KPI、OKR)啥的，大部分团队还是做不好。
如何在我们的真实需求与施加给机器的目标之间保持一致，这是关键、和难点。
机器如何在多个可能冲突的目标之间进行权衡选择，这也是难点。
对于机器而言，部署了错误目标的系统将导致负面影响，而且，系统越智能，其负面影响就会越严重。
AI的分类(从观点的角度)
强人工智能 vs 弱人工智能，实际上是两种观点。
强人工智能观点认为“有可能”制造出“真正”能推理和解决问题的智能机器，并且，这样的机器将被认为是具有知觉、有自我意识的。
强人工智能可以有两类：
人类的人工智能，即机器的思考和推理就像人的思维一样。
非人类的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。
弱人工智能观点认为“不可能”制造出能“真正”推理和解决问题的智能机器，这些机器只不过“看起来”像是智能的，但是并不真正拥有智能，也不会有自主意识。
这两观点的哲学争论有不少、没有明确定论，想了解的可以自己再找找资料。
AI的分类(从能力的角度)
狭义人工智能(ANI)
通用人工智能(AGI)
超级人工智能(ASI)
狭义人工智能(ANI)：是指计算机系统比人类更好地胜任狭义任务的能力。狭义 AI 是迄今为止人类已经达到的最高 AI 发展水平，在现实世界中所见的每种 AI 示例都属于这一类别，包括自动驾驶车辆和个人数字助手。这是因为，即使看起来 AI 是在实时思考，实际上却是在预先确定的框架内协调几个狭窄的流程并作出决策。AI 的“思维”并不涉及意识或情感。
通用人工智能(AGI)：是指计算机系统在任何智力任务中优于人类的能力。这是你在电影中看到的 AI 类型，这些机器人具有思维意识并可根据自己的动机采取行动。理论上，已实现通用 AI 的计算机系统能够解决非常复杂的问题，在不确定的情况下运用判断，并将先验知识纳入到当前的推理中。其创造力和想象力与人类不相上下，并且可以承担的任务也比狭义 AI 更广泛。
ANI 得到了巨大发展，但是 AGI 还没有取得巨大进展。
超级人工智能(ASI)：已实现超级人工智能的计算机系统所拥有的能力几乎可在所有领域都胜过人类，包括科学创造力、常规知识和社交技能。
在吴恩达《AI for Everyone》的课中，他把AI分成了这三类：
狭义人工智能(ANI)
生成式人工智能(Generative AI)
通用人工智能(AGI)
也许是 ASI(甚至AGI) 都还太遥远吧。
人工智能从1950年代发展到1980年代衍生出了机器学习(Machine Learning)，它涉及通过训练算法来创建模型，以根据数据做出预测或决策。它涵盖了一系列广泛的技术，让计算机能够从数据中学习并做出推理，而无需针对特定任务进行明确的编程。
机器学习技术或算法有很多种，包括线性回归、逻辑回归、决策树、随机森林、支持向量机 (SVM)、k-最近邻 (KNN)、聚类等。其中每种方法都适用于不同类型的问题和数据。
但是，最流行的机器学习算法类型之一称为神经网络(或人工神经网络)。神经网络是模仿人类大脑的结构和功能建立的。神经网络由相互连接的节点层（类似于神经元）组成，这些节点能协同处理和分析复杂数据。神经网络非常适合在大量数据中识别复杂模式和关系的任务。
机器学习最简单的形式称为监督学习，涉及使用标记数据集来训练算法，以准确进行数据分类或结果预测。在监督学习中，人类将每个训练示例与一个输出标签配对。目标是让模型学习训练数据中输入和输出之间的映射，以便可以预测新的、未见过的数据的标签。
深度学习(Deep Learning) 是机器学习(Machine Learning) 的一个子集，采用多层神经网络（称为深度神经网络）来更深入地模拟人脑的复杂决策能力。深度神经网络包括一个输入层、至少三个但通常有数百个隐藏层，以及一个输出层，而经典机器学习模型中使用的神经网络通常只有一个或两个隐藏层。这些多层级结构可实现无监督学习：它们可以自动从大型、未标记和非结构化数据集中提取特征，并对数据所代表的内容做出自己的预测。
深度学习不需要人工干预，因此可以实现大规模的机器学习。它非常适合自然语言处理 (NLP)、计算机视觉和其他涉及在大量数据中快速、准确地识别复杂模式和关系的任务。如今我们生活中的大多数人工智能 (AI) 应用程序都或多或少得到了深度学习的支持。
生成式人工智能(Gen AI)是指能够根据用户的提示或请求创建复杂的原创内容（如长篇文本、高质量图像、逼真的视频或音频等）的深度学习模型。在较高的层次上，生成式人工智能模型对所用训练数据的简化表示进行编码，然后从该表示中提取内容来创建与原始数据类似但并不完全相同的新作品。
这几个概念的关系，还是这张图比较直观。
再看看这几个问题，应该大致有了基本印象吧：
什么是人工智能(AI)？
从观点分类：弱人工智能、强人工智能
从能力分类：狭义人工智能(ANI)、通用人工智能(AGI)、超级人工智能(ASI)
概念关系：人工智能(AI)、机器学习(Machine Learning)、深度学习(Deep Learning)、生成式AI(Generative AI)
如何学习AI大模型？
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
