🎬 个人主页：艾莉丝努力练剑
❄专栏传送门：《C语言》《数据结构与算法》《C/C++干货分享&学习过程记录》 《Linux操作系统编程详解》《笔试/面试常见算法：从基础到进阶》《Python干货分享》
⭐️为天地立心，为生民立命，为往圣继绝学，为万世开太平
🎬 艾莉丝的简介：
文章目录
- 1 ~> 人工智能发展历史
-
- 1.1 AI 兴起阶段（1941~1956）
-
- 1.1.1 图灵机（Turing Machine）
- 1.1.2 人工神经元模型（MP 神经元）
- 1.1.3 图灵测试
- 1.1.4 人工智能术语诞生：达特茅斯会议
- 1.2 AI 早期成功（1956~1974）
-
- 1.2.1 西洋跳棋自学习程序
- 1.2.2 ELIZA 聊天程序
- 1.2.3 WABOT-1 拟人机器人
- 1.3 AI 第一次寒冬（1974~1980）
- 1.4 AI 复兴与第二次寒冬（1980~1993）
-
- 1.4.1 专家系统
- 1.5 AI 崛起时代（1993 年至今）
-
- 1.5.1 深蓝 DeepBlue
- 1.5.2 AlphaGo
- 1.5.3 GPU 与 CUDA 算力革命
- 1.5.4 Transformer 架构
- 1.5.5 ChatGPT 与百模大战
- 2 ~> AI 产业与职业影响
-
- 2.1 AI 相关岗位分类
-
- 2.1.1 AI 算法开发岗
- 2.1.2 AI 应用开发岗
- 2.1.3 提示词开发（Prompt Engineering）
- 2.2 AI 与程序员职业关系
-
- 2.2.1 核心结论
- 2.2.2 AI 擅长的工作
- 2.2.3 AI 固有限制
- 2.2.4 对程序员群体的影响
- 2.2.5 现实建议
- 结尾
1 ~> 人工智能发展历史
1.1 AI 兴起阶段（1941~1956）
1.1.1 图灵机（Turing Machine）
图灵机是艾伦・图灵 1936 年在《论可计算数及其在判定问题上的应用》中提出的抽象计算模型，由无限长纸带、读写头、状态转移规则构成，可以模拟任意算法的计算流程，是现代计算机与可计算性理论的理论根基。
图灵机属于数学抽象模型，并非物理硬件。
1.1.2 人工神经元模型（MP 神经元）
1943 年沃伦・麦卡洛克、沃尔特・皮茨提出 MP 人工神经元模型，是神经网络与深度学习的底层基础。
工作原理：
- 输入：接收外部或其他神经元传来的信号
- 权重：每一路输入配置权重，权重调整就是模型学习的过程
- 求和：加权累加全部输入
- 激活函数：对比阈值，超过阈值输出 1 激活，否则输出 0
- 输出：将结果传递给下一级神经元
MP 神经元仅支持线性可分问题，无法处理异或这类非线性问题，这也是早期神经网络发展受限的根源。
1.1.3 图灵测试
1950 年艾伦・图灵发表《计算机器与智能》提出图灵测试，用来评判机器是否具备智能。
测试规则：
图灵被称为 “计算机科学之父”；“人工智能之父” 一般指约翰・麦卡锡，他创造了 “人工智能” 这个专业术语。
1.1.4 人工智能术语诞生：达特茅斯会议
1956 年达特茅斯会议，约翰・麦卡锡首次提出 “人工智能”，标志 AI 正式成为独立学科。
麦卡锡同时发明 LISP 语言，该语言长期作为 AI 研究的主流编程语言。参会核心人员包括马文・明斯基、克劳德・香农等学者。
1.2 AI 早期成功（1956~1974）
1.2.1 西洋跳棋自学习程序
1959 年亚瑟・塞缪尔开发西洋跳棋自学习程序，首次提出机器学习概念，被称为 “机器学习之父”。
程序依靠自我对弈迭代棋力，引入评估函数、α-β 剪枝技术，后续击败人类跳棋选手。
1.2.2 ELIZA 聊天程序
1966 年约瑟夫・魏岑鲍姆开发 ELIZA，属于最早的自然语言对话程序，模拟心理治疗师对话逻辑。
底层仅依靠关键词模式匹配 + 模板替换，并不真正理解语义，只会反问引导用户输出更多内容。
1.2.3 WABOT-1 拟人机器人
1970 年日本早稻田大学发布 WABOT-1，世界首台全尺寸人形机器人，集成视觉感知、肢体运动、简单日语对话模块，可以识别障碍物，测算距离方位。
1.3 AI 第一次寒冬（1974~1980）
早期 AI 项目无法兑现宣传预期，政府、资本削减研究经费，AI 研究进入停滞阶段。
主要诱因：
大批科研人才转向其他方向，神经网络领域进入长时间沉寂。
1.4 AI 复兴与第二次寒冬（1980~1993）
1.4.1 专家系统
专家系统属于知识驱动型 AI，把行业专家的经验固化成规则，依靠规则完成诊断、分析、决策任务。
核心组件：
# 专家系统前向推理伪代码
class ExpertSystem:
def __init__(self):
self.knowledge_base = [] # 存储(条件, 结论)规则列表
self.facts = set() # 当前已知事实集合
def add_rule(self, condition, conclusion):
self.knowledge_base.append((condition, conclusion))
def forward_chaining(self):
changed = True
while changed:
changed = False
for cond, res in self.knowledge_base:
if cond.issubset(self.facts) and res not in self.facts:
self.facts.add(res)
changed = True
return self.facts
固有缺陷：
第二次寒冬诱因：专家系统维护成本持续走高，日本第五代计算机项目失败，商业落地收益不及预期，经费再度收缩。
1.5 AI 崛起时代（1993 年至今）
1.5.1 深蓝 DeepBlue
1997 年 IBM 深蓝战胜国际象棋世界冠军卡斯帕罗夫。
技术路线：依靠极大极小搜索、α-β 剪枝，搭配人类手工调优的评估函数、开局残局库。本质是暴力搜索叠加人工领域知识，不属于机器学习。
1.5.2 AlphaGo
2016 年谷歌 AlphaGo 击败李世石，2017 年击败柯洁。
核心技术：卷积神经网络评估棋盘、自我对弈强化学习、蒙特卡洛树搜索。围棋搜索空间极大，暴力搜索不可行，证明深度学习在复杂博弈场景的巨大潜力。
1.5.3 GPU 与 CUDA 算力革命
CPU：适合复杂逻辑串行任务，核心数量少，如同博学的教授。 GPU：大量轻量计算核心，擅长大规模并行简单运算，适合深度学习海量矩阵乘加运算。
| 核心数 | 几个～几十个 | 几千个 |
| 计算模式 | 串行 + 少量并行 | 大规模并行 |
| 适用场景 | 复杂逻辑控制 | 简单重复计算 |
| 延迟 | 低 | 高 |
CUDA：英伟达 2007 年推出，提供编程接口，允许 C++/Python 直接调用 GPU 做通用计算，是现代深度学习生态的底层基石。大模型训练需要成千上万规模的 GPU 集群提供算力支撑。
1.5.4 Transformer 架构
2017 年论文《Attention Is All You Need》提出 Transformer，依靠自注意力机制，能够捕获序列任意位置依赖关系，摆脱 RNN 串行限制，训练并行度大幅提升，是 ChatGPT、Gemini 等全部主流大模型的基础架构。
# 缩放点积自注意力伪代码
def scaled_dot_product_attention(Q, K, V, d_k, mask=None):
# Q 查询矩阵，K 键矩阵，V 值矩阵
scores = Q @ K.transpose(–2, –1) / (d_k ** 0.5)
if mask is not None:
scores = scores.masked_fill(mask == 0, –1e9)
attn_weight = scores.softmax(dim=–1)
output = attn_weight @ V
return output, attn_weight
1.5.5 ChatGPT 与百模大战
2022 年 11 月 30 日 ChatGPT 正式发布，5 天用户破百万。
关键技术：大规模预训练、指令微调、RLHF 人类反馈强化学习。
ChatGPT 引爆全球生成式 AI 浪潮，国内外厂商纷纷推出同类大模型，形成 “百模大战” 行业格局。
2 ~> AI 产业与职业影响
2.1 AI 相关岗位分类
2.1.1 AI 算法开发岗
岗位定位：AI 底层算法研究开发，普遍要求硕士以上学历。
工作内容：模型算法创新、论文复现、模型调优；需要扎实的线性代数、概率论、深度学习理论功底。门槛高，普通本科生直接就业难度大。
2.1.2 AI 应用开发岗
岗位定位：面向业务做 AI 工程落地，是普通学生最容易切入的岗位。
工作内容：调用大模型 API，开发 AI 业务软件；RAG 知识库搭建，模型部署、业务系统集成；不需要从零训练大模型，侧重工程能力。
2.1.3 提示词开发（Prompt Engineering）
岗位定位：编写、优化提示词，引导大模型输出符合业务要求的结果。
核心技能：Few-shot、CoT 思维链等提示范式，上下文调试、模型输出评估。
完全独立的提示词全职岗位数量很少，更多是 AI 应用开发者的配套技能。
2.2 AI 与程序员职业关系
2.2.1 核心结论
AI 不会完全取代程序员；熟练使用 AI 工具的程序员，会取代不会使用 AI 工具的程序员。
AI 定位是编程辅助工具，等价于 IDE、搜索引擎，提升开发者生产力，而非替代者。
2.2.2 AI 擅长的工作
可以高效完成样板代码、简单重复编码、简单 bug 修复等模式匹配类任务。把重复性工作交给 AI，人类聚焦系统设计、业务梳理、方案评估。
2.2.3 AI 固有限制
2.2.4 对程序员群体的影响
2.2.5 现实建议
减少 AI 带来的就业焦虑，夯实计算机底层基础；即便不从事 AI 方向，也需要掌握 AI 工具的使用。
结尾
uu们，本文的内容到这里就全部结束了，艾莉丝在这里再次感谢您的阅读！
|
艾莉丝努力练剑
C/C++ & Linux 底层探索者 | 一个正在努力练剑的技术博主 👀 ❤️ ⭐ 💬 不要忘记给博主“一键四连”哦！ “今日练剑达成！” “技术之路难免有困惑，但同行的人会让前进更有方向。” |
结语：希望对学习Linux相关内容的uu有所帮助，不要忘记给博主“一键四连”哦！
往期回顾：
【AI大模型接入SDK】人工智能核心概念与人工智能发展史
🗡博主在这里放了一只小狗，大家看完了摸摸小狗放松一下吧！🗡
૮₍ ˶ ˊ ᴥ ˋ˶₎ა
