小编刚结束实习，终于可以有时间来继续写blog啦😀。上版Vue3系列还是去年写的，目前不打算继续写了。准备跟随潮流，写一版人工智能应用的入门教程出来！😘😘😘

人工智能的定义

        人工智能 就是在不同情景下给出针对性输出的工具。比如最近爆火的openclaw，其实就是使用部署的系统环境作为固定前提，用户指令和可用电脑资源作为动态情景，针对不同的操作系统进行针对性输出：比如在Linux上使用nano操纵文件，在window上使用notepad操纵文件。这些都是人工智能目前实现的操作。这是对系统层进行操作的人工智能，就是可以使用外部工具、拥有自主规划，推理能力的人工智能(符合这三个条件的都可以叫Agent)。

        目前主流的人工智能是生成式模型。分为大语言模型、视觉生成模型、多模态模型、世界模型：大语言模型顾名思义是对语言方面进行了增强的模型，可以对自然语言进行比较完善的语义理解和生成回答；视觉生成模型是生成图像，视频相关的模型；多模态模型是理解和生成文本+视频图片的模型；世界模型目前小编还未掌握，以后看情况再讲。

人工智能的历史发展

1.图灵机(1936年)

        图灵机理论出自图灵(某种程度上最早的二次元)提出。内容是 任何可计算的内容都能被图灵机模拟。这一理论奠定了计算机的边界理论和机械论智能的基础。

2.符号主义(1956年)

        人工智能这个词就出自这里。从达特茅斯会议诞生的符号主义推崇使用逻辑创造推理。内容是以数学符号和逻辑打造出可以进行推理的人工智能。

3.感知机(1958年)

        感知机，最早的神经网络(简单单元)。由联结主义(从符号主义中诞生)完成的第一台人工智能机器。原理类似于权重计算，简而言之就是，(拆解物(特征)*权重)*n + 偏向数(偏置) = 输出。即 苹果(输入物) = 红(拆解物x1) + 圆形(拆解物x2) + ... + n 。经过人工训练后得到各个属性(拆解物)的权重和对应的偏向数。实践中只要输入苹果的属性(特征)，感知机就可以根据这些属性得出这是一个苹果。也就y，下图中X1，X2 和W1，W2，B的意义各自对应着特征1，特征2和权重1，权重2. XWB相关的计算公式（简化公式，并不是真正的公式）称为线性组合(点积)。 现在我们称之为单层神经网络(下图)和标量(x1、x2（向量的一个元素叫标量)）。缺陷：无法解决异或类的问题

4.专家模型(1960年)

专家模型是符号主义的巅峰之作，通过人工标注和编码特征标量，进行逻辑推理和得出答案的系统。主流用于医疗、化学等系统。但是存在缺陷，如

• 构建周期长（数年）、成本极高；
• 遇到规则库外的情况，系统完全失效；
• 规则相互依赖，新增规则可能破坏原有推理链；
• 无法从数据或错误中自动改进；
• 缺乏跨领域的通用背景知识

这些缺陷证明：人类智能无法被完全符号化、规则化。专家系统的瓶颈，直接宣告了符号主义的衰落，为后来以数据驱动的联结主义、机器学习、深度学习铺平了道路。

5.多层神经网络(1980年)

多层神经网络解决了单层不能解决异或相关计算问题。其原理就是把每层网络的输出作为下一层网络的输入，也叫前向传播，创造了更多高维特征空间，使得线性可分。反向传播算法的诞生使多层神经网络掌握多层训练，其原理是利用链式法则，从输出层向输入层反向计算损失函数对各层参数的梯度，并依据梯度高效更新所有神经元的权重与偏置。

神经网络发展史：单层神经网络 -> 多层神经网络 ->卷积神经网络CNN ->循环神经网络RNN -> 残差神经网络->长短期记忆网络 -> Transformer

6.机器学习(1990年)

机器学习从感知机时代就已开始萌芽，但早期以无监督学习、人工标注、手工设计特征为主，没有形成体系。直到多层神经网络、反向传播算法、梯度下降算法成熟，神经网络才真正实现可训练、可自动学习。到1990 年左右，机器学习正式成为一门独立学科，核心是：从数据中自动学习规律，不再依赖人工编写规则。

7.深度学习(2012年)

深度学习是机器学习的子集，以深度神经网络为核心。2012 年 AlexNet 在图像识别任务中取得突破性成果，标志深度学习时代正式到来。

特点：

• 不需要人工设计特征，模型自动从数据中学特征。
• 网络层数更深、表达能力更强。
• 依靠大数据与强大算力，实现端到端学习。

它彻底超越传统机器学习，成为现代 AI、大模型的基础。

8.Transformer模型(2017年)

基于自注意力机制，彻底抛弃 RNN 串行结构，实现并行计算。能够直接捕捉全局依赖，长文本处理能力极强。成为大语言模型、多模态模型的统一底座，是现代 AI 的核心架构。

9.生成式模型 (2018年)

以 Transformer 为基础，通过海量数据预训练，具备理解、总结、创作、对话、多模态生成能力。不再只是分类、预测，而是直接生成新内容：文本、图片、音频、视频等。标志 AI 从判别时代进入通用生成时代。

结尾

总而言之，人工智能目前还在高速发展阶段，未来潜力无限。本文写于2026年，不知道10年后人工智能会不会实现全人类脱产🤨。目前人类和人工智能处于竞争关系，人类把生产的数据和资源喂给人工智能，但是人工智能只能替代训练数据范围的工作，无法达到真正意义上创造性的产出，普通产出质量也仍需审核。万一有一天数据资源用完了，人工智能可以做到真正理解，而不是去猜吗(是的，目前人工智能是靠猜出来答案的，这听起来违背常理，但确实如此，这也是为什么同一个非逻辑性的问题，同一个人工智能多次回答的答案往往不一致(每次问都需要新开一个会话))？

文章涉及资料由网络整理而来，如有侵权，告而删之