文章目录一、人工智能1.1 介绍1.2 机器学习1. 介绍1.3 深度学习一、人工智能1.1 介绍人工智能Artificial Intelligence简称 AI通常指让机器在通常需要人类智能才能完成的任务上表现出智能行为的一类技术。这里的智能是功能性、可观察的无论是写死的逻辑规则如下棋程序的评估函数还是复杂的神经网络只要它能在相应任务上给出通常要人来做才行的结果从工程角度就算人工智能。所以图灵测试那类只看行为、不看内部的判据长期是 AI 的操作性定义。但要区分模拟simulation与实现realization模拟是做出像的样子实现是真的有。当前主流的人工智能深度学习、大语言模型等属于弱人工智能它追求的是在特定任务上达到甚至超越人类表现而不涉及意识、主观体验或真正的理解它模仿的是智能的行为而非智能的本身。这两者能否跨越、如何跨越正是强人工智能讨论的核心。学术界给人工智能做了区分强人工智能Strong AI目标是造出真正拥有心智与意识的机器——不只是行为像人而是有主观体验、能真正理解自己在做什么。弱人工智能Weak AI / Narrow AI限定在特定领域或任务上表现出智能行为可以做得和人一样好甚至更好但不声称拥有意识或理解力。今天几乎所有落地应用语音识别、推荐系统、图像分类、大模型都属于这一类。1.2 机器学习1. 介绍机器学习Machine Learning缩写 ML是人工智能的一个子领域。它的核心思路是不再由人手动编写决策规则而是让计算机从大量样本中自动归纳出规律并用这套规律去处理未曾见过的新数据。一句话概括就是把写规则换成喂例子。举一个恰当的例子。假设我们拿到一堆数据110.3、211.8、314.2、415.9、518.1。这些点大致沿着一条直线分布但没有任何一条直线能精确穿过每一个点。我们想做的是找到一条最接近这些点的直线比如约等于 y 2x 8然后用它去预测更多 x 对应的 y。在这个例子里数据就是样本这条直线就是从数据里学到的规律而哪条直线最接近由损失函数来定义——机器学习要做的就是通过这堆数据找到这个函数并用它对没见过的数据做出预测。而真实场景中机器学习要解决的问题往往远没有这么简单。比如让计算机分辨玫瑰和菊花这两种花不是靠几个手工参数就能轻易区分的——一张图片本身就包含十几万个像素值类别之间的边界是非线性的、复杂的很难用几条人写的规则描述清楚。我们的做法是给计算机大量带标签的图片作为样本每张图片配一个“玫瑰”或“菊花”的标签标签是人工标注的这也正是监督学习最贵的地方。然后用这些样本训练模型直到它学到一个从图片特征到类别标签的映射能对新的图片做出比较准确的判断。这里要分清两个概念。特征是描述样本的属性标签是样本所属的类别玫瑰 / 菊花本质上是监督信号——告诉模型这个样本的正确答案是什么。而特征从哪来正是传统机器学习和深度学习的分水岭传统方法里特征由人手工提取颜色直方图、形状轮廓等模型只负责从人工特征到标签这一段映射深度学习方法里特征由模型自己从原始像素中学出来特征提取和分类器端到端一起训练这就是所谓的表示学习。也正因如此玫瑰/菊花这类原始图像任务今天几乎都走深度学习——不是神经网络比 SVM 强多少而是不用再靠人去设计特征了。SVM支持向量机Support Vector Machine在两类样本之间找一条分得开、且离两边都尽量远的分界线。总结样本 特征 标签特征是输入描述标签是正确答案模型学的就是从特征推出标签这件事。只不过在传统 ML 里特征是人给的在深度学习里特征是模型自己学的——这就是两种路线的全部差别。1.3 深度学习深度学习Deep Learning简称 DL是机器学习的一个分支。它通过构建多层神经网络让模型从数据中自动学习特征并进行预测。多层神经网络通常由输入层、隐藏层和输出层组成。输入层负责接收数据输出层给出最终结果隐藏层位于二者之间其内部计算过程通常不直接呈现给使用者。网络的整体结构、层数和部分超参数通常仍由人设计或设定而各层的参数则主要通过在数据上的训练自动学习得到。例如让模型识别玫瑰时我们只需给它一张图片而不必再人工提取特征。模型会在训练中自动学习从简单到复杂的特征较浅的层可能学习边缘、颜色、纹理等信息较深的层再逐步组合出形状、花瓣结构等更抽象的特征最后输出识别结果。这里的“第一层分析颜色、第二层分析形状”只是形象化示意实际网络中每一层学到的特征通常需要结合具体模型和数据分析。深度学习模型可以看成一个不断嵌套的函数输入数据依次经过每一层的变换前一层的输出作为后一层的输入最终得到预测结果。训练模型就是调整这些函数中的参数使整个嵌套函数能更好地拟合数据。