微信中阅读，欢迎关注公众号 CodeFit
🗓 2024 年 12 月
构建一个精品级别的 AI 基础知识框架课程。
🌟 课程特点
通俗易懂：为非技术背景读者设计
系统完整：覆盖 AI 基础到实践应用
实用导向：结合真实场景与案例
循序渐进：科学的知识递进结构
😈 课前必读
课程大部分内容构思于今年下半年进高校的人工智能通识课程讲座。
期间需要面向大量的非计算机专业的同学，难的地方当然就是需要将复杂的技术概念转化为通俗易懂的内容，这带来了很多挑战⚔️。
在多次授课实践中，产出了以下由浅入深的学习路径：
Ps：注意本文内容所处的主题。
正如有人说：“写书的最好时机，是在完成该书的巡回演讲之后。”
这是触发我在完成讲座后，把课程内容写成文章，通过公众号的形式与更多人分享的重要原因。
引言
人工智能（Artificial Intelligence，简称 AI）在 2022 年 11 月开始引发全球关注，很大程度上是因为一家名为 OpenAI 的公司，在当时发布了一款 AI 产品 - ChatGPT。
刚发布的 ChatGPT 其实就是一款网页聊天机器人，基于 GPT-3.5 架构的 AI 模型。
是的，你需要后面的内容才能理解什么 GPT-3.5 架构，什么是 AI 模型, 这里先有个印象。
ChatGPT 的横空出世让许多人第一次真切感受到了 AI 的魔力。
同时也掀起了全球性的 AI 学习热潮，这种突然性的爆发式关注，甚至会让人产生一种错觉：人工智能是一种临近 2022 年才出现的技术。
然而，就像一条奔涌的河流，在我们看到它波澜壮阔的表面之前，它的源头早已在历史的深处静静流淌。
要理解什么是人工智能，一个好的开始是追溯人工智能的思想起源。
这不仅能帮助我们更好地理解当下突飞猛进的 AI 技术，更能让我们洞察这项很可能会改变人类文明进程的技术背后的深层逻辑。
让我们一起回到过去，去寻找其最初的火种。
一、人工智能的思想起源
实际上，人工智能的历史可以追溯到上世纪50年代。
在 1950 年，计算机科学先驱 艾伦·图灵（Alan Turing） 在 Mind 期刊上发表了开创性论文《Computing Machinery and Intelligence》，首次系统性地探讨了一个核心问题："机器能思考吗？（Can machines think?）"
这篇论文为人工智能的理论研究奠定了基础，被认为是人工智能概念的思想源头。
扩展：图灵测试基于 “机器能思考吗？” 这个问题的研究，图灵设计出了一个著名的实验：图灵测试。
实际上，在图灵的原文中，描述的是一种 “模仿游戏”(Imitation Game)，强调机器的模仿能力。
这个游戏的核心是：如果一台计算机能够在规定的时间内通过文字聊天的方式模仿人类，使人无法准确地分辨它是机器还是人，这台计算机就可以被认为具有思考能力。
“图灵测试” 被认为是评估人工智能水平的重要标准之一。
虽然图灵的论文中使用的是 “模仿游戏” 这一描述，但后来学术界更多地采用 "图灵测试" 这一术语，这反映了人们对图灵开创性贡献的认可。
二、人工智能的发展
2.1 人工智能是计算机科学的分支吗？
关于什么是人工智能，一个简单的说法是人工智能是计算机科学的分支，但是这种说法不太严谨。
在 20 世纪 50 年代，人工智能概念提出时，计算机科学本身还是一个较新的领域。
下面会讲到，AI 这个术语是在 1956 年被提出来的，当时的计算机科学还未完全成熟为独立学科。
事实上，人工智能起源于多个学科的交叉融合（特别是现代人工智能），包括计算机科学、数学、哲学、心理学等领域。
其中，计算机科学为人工智能提供了实现自动信息处理的技术基础。
这是为什么大部分人会认为人工智能是计算机科学的分支的原因。
扩展：计算机科学计算机科学，通常指 CS 专业（Computer Science），我们把计算机科学看作是一棵有很多分支的大树，这些分支就会包括计算机硬件、软件编程、操作系统、数据结构等。
这里，我们为知识点构建了一棵树，这个认知非常重要，后面会单独写一篇文章进行阐述。
2.2 达特茅斯会议
随着计算机科学的发展，在图灵的论文发表 6 年后，也就是 1956 年，由 约翰·麦卡锡（John McCarthy） 组织发起了一个学术会议，会议在 特茅斯学院（Dartmouth College） 举办，所以这个会议也被简称为达特茅斯会议。
扩展：约翰·麦卡锡（John McCarthy）麦卡锡可能没有图灵那么为人熟知。
简单来说，麦卡锡也属于我在课堂中所说的天才那一部分的人物，下面是介绍一些他让人印象深刻的一些成就。
约翰·麦卡锡（John McCarthy，1927-2011）是人工智能领域最具影响力的先驱者之一，被誉为“人工智能之父”。
他在 1956 年首次提出了“人工智能”（Artificial Intelligence）这个术语，在当时定义为"制造智能机器的科学和工程"。
作为斯坦福大学教授，他发明了 LISP 编程语言（最早的人工智能编程语言之一），并在计算机科学领域做出了开创性贡献，因此获得了 1971 年的图灵奖。
总的来说，他的研究和理论为现代人工智能的发展奠定了重要基础。
会议汇集了来自数学、工程、认知科学和管理等领域的学者，这次跨学科会议正式确立了 人工智能（Artificial Intelligence） 这一术语。
对于理解什么是人工智能，了解其具有跨学科特性，这一点非常重要🌿。
会议对人工智能的描述被概括为："制造智能机器的科学与工程"。
而所谓的智能机器，在当时指的是能够模仿人类智能行为的机器。
智能机器，学术化的描述则是通过科学研究和工程实践，使机器具备人类的推理、学习和决策能力，从而完成通常需要人类智能才能完成的任务。
2.3 最重要的两个历史节点
从 1950 年图灵发表论文到 1956 年的达特茅斯会议，这 6 年可以说是人工智能从理论设想到学科确立的关键转折期。
图灵的论文首次提出了判断机器是否具有智能的方法（图灵测试），为人工智能奠定了理论基础。
达特茅斯会议则正式确立了“人工智能”这一术语，并将其建立为一个独立的研究领域。
如果用一个比喻来说明两者的关系：图灵的论文就像是播下了机器智能的种子，而达特茅斯会议则是这颗种子正式发芽的时刻，人工智能这棵新兴学科的幼苗由此诞生。
可以说，这两个历史节点共同构成了人工智能发展史上最具标志性的奠基里程碑！
课外作业这两个里程碑之后，则是人工智能的发展浪潮，这里的内容就太多了，有兴趣的同学自行探索。
三、人工智能的定义
人工智能目前仍在不断发展中，其定义也在不断地完善中，所以当下并没有一个统一的定义。
每个人，包括学术界和工业界，都有着对人工智能的各种定义，没有对错之分。
我们这门课程叫人工智能通识课，其中的一个目标就是希望大家学完后可以形成自己对于人工智能的理解。
这里也会给出一个属于我们这门课程的一个定义，但在给出这个定义前，需要强调一个理解人工智能的前提：
认识到人工智能是一个动态发展的概念，它不仅仅是技术的集合，更是人类对智能本质的探索和延伸。
而需要完成这种探索，必然需要通过计算机科学、数学、心理学等多学科的交叉融合，才能创造出能够模拟、延伸和超越人类智能的系统。
从学术的角度，我们可以给出一个人工智能的定义：“人工智能是研究和开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门交叉学科。”
更容易阅读的版本是：“让计算机能够像人类一样进行思考、学习、规划和创造的科学与工程。”
四、人工智能的发展层次
随着人工智能技术的快速发展，业界普遍将 AI 的发展阶段划分为三个层次：
专用人工智能（Artificial Narrow Intelligence，简称ANI）
通用人工智能（Artificial General Intelligence，简称AGI）
超级人工智能（Artificial Supper Intelligence，简称ASI）
ANI，口语化的叫法是 Narrow AI，也被翻译为狭义人工智能，但是我更喜欢翻译为专用人工智能。
4.1 专用人工智能（ANI）
专用人工智能，也称为弱人工智能（Weak AI），是目前人工智能发展的主要阶段。
它专注于解决特定领域的具体问题，具有明确的应用边界。
从技术的角度看，ANI 完成的任务具有专一性，也就是专注于解决单一或者有限领域中的问题。
这会带来一个优势，依赖于大量特定领域中的数据，ANI 可以在特定任务上超越人类。
比如，AlphaGo 击败了人类的围棋冠军。
而缺点则是迁移能力弱，因为通过对这些数据进行的训练，最终获得的学习成果，很难应用到其他领域。
扩展：训练和学习这里的训练和学习，其实都算是人工智能分支中机器学习的专业术语。
你可能会很奇怪：计算机是如何训练和学习的，这属于后面的内容，这里先建立一个印象，希望可以让你后面的学习无痛一些😈。
最后一点，不管你看到别人对 AI 的强大是如何宣传的，目前我们所看到的所有 AI 应用都属于 ANI 范畴，例如：
OpenAI 的 ChatGPT（自然语言处理）
DeepMind 的 AlphaGo（围棋博弈）
Tesla 的自动驾驶系统（计算机视觉）
各类智能推荐系统（用户行为分析）
4.2 通用人工智能（AGI）
ANI 是我们当下对人工智能的实现，而 AGI 则是我们对人工智能的未来憧憬。
实际上，AGI 才是真正意义上的人工智能系统，这个层次的人工智能可以复制人类的认知能力，具备通用智能。
通用智能，意味着具备跨领域的问题解决能力，能够自主获取和应用新知识的同时，还需要具备逻辑推理和创造性思维，最难的则是还需要理解和处理复杂的情感信息。
目前，AGI 还没有来，因为要实现通用智能，仅在技术层面就有很多的挑战，包括如何构建通用知识体系，如何实现跨域知识迁移，还有如何让其掌握人类的基本常识以及模拟人类的自我意识。
显而易见的是，ANI 已经实现，而 AGI 则是未来。
4.3 超级人工智能（ASI）
ASI 是人工智能发展的理论终点，代表着一种超越人类智能的高级形态。
这个层次的 AI 目前仅存在于构想中。
如果真的出现，其各方面的能力会远超人类，同时具备自主优化和进化能力。
ASI 的出现肯定会带来巨大的革命性科技创新，但是其发展路径难以准确预估，大概率会推动人类文明形态转变，影响人类命运走向。
这个层次的 AI 离我们还太遥远啦，了解即可。
4.4 三大层次展望
人工智能的三个发展层次，可以说展现了 AI 技术演进的宏大愿景。
当前，我们正处于 ANI 阶段，向 AGI 迈进的道路充满挑战，而 ASI 则代表着更远的未来。
在推进技术发展的同时，我们还需要审慎考虑其对人类社会的深远影响，构建负责任的 AI 发展框架。
最后一句话有点空，但是其实还是很有必要的。
五、结语
在经历了从理论构想到学科建立，从专用智能到通用智能探索的历程，人工智能正以前所未有的速度改变着我们的世界。
站在 2025 年的门槛上，我们需要从多个层面去看待 AI 的发展：
在技术层面，我们应当：
持续关注 AI 技术的演进
理解 AI 的能力边界和局限性
保持终身学习的意识和能力
在应用层面，我们需要：
善用 AI 工具提升个人和组织效率
发掘 AI 在各领域的创新应用
在伦理层面，我们更要：
重视 AI 发展中的伦理道德问题
平衡技术进步与人文关怀
未来的世界必然是人类与 AI 共生的世界 🌏。
在这个充满机遇与挑战的新时代，让我们：
以开放的心态拥抱变化
以理性的思维审视技术
以积极的态度参与其中
唯有如此，我们才能把握住未来 AI 时代的机遇✨。