《AI基础》
1.AI基础知识
1.1 AI基础概念
| | AI的定义、简要发展历程（知道几次发展浪潮）、主要应用领域（如医疗、金融、交通等）。 |
| 目标： 听到“人工智能”能联想到其广泛应用。关键词： 自动化、智能化。 |
🤖 AI的定义与目标
人工智能 是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它旨在让机器能够像人类一样思考、学习、决策和解决问题。
通俗来讲，如果一台机器能够与人类对话而不能被辨别出其机器身份，那么我们就可以认为这台机器具有智能。这也就是著名的“图灵测试”所探讨的核心，当前我们接触到的人工智能系统，绝大多数都属于弱人工智能，它们专注于完成某个特定任务，但在其他方面能力有限
🛣️ AI的发展历程
人工智能作为一门学科，正式诞生于1956年的达特茅斯会议，约翰·麦卡锡在会上首次提出了“人工智能”这一术语。它的发展并非一帆风顺，经历了多次高潮与低谷
| 时间节点 | 核心事件与特征 | 代表性成果 |
|---|---|---|
| 20世纪50-70年代 | 诞生与早期探索：基于符号逻辑和推理规则。 | 达特茅斯会议确立AI概念；ELIZA聊天机器人出现 。 |
| 20世纪80年代 | 专家系统兴起：依靠专家知识和规则库解决特定领域问题。 | 医疗诊断、化学分析等领域的专家系统 。 |
| 20世纪90年代-21世纪初 | 互联网与数据驱动：随着计算能力提升和互联网普及，机器学习方法得到重视。 | IBM“深蓝”战胜国际象棋世界冠军；互联网搜索引擎发展 。 |
| 2012年至今 | 深度学习与大模型时代：神经网络技术取得突破，大数据和强大算力推动AI飞速发展。 | AlphaGo战胜围棋冠军；生成式AI和大模型爆发 。 |
💡 AI的应用领域
智能制造：AI助力建设智能工厂，通过智能调度、质量控制和预测性维护，极大提升了生产效率和产品质量
。医疗健康：AI辅助诊断系统能够帮助医生提高疾病诊断的准确率和效率，特别是在医学影像分析方面表现出色
。AI还能加速新药研发的进程。交通运输：智能网联汽车和自动驾驶技术正在重塑未来的交通模式，旨在提升运行安全和效率
。金融服务：机器学习算法广泛应用于风险评估、欺诈检测和智能投顾等领域，让金融服务更加精准和高效
。日常生活：从智能手机上的语音助手、个性化的内容推荐，到智能家居控制系统，AI无处不在，持续改善着我们的生活体验
。
1.2 AI技术领域（重点）
| 技术领域 | 核心目标 | 关键技术与方法 | 典型应用场景 |
|---|---|---|---|
| 计算机视觉 (CV) | 让计算机能“看”懂图像和视频，识别、跟踪、测量并理解其中的内容 。 | 图像增强、边缘锐化、图像分割、特征抽取、卷积神经网络（CNN）、目标检测、语义分割 。 | 人脸识别、智能视频监控、医疗影像分析（如乳腺癌筛查）、自动驾驶汽车、工业质检 。 |
| 自然语言处理 (NLP) | 让计算机能理解、解释和生成人类语言，实现人机有效沟通 。 | 词嵌入（Word2Vec）、句法分析、语义分析、Transformer模型、大语言模型（如GPT、BERT） 。 | 机器翻译、智能客服聊天机器人、情感分析、文本自动摘要、信息检索 。 |
| 语音技术 (ASR/TTS) | 让机器能“听”懂语音（语音识别，ASR）并“说”出语言（语音合成，TTS） 。 | 隐马尔可夫模型（HMM）、深度学习（如DNN-HMM混合模型）、声学模型、语言模型 。 | 语音输入法、智能语音助手（如Siri）、实时语音转文字、呼叫中心语音分析 。 |
1.2.1 计算机视觉（CV）
计算机视觉旨在让机器具备类似人类视觉系统的能力，能够从图像或视频中提取信息并理解其内容
核心原理与技术：其技术流程常借鉴人类视觉皮层的处理方式，即一个从低级特征到高级语义的逐层抽象过程：
简单来说，计算机先处理像素，提取边缘、角点等基本特征；然后组合这些特征识别出轮廓、形状；最终在更高层次上理解这是什么物体或场景。卷积神经网络（CNN）是实现这一过程的强大工具，其中的卷积层负责提取特征，池化层用于降维和保持特征稳定性。此外，还包括目标检测（框出图像中多个物体并识别）和语义分割（对图像中的每个像素进行分类）等重要任务。
应用实例：CV的应用非常广泛。在医疗领域，它可以分析医学影像，辅助医生更早、更准确地发现病灶，例如在乳腺癌筛查中，CV系统已表现出媲美甚至超越人类放射科医生的能力
在自动驾驶中，CV是感知环境的核心，用于识别道路、车辆、行人及交通标志。在零售业，它被用于分析顾客在店内的行为轨迹，优化商品陈列和营销策略
1.2.2 自然语言处理（NLP）
自然语言处理是人工智能中研究机器理解、处理和生成人类语言的领域，旨在搭建人机之间的语言桥梁
核心原理与技术：NLP的技术发展经历了从基于规则的方法到统计学习方法，再到当前以深度学习（特别是Transformer架构）为主流的阶段。处理文本时，通常先进行预处理，包括分词、词性标注等。由于计算机无法直接理解文字，需要将词汇转化为数值向量（即词嵌入），从而捕捉词语的语义信息。之后会进行句法分析（理解句子结构）和语义分析（理解深层含义）。大语言模型（如GPT系列）的出现，通过海量数据预训练，让机器在语言理解和生成方面取得了飞跃性进展。
应用实例：NLP的应用几乎无处不在。机器翻译（如中英文互译）是最早也是最常见的应用
智能客服和聊天机器人（如你手机里的语音助手或网站客服）依赖NLP来理解你的问题并生成回答。情感分析可以自动分析社交媒体上的用户评论，判断舆论倾向。此外，还有文本自动摘要、信息检索