人工智能新手不可不读入门教程 - 文章 - 开发者社区

引言

在这篇文章中，我们会先弄清楚，到底什么是人工智能？它和我们常说的“智能”有什么关系？

picture.image

到底什么是人工智能？

想象一下，我们人类拥有思考、学习、解决问题、感知环境、甚至创造的能力，这些统称为“智能”。而人工智能（Artificial Intelligence, AI），顾名思义，就是由人制造出来的机器或计算机程序所表现出来的智能 。简单粗暴点说，就是想办法让机器变得像人一样“聪明”，能够模仿甚至完成一些通常需要人类智慧才能搞定的任务。

你可以把AI想象成给机器装上了一个“大脑”。这个“大脑”不是血肉之躯，而是由复杂的代码和算法构成的。它能让机器“看懂”图片里的猫猫狗狗，能“听懂”你说话的指令，能像导航一样帮你规划最佳路线，甚至还能像阿尔法狗（AlphaGo）一样下围棋战胜人类顶尖高手。 picture.image

AI、机器学习、深度学习：它们是什么关系？

你可能还经常听到“机器学习”（Machine Learning, ML）和“深度学习”（Deep Learning, DL）这两个词，它们和AI是什么关系呢？这里我们简单区分一下，不用深究技术细节。

你可以把它们想象成一个“套娃”：

人工智能（AI） 是最大的那个娃娃，它是一个非常广泛的概念和目标，即让机器拥有智能。
机器学习（ML） 是套在AI里面的一个中等大小的娃娃。它是实现AI的一种重要方法。它不是直接编写规则告诉机器怎么做，而是让机器自己从大量的数据中“学习”规律和模式，然后用学到的知识来做判断或预测。就像我们教小朋友认字，不是告诉他每个字的笔画顺序，而是让他看很多字卡，自己总结规律。
深度学习（DL） 则是套在机器学习里面的一个小娃娃。它是机器学习技术中的一种，特别擅长处理非常复杂的问题，尤其是模仿人脑神经网络的结构来学习。我们后面会提到的很多厉害的AI应用，比如人脸识别、语音助手、自动驾驶等，背后都有深度学习的功劳。

picture.image

所以，简单记：AI 是目标，ML 是实现AI的方法之一，DL 是 ML 中一种强大的技术。 对于新手来说，知道这个大致关系就足够了。

AI能有多“聪明”？聊聊AI的三个层级

科学家们根据AI能力的强弱，大致把它分成了三个层级，或者说是发展的三个阶段目标：

弱人工智能（Weak AI 或 Narrow AI） ：这是我们目前所处并且广泛应用的阶段。这个阶段的AI被设计用来执行特定任务 ，并且表现得像有智能一样。比如，你的手机语音助手、下棋程序、人脸识别系统、今日头条的推荐算法等等，都属于弱人工智能。它们在自己的“专业领域”可能很强，甚至超过人类，但它们没有真正的意识和自我认知，无法跨领域解决问题。
强人工智能（Strong AI 或 Artificial General Intelligence, AGI） ：这是AI研究的长期目标，指的是拥有与人类同等智慧水平 的AI。这样的AI将具备理解、学习、推理、规划、沟通以及解决各种复杂问题的能力，就像科幻电影里的那些拥有自我意识和情感的机器人一样。目前，强人工智能还远未实现。
超人工智能（Artificial Superintelligence, ASI） ：这是更进一步的畅想，指的是在几乎所有领域都远超最聪明人类智慧 的AI。这种AI不仅能完成人类能做的所有事情，而且做得更好。它的出现可能会给人类社会带来颠覆性的变化，当然，这也引发了很多关于伦理和安全的讨论。

了解这三个层级，能帮助我们更理性地看待当前AI的发展水平，既不神化它，也不低估它的潜力。我们现在接触到的，绝大部分都是专注于特定任务的“弱人工智能”。

picture.image

人工智能的“前世今生”

AI并不是凭空出现的，它的诞生和发展，凝聚了无数科学家的智慧和心血，也经历了不少波折。

1. 思想的火花：古老的梦想与科学的奠基

到了近代，随着科学技术的发展，特别是数学和逻辑学的进步，一些思想家开始认真思考“思维能否被机器模拟”的问题。像17世纪的哲学家莱布尼茨就认为，“人类的思想可以简化成某种运算”。而之后蒸汽机的发明、机械计算器的出现，特别是电子计算机的诞生（如ENIAC），为将这种思考付诸实践奠定了基础。

2. AI的诞生：图灵的设想与达特茅斯的盛会

要说AI的正式起点，有两个标志性事件不得不提：

图灵测试（1950年） ：被称为“计算机科学之父”的阿兰·图灵，在他著名的论文《计算机器与智能》中提出了一个设想：如果一台机器能够与人类进行对话，并且不被识破其机器身份，那么我们是否就能认为这台机器具有智能？这就是著名的“图灵测试”，它为判断机器是否具有智能提供了一个可操作的标准，也极大地激发了人们对机器智能的研究热情。
达特茅斯会议（1956年） ：这一年夏天，在美国达特茅斯学院，一群充满远见的年轻科学家（包括约翰·麦卡锡、马文·明斯基、克劳德·香农等）组织了一场长达两个月的研讨会。正是在这次会议上，“人工智能（Artificial Intelligence）”这个术语被首次正式提出并确立。这次会议被广泛认为是AI作为一门独立学科诞生的标志。

3. 早期探索与黄金时代（1956-1974）

达特茅斯会议之后，AI研究迎来了第一个黄金时代。研究者们热情高涨，成果斐然。当时主要形成了几个不同的研究方向（或称学派）：

符号主义 ：认为智能的核心在于知识的表示和逻辑推理。他们试图将人类的知识编码成计算机能理解的符号，然后通过逻辑规则进行推理来解决问题。代表成果有能证明数学定理的“逻辑理论家”程序、早期的聊天机器人ELIZA等。
联结主义 ：主张模仿人脑神经元的工作方式。他们尝试构建人工神经网络（Artificial Neural Network, ANN）模型，通过模拟大量神经元之间的连接和信号传递来实现智能。早期的“感知机”（Perceptron）就是这个学派的代表。
行为主义 ：认为智能体现在与环境的互动和适应中，强调感知和行动。这个思想后来在机器人学、自动控制等领域得到了发展。

这个时期还诞生了第一个能学习的跳棋程序（首次提出“机器学习”概念）、第一台工业机器人等重要成果。人们对AI的前景充满了乐观的期待。

4. 起伏跌宕：寒冬与复苏（1974-1993）

然而，好景不长。到了70年代中期，AI研究遭遇了重大挫折，进入了所谓的“第一次AI寒冬”。主要原因有：

预期过高，现实骨感 ：早期的AI程序在解决一些简单、明确的问题时表现不错，但在处理复杂的现实世界问题时却显得力不从心。比如机器翻译的效果远达不到实用要求。
理论与技术的局限 ：当时的计算机算力有限，而且一些理论（如早期的神经网络模型）存在缺陷，无法解决更复杂的问题。
资金大幅削减 ：由于进展缓慢，政府和研究机构对AI研究的资助大幅减少，著名的“莱特希尔报告”更是对当时的AI研究提出了严厉批评。

幸运的是，寒冬并没有完全冻结AI的脚步。到了80年代，随着符号主义的发展，一种名为“专家系统”（Expert System）的技术取得了成功，将AI带入了“第二次高潮”。专家系统模仿人类专家在特定领域的知识和经验来解决问题，在化学分析、医疗诊断、设备配置等领域取得了不少商业成功。这重新点燃了人们对AI的热情，日本甚至启动了雄心勃勃的“第五代计算机”计划。

但专家系统也有其局限性，比如知识获取困难、维护成本高、缺乏常识、应用领域狭窄等。到了80年代末，随着个人电脑（PC）的兴起和专门的AI硬件（LISP机）市场萎缩，专家系统的热潮逐渐退去，AI又迎来了“第二次寒冬”。

5. 新纪元：机器学习与深度学习的崛起（1994-至今）

经历了两次寒冬的洗礼，AI研究者们开始反思和探索新的方向。这一次，曾经在第一次浪潮中不太被看好的“联结主义”（神经网络）迎来了复兴，并逐渐成为主流，引领AI进入了全新的时代。

机器学习重焕生机 ：一些关键的理论和算法被提出，特别是1986年提出的“反向传播算法”（Backpropagation, BP），有效解决了多层神经网络的训练难题，让构建更复杂的神经网络成为可能。同时，像支持向量机（SVM）、决策树等其他机器学习算法也得到了发展。
深度学习大放异彩 ：进入21世纪，随着互联网的普及带来了海量数据（大数据），以及计算机硬件（特别是图形处理器GPU）计算能力的飞速提升，神经网络的研究取得了突破性进展，进入了“深度学习”时代。

卷积神经网络（CNN）

在图像识别领域表现惊人，让计算机“看懂”图片的能力大大增强。

循环神经网络（RNN）

及其变种在处理序列数据（如语音、文本）方面取得成功。

2012年以来，深度学习在图像识别、语音识别、自然语言处理等各项竞赛中屡创佳绩，并在工业界得到广泛应用。
2016年，基于深度学习的AlphaGo战胜人类围棋世界冠军，成为AI发展史上的又一个里程碑。
近年来，基于Transformer架构的 大语言模型（LLM） ，如GPT系列（ChatGPT就是其中之一）、BERT等，以及各种 生成式AI（AIGC） 应用（如AI绘画DALL-E、Stable Diffusion，AI音乐创作等）的爆发，更是将AI推向了前所未有的高潮，引发了全球范围内的关注和讨论。

应用场景

了解了AI的定义和发展历程，你可能会问：这个听起来高大上的AI，跟我有关系吗？它到底用在哪些地方了？答案是：关系很大，而且它可能比你想象的还要无处不在！AI技术已经悄悄地融入了我们日常生活的方方面面，以及各行各业的运作之中。

1. AI就在你的口袋里，你的指尖上

不信？掏出你的智能手机看看：

聪明的语音助手 ：无论是苹果的Siri、小米的小爱同学，还是其他品牌的语音助手，你对着手机说话，它能听懂你的指令，帮你设闹钟、查天气、播音乐，甚至跟你聊几句。这背后就是AI中的语音识别和自然语言处理技术在发挥作用。
秒开的人脸解锁 ：拿起手机，看一眼屏幕就能解锁，是不是很方便？这就是基于AI的人脸识别技术，它能精准地认出你的脸，既安全又快捷。
懂你的个性化推荐 ：你有没有发现，你在购物APP（如淘宝、京东）里浏览过的商品，或者在新闻APP（如今日头条）、短视频APP（如抖音、快手）里喜欢看的内容，之后总能看到类似的推荐？这也是AI在“偷偷”学习你的兴趣偏好，为你量身定制信息流。

除了手机，我们每天使用的互联网服务也离不开AI：

强大的搜索引擎 ：当你在百度或谷歌搜索信息时，AI算法会帮助你快速找到最相关、最有用的结果。
便捷的机器翻译 ：出国旅游或者看外文资料时，翻译软件或网页自带的翻译功能能帮你打破语言障碍，这得益于AI驱动的机器翻译技术。
烦人的垃圾邮件过滤 ：你的邮箱能自动识别并拦截大部分垃圾邮件，让你免受骚扰，这也是AI在默默守护。
精准的影音推荐 ：视频网站（如B站、腾讯视频）和音乐APP（如网易云音乐、QQ音乐）能猜中你喜欢的电影或歌曲，也是AI推荐算法的功劳。

2. AI赋能千行百业，改变世界

AI的影响远不止于我们的日常生活，它正在深刻地改变着各行各业的运作方式：

医疗健康 ：AI可以帮助医生分析医学影像（如X光片、CT片），提高诊断的准确性和效率；还能辅助新药研发，缩短药物上市时间。
交通出行 ：自动驾驶汽车是AI在交通领域最引人注目的应用之一，虽然完全的无人驾驶还有距离，但很多汽车已经配备了AI辅助驾驶功能（如自动泊车、车道保持）。此外，AI还能优化交通信号灯配时，缓解城市拥堵。
金融服务 ：我们现在习以为常的刷脸支付，背后就是AI人脸识别技术；银行和金融机构利用AI进行风险评估、欺诈检测，甚至提供智能化的投资顾问服务。
文化娱乐 ：玩游戏时，那些聪明的电脑对手（NPC）很多是由AI驱动的；近年来大火的AI绘画和AI音乐创作（生成式AI），更是让每个人都有机会成为“艺术家”。
教育领域 ：AI可以根据每个学生的学习情况，提供个性化的学习内容和辅导，实现因材施教；智能批改作业等应用也在逐步落地。
制造业 ：在工厂里，AI驱动的工业机器人可以高效、精准地完成重复性或危险性工作；智能质检系统可以通过图像识别技术发现产品瑕疵，提高产品质量。

picture.image

如何入门人工智能？

AI并非高不可攀，只要有兴趣和正确的方法，任何人都可以开启自己的AI学习之旅。

1. 摆正心态，拥抱好奇

首先，最重要的是心态。面对一个全新的领域，特别是像AI这样听起来很“硬核”的领域，感到迷茫甚至有点畏惧是很正常的。但请记住：

保持好奇心 ：好奇心是最好的老师。带着探索未知世界的兴趣去学习，你会发现其中的乐趣。
消除畏惧感 ：不要被各种高深的技术术语吓倒。入门阶段，理解核心概念和思想比掌握复杂技术更重要。
接受这是一个持续学习的过程 ：AI技术发展非常快，没有人能一蹴而就掌握所有知识。做好长期学习、不断更新知识的准备。

2. 知识储备：真的需要成为数学和编程大神吗？

很多人一听说AI，就联想到复杂的数学公式和编程代码，觉得门槛太高。对于想成为AI工程师或研究员的人来说，扎实的数学和编程基础确实是必需的。但对于只想了解AI、入门AI的小白来说，情况并非如此：

数学基础 ：数学（特别是线性代数、微积分、概率论）是理解AI算法原理的基石。但是，在入门阶段，你不必追求推导每一个公式。更重要的是理解这些数学概念在AI中扮演的角色和直观含义。很多优秀的科普资源会用通俗的方式解释这些概念，先建立直觉理解就好。
编程基础 ：编程是实现AI想法的工具。Python 语言因为其语法简洁、易于学习，并且拥有丰富的AI库（就像工具箱），成为了目前AI领域最主流的编程语言。对于零基础的小白，可以从学习Python的基础语法开始。有很多免费的在线教程和资源可以帮助你入门。同样，初期不必追求成为编程高手，能看懂简单代码、会调用现成的工具包进行简单实践即可。

3. 精选学习资源推荐

在线课程（概念入门类） ：

吴恩达的《AI for Everyone》 (Coursera)

：这门课是AI大牛吴恩达专门为非技术人士设计的，完全不涉及复杂的数学和编程，旨在帮助大家理解AI是什么、能做什么、以及它对社会和商业的影响。强烈推荐！(可以在Coursera平台找到，通常有中文字幕)

国内平台的优质科普课

：网易云课堂、中国大学MOOC、B站等平台也有很多不错的AI科普或入门导论课程，可以搜索关键词“人工智能入门”、“AI科普”等查找评价较高的课程。

科普书籍（轻松阅读类） ：

《人工智能简史》 (尼克)

：这本书以生动有趣的故事形式，讲述了AI从诞生到发展壮大的历程，非常适合入门阅读。

《上帝的骰子：量子物理趣画》系列作者新作 (例如关于AI的科普漫画)

：寻找一些用漫画或图解形式讲解AI的书籍，可以更轻松地理解抽象概念。

关注一些知名科技媒体或作者的AI科普文章/书籍

：例如李开复的《AI·未来》等，可以帮助你了解AI的趋势和影响。

资讯与社区（保持同步类） ：

权威科技媒体

：关注如机器之心、量子位、InfoQ等科技媒体的AI频道，了解最新的行业动态和技术进展。

线上社区

：知乎上有很多人分享AI学习经验和资源（搜索相关话题或专栏），CSDN等技术社区也有AI板块。在社区里提问、交流，可以帮助你解决疑问，找到同伴。

动手尝试（体验为王类） ：

玩转AI工具

：亲自体验一下现在流行的AI应用，比如和ChatGPT聊天，用Midjourney或Stable Diffusion生成图片，使用AI驱动的笔记或写作工具等。亲身体验是理解AI能力最直观的方式。

低代码/无代码平台

：一些平台提供了无需编程就能搭建简单AI模型的功能，可以让你在实践中感受AI的工作流程。如Coze、Dify等。

4. 给新手的几点建议

循序渐进，切忌贪多求快 ：从科普和概念入手，再逐步学习基础知识和工具，不要一开始就扎进复杂的算法细节。
多看多思，建立全局视野 ：不仅要学习技术本身，也要关注AI的应用场景、伦理问题和社会影响。
找到同伴，共同学习 ：加入学习社群，和他人交流讨论，可以互相鼓励，共同进步。
保持热情，享受过程 ：学习AI是一个探索的过程，享受其中的乐趣最重要。