🎬 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 ~> 人工智能核心概念体系
-
- 1.1 人工智能（Artificial Intelligence, AI）
-
- 1.1.1 标准定义
- 1.1.2 核心能力维度
- 1.1.3 典型落地应用
- 1.2 机器学习（Machine Learning, ML）
-
- 1.2.1 核心定位
- 1.2.2 传统机器学习实现流程（以图像识别为例）
- 1.2.3 传统机器学习的局限性
- 1.3 深度学习（Deep Learning, DL）
-
- 1.3.1 核心思想：端到端学习
- 1.3.2 神经网络基础结构
- 1.3.3 分层自动特征提取机制
- 1.3.4 技术优势
- 1.4 AI / ML / DL 三者层级关系
- 1.5 大语言模型的技术本质
- 2 ~> 人工智能发展史与奠基人
-
- 2.1 思想萌芽：古代中国的早期想象
- 2.2 现代 AI 理论奠基：艾伦・麦席森・图灵
-
- 2.2.1 人物身份
- 2.2.2 核心学术贡献
- 2.2.3 生平与历史地位
- 2.3 AI 学科发展历程与规律
-
- 2.3.1 发展阶段划分
- 2.3.2 整体发展特征
- 2.3.3 发展驱动因素
- 结尾
1 ~> 人工智能核心概念体系
1.1 人工智能（Artificial Intelligence, AI）
1.1.1 标准定义
人工智能，即 Artificial Intelligence，简称 AI，是计算机科学的一个分支，核心目标是让计算机或机器模仿人类的思维与行为，具备能看、能听、能说、能学习、能决策的能力，从简单的命令执行者，转变为可以感知、理解、推理、学习，服务于人类的 “智慧” 伙伴。 通俗来讲，人工智能的核心是实现机器的智能化，让机器能够像人类一样思考；不具备人工智能的机器仅能严格按照预设指令执行操作，不具备自主判断与决策能力。
1.1.2 核心能力维度
人工智能的核心能力可分为三层：
1.1.3 典型落地应用
现实中常见的人工智能应用包括：
- 智能语音交互类：Siri、小爱同学、小 V 等智能语音助手
- 自主感知设备类：扫地机器人、具备自动驾驶能力的智能汽车
- 计算机视觉类：人脸识别系统、智能图像分类工具
1.2 机器学习（Machine Learning, ML）
1.2.1 核心定位
机器学习是实现人工智能的核心技术途径。想要让机器具备人工智能能力，需要向模型投喂大量数据，让机器自主学习并总结内在规律，最终获得对未知样本的预测与判断能力。机器具备人工智能的核心前提，是通过数据训练完成规律总结。
1.2.2 传统机器学习实现流程（以图像识别为例）
以 “教计算机智能识别狗” 的任务为例，传统机器学习的标准执行步骤分为四步：
1.2.3 传统机器学习的局限性
传统浅层机器学习在处理图像、语音等高维非结构化数据时，高度依赖人工设计的特征工程，存在明显局限性：
- 特征定义高度依赖专家经验，容易出现特征描述不全、遗漏的问题
- 对复杂场景的鲁棒性差，例如一张侧面拍摄、看不到胡须，或是耳朵折起来的狗的图片，机器很可能无法正确识别
深度学习本质上属于机器学习的一个分支，二者是包含与被包含的关系，而非并列关系。
1.3 深度学习（Deep Learning, DL）
1.3.1 核心思想：端到端学习
深度学习是机器学习的进阶分支，以深度神经网络为核心载体，核心突破是摒弃人工特征工程，采用端到端的学习范式： 人类仅需完成数据标注工作（给图片打上 “这是狗”“这不是狗” 的标签），直接将最原始的像素数据和标签输入神经网络模型，由模型自动完成从特征提取到分类决策的全流程。
1.3.2 神经网络基础结构
标准的神经网络由多层结构组成，从左到右依次为：
标准前馈神经网络采用前向全量传播机制，输入信号会依次流经所有隐藏层，逐层完成特征变换后最终到达输出层。
1.3.3 分层自动特征提取机制
深度神经网络通过多层堆叠的结构，能够从原始数据中由低到高、由抽象到具体地自动学习特征，以图像识别为例：
- 底层网络：最先识别边缘、角落、颜色等基础视觉元素
- 中层网络：组合底层特征，进一步识别纹理、形状、眼睛、耳朵等局部器官
- 高层网络：结合中层特征，最终形成 “狗脸”“狗的身体” 等完整的抽象概念
1.3.4 技术优势
由于模型自动学习到的特征更丰富、更贴近事物本质，深度学习模型对于侧面、遮挡、特殊姿势等复杂场景下的识别能力，通常远强于传统机器学习方法，是当前主流 AI 应用的核心技术支撑。
1.4 AI / ML / DL 三者层级关系
三者为逐层包含的从属关系： 人工智能（AI） ⊃ 机器学习（ML） ⊃ 深度学习（DL） 当下主流的 AI 应用，例如人脸识别、语音助手、自动驾驶等，背后都是 AI→ML→DL 的技术体系在发挥作用。
1.5 大语言模型的技术本质
当前主流的大语言模型，例如 ChatGPT、DeepSeek 等，都是基于 Transformer 架构的神经网络模型：
- 训练阶段：向模型投喂海量的文本数据，包括网页、书籍、文章等，让模型自主学习语言规律与世界知识，构建自身的知识体系，总结形成内在规律
- 推理阶段：接收到用户的问题后，模型首先对问题进行语义分析，再基于训练得到的知识与规律进行思考、推理、决策，最终以自然文字的形式向用户返回结果
2 ~> 人工智能发展史与奠基人
2.1 思想萌芽：古代中国的早期想象
人工智能的思想萌芽早已有之，在人类对机器的想象与向往中，就埋下了智能人造物的雏形。 战国时期列御寇所著的《列子・汤问》中，收录了《偃师献技》一文。文中记载：偃师向周穆王进献自己制造的 “倡者”（歌舞艺人），这具机关人偶能够自如地唱歌跳舞，动作姿态与真人完全无异，甚至因对穆王的妃子眉目传情，引得周穆王大怒，以为是真人假扮。偃师当即将人偶拆解，展示其内部完全由皮革、木头、胶漆以及各色颜料构成，周穆王这才惊叹于工匠技艺的精巧。 这个故事虽然是古人的想象，但已经体现出对 “人造智能体” 的早期探索，是人工智能的思想萌芽。
2.2 现代 AI 理论奠基：艾伦・麦席森・图灵
2.2.1 人物身份
艾伦・麦席森・图灵是数学家、逻辑学家、密码分析家、理论生物学家，被公认为 “计算机科学之父”“人工智能之父”。他 26 岁取得博士学位，同时是奥林匹克级别的长跑运动员；二战期间，他帮助盟军破解了德军的恩尼格玛机（Enigma）密码，为战争胜利作出了重要贡献，该事迹直至 20 世纪 70 年代才对外公开，相关故事被改编为电影《模仿游戏》。
2.2.2 核心学术贡献
2.2.3 生平与历史地位
- 图灵因同性恋身份违背当时的英国法律，遭受政府迫害，面临入狱与化学阉割的二选一抉择，最终选择接受化学阉割，身心遭受严重摧残，于 1954 年去世。关于其死因主要有三种说法：自杀、化学实验意外沾染毒物、政府迫害间接导致。
- 1966 年，美国计算机协会（ACM）设立 “图灵奖”，该奖项被称为 “计算机界的诺贝尔奖”
- 后续英国政府为图灵正式平反，英国发行的 50 英镑纸币背面印有图灵的肖像
2.3 AI 学科发展历程与规律
2.3.1 发展阶段划分
现代人工智能的发展通常认为起始于 20 世纪 30-40 年代，其中 1941-1956 年是人工智能的诞生与兴起阶段，以图灵的系列理论成果为核心基础，为后续学科的正式建立搭建了完整的理论框架。
2.3.2 整体发展特征
人工智能的发展并非线性持续推进，而是呈现波浪式前进的特征，经历了多次 “技术高峰 – 发展低谷” 的周期迭代，在起起伏伏中逐步向前推进。
2.3.3 发展驱动因素
人工智能能够发展到今天的繁荣程度，依赖多维度的技术积累：硬件算力的持续提升、软件算法的不断迭代、网络普及带来的海量数据沉淀，共同推动人工智能从理论走向落地，发展至当前大语言模型百花齐放的时代。
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】名词解释
🗡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
