第一章：走進(jìn)AI的奇妙世界CONTENTS目錄1.1

AI成長(zhǎng)記：從萌芽到爆發(fā)1.2

揭開AI的神秘面紗人工智能應(yīng)用融入生活，背后是AI技術(shù)的演進(jìn)與突破。機(jī)器如何展現(xiàn)“智能”行為？如何“學(xué)習(xí)”和“決策”？本章將引領(lǐng)讀者探索人工智能領(lǐng)域。追溯其發(fā)展歷程，理解完整脈絡(luò)。探索其核心內(nèi)涵，重點(diǎn)剖析機(jī)器學(xué)習(xí)與深度學(xué)習(xí)兩大基石。聚焦自然語(yǔ)言處理和計(jì)算機(jī)視覺兩大技術(shù)分支，了解機(jī)器如何模擬人類感知進(jìn)行智能交互。本章導(dǎo)讀AI發(fā)展的知識(shí)目標(biāo)了解人工智能的發(fā)展歷程

01概念萌芽期（20世紀(jì)初-20世紀(jì)70年代）此階段形成圖靈機(jī)、麥卡洛克-皮茨神經(jīng)元模型等理論基石。1950年提出“圖靈測(cè)試”，1956年達(dá)特茅斯會(huì)議標(biāo)志AI學(xué)科誕生，隨后涌現(xiàn)邏輯理論家、感知機(jī)等早期成果。

02坎坷青春期（20世紀(jì)70年代-90年代）70年代中期至80年代初因計(jì)算能力、知識(shí)表示等瓶頸進(jìn)入第一次AI低谷。80年代知識(shí)工程興起，專家系統(tǒng)如MYCIN、XCON等迎來黃金時(shí)代，但也存在知識(shí)獲取瓶頸等局限。

03黃金成長(zhǎng)期（20世紀(jì)90年代-21世紀(jì)初）互聯(lián)網(wǎng)普及提供海量數(shù)據(jù)、應(yīng)用場(chǎng)景和協(xié)同研究環(huán)境。機(jī)器學(xué)習(xí)取得突破，如統(tǒng)計(jì)學(xué)習(xí)理論應(yīng)用、神經(jīng)網(wǎng)絡(luò)復(fù)興，1997年“深藍(lán)”擊敗卡斯帕羅夫。了解人工智能的發(fā)展歷程

01概念萌芽期（20世紀(jì)初-20世紀(jì)70年代）此階段形成圖靈機(jī)、麥卡洛克-皮茨神經(jīng)元模型等理論基石。1950年提出“圖靈測(cè)試”，1956年達(dá)特茅斯會(huì)議標(biāo)志AI學(xué)科誕生，隨后涌現(xiàn)邏輯理論家、感知機(jī)等早期成果。

02坎坷青春期（20世紀(jì)70年代-90年代）70年代中期至80年代初因計(jì)算能力、知識(shí)表示等瓶頸進(jìn)入第一次AI低谷。80年代知識(shí)工程興起，專家系統(tǒng)如MYCIN、XCON等迎來黃金時(shí)代，但也存在知識(shí)獲取瓶頸等局限。

03黃金成長(zhǎng)期（20世紀(jì)90年代-21世紀(jì)初）互聯(lián)網(wǎng)普及提供海量數(shù)據(jù)、應(yīng)用場(chǎng)景和協(xié)同研究環(huán)境。機(jī)器學(xué)習(xí)取得突破，如統(tǒng)計(jì)學(xué)習(xí)理論應(yīng)用、神經(jīng)網(wǎng)絡(luò)復(fù)興，1997年“深藍(lán)”擊敗卡斯帕羅夫。了解人工智能的發(fā)展歷程一飛沖天時(shí)代（21世紀(jì)初-至今）海量大數(shù)據(jù)、深度學(xué)習(xí)算法和強(qiáng)大計(jì)算能力推動(dòng)AI廣泛應(yīng)用，如計(jì)算機(jī)視覺、自然語(yǔ)言處理等領(lǐng)域。當(dāng)前面臨大模型、多模態(tài)等趨勢(shì)與挑戰(zhàn)。理解人工智能的核心概念

多維認(rèn)知普通大眾視AI為便捷工具，也有潛在憂慮；開發(fā)者關(guān)注算法模型；商業(yè)精英看重實(shí)用價(jià)值；政策制定者關(guān)注社會(huì)影響；哲學(xué)家探討本質(zhì)；社會(huì)科學(xué)家研究社會(huì)結(jié)構(gòu)影響。

機(jī)器學(xué)習(xí)讓計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)模式，與傳統(tǒng)編程規(guī)則來源和適應(yīng)能力不同。實(shí)施過程包括數(shù)據(jù)準(zhǔn)備、模型選擇、訓(xùn)練、評(píng)估和優(yōu)化。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)分支，通過深層神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征。如CNN識(shí)別貓，從低級(jí)到高級(jí)特征自動(dòng)學(xué)習(xí)，減輕人工特征設(shè)計(jì)依賴。掌握機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的基本流程機(jī)器學(xué)習(xí)流程先準(zhǔn)備大量訓(xùn)練數(shù)據(jù)，運(yùn)用學(xué)習(xí)算法訓(xùn)練模型，使其識(shí)別數(shù)據(jù)模式形成數(shù)學(xué)模型，用于新數(shù)據(jù)預(yù)測(cè)決策，如識(shí)別貓的圖像分類。深度學(xué)習(xí)流程-以CNN為例輸入層接收原始圖像數(shù)據(jù)，隱藏層（卷積、池化層等）逐層提取特征，從低級(jí)到高級(jí)，輸出層通過全連接和激活函數(shù)輸出類別概率。兩者對(duì)比機(jī)器學(xué)習(xí)特征工程依賴人工，選淺層分類器；深度學(xué)習(xí)自動(dòng)化特征學(xué)習(xí)，選CNN架構(gòu)，端到端訓(xùn)練。熟悉自然語(yǔ)言處理與計(jì)算機(jī)視覺的基礎(chǔ)知識(shí)

自然語(yǔ)言處理主要任務(wù)包括分詞、句法分析等。處理流程為接收用戶指令，經(jīng)語(yǔ)音識(shí)別、詞法分析等轉(zhuǎn)化為結(jié)構(gòu)化任務(wù)，如理解“識(shí)別貓”指令。

計(jì)算機(jī)視覺主要任務(wù)有圖像分類、目標(biāo)檢測(cè)等。流程是接收?qǐng)D像，預(yù)處理后用CNN提取特征分類，根據(jù)概率判定結(jié)果，如識(shí)別圖像中是否有貓。

兩者協(xié)同自然語(yǔ)言處理解析指令，計(jì)算機(jī)視覺識(shí)別圖像，協(xié)同完成復(fù)雜任務(wù)，如根據(jù)指令識(shí)別圖像中貓，結(jié)果可通過自然語(yǔ)言反饋。AI發(fā)展的能力目標(biāo)04辨析AI發(fā)展不同階段的關(guān)鍵驅(qū)動(dòng)因素與技術(shù)特點(diǎn)

概念萌芽期關(guān)鍵驅(qū)動(dòng)因素為基礎(chǔ)理論孕育，如20世紀(jì)30-40年代圖靈機(jī)奠定可計(jì)算性理論，1943年麥卡洛克-皮茨神經(jīng)元模型啟發(fā)人工神經(jīng)網(wǎng)絡(luò)發(fā)展。技術(shù)特點(diǎn)是從理論探索到早期AI程序初步實(shí)現(xiàn)，如1956年的邏輯理論家是首個(gè)AI程序。

坎坷青春期關(guān)鍵驅(qū)動(dòng)因素是對(duì)早期局限性反思后轉(zhuǎn)向?qū)＜蚁到y(tǒng)，如20世紀(jì)80年代知識(shí)工程興起。技術(shù)特點(diǎn)是以專家系統(tǒng)為代表，如MYCIN用于診斷細(xì)菌感染，但其存在知識(shí)獲取瓶頸等局限。

黃金成長(zhǎng)期關(guān)鍵驅(qū)動(dòng)因素是互聯(lián)網(wǎng)催化和機(jī)器學(xué)習(xí)突破，如互聯(lián)網(wǎng)提供海量數(shù)據(jù)和應(yīng)用場(chǎng)景，統(tǒng)計(jì)學(xué)習(xí)理論成熟。技術(shù)特點(diǎn)是機(jī)器學(xué)習(xí)成為核心驅(qū)動(dòng)力，如支持向量機(jī)在多領(lǐng)域應(yīng)用。

一飛沖天時(shí)代關(guān)鍵驅(qū)動(dòng)因素是海量大數(shù)據(jù)、深度學(xué)習(xí)算法和強(qiáng)大計(jì)算能力協(xié)同，如互聯(lián)網(wǎng)等產(chǎn)生海量數(shù)據(jù)，深度學(xué)習(xí)算法提升性能。技術(shù)特點(diǎn)是AI廣泛滲透各行業(yè)，如計(jì)算機(jī)視覺在安防、醫(yī)療等領(lǐng)域應(yīng)用。運(yùn)用所學(xué)概念初步解讀現(xiàn)實(shí)生活中的AI應(yīng)用

智能音箱從機(jī)器學(xué)習(xí)角度，智能音箱通過大量語(yǔ)音數(shù)據(jù)訓(xùn)練模型，實(shí)現(xiàn)語(yǔ)音識(shí)別和語(yǔ)義理解。如Siri能根據(jù)用戶語(yǔ)音指令播放音樂，背后是自然語(yǔ)言處理技術(shù)，將語(yǔ)音轉(zhuǎn)化為文本并分析意圖。

自動(dòng)駕駛涉及計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)，攝像頭等傳感器采集圖像數(shù)據(jù)，計(jì)算機(jī)視覺技術(shù)識(shí)別道路、車輛和行人等目標(biāo)，機(jī)器學(xué)習(xí)算法根據(jù)數(shù)據(jù)進(jìn)行決策和控制，如特斯拉的自動(dòng)駕駛技術(shù)。

智能客服基于自然語(yǔ)言處理，通過模式匹配、關(guān)鍵詞轉(zhuǎn)換等技術(shù)理解用戶問題并回復(fù)。如電商平臺(tái)的智能客服能快速解答常見問題，提高服務(wù)效率。建立對(duì)AI技術(shù)體系的初步框架性認(rèn)知

發(fā)展歷程歷經(jīng)概念萌芽期（20世紀(jì)初-70年代）、坎坷青春期（20世紀(jì)70-90年代）、黃金成長(zhǎng)期（20世紀(jì)90年代-21世紀(jì)初）和一飛沖天時(shí)代（21世紀(jì)初-至今）。

核心技術(shù)包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，機(jī)器學(xué)習(xí)讓計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)，深度學(xué)習(xí)通過深層神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征。還有自然語(yǔ)言處理和計(jì)算機(jī)視覺，分別實(shí)現(xiàn)語(yǔ)言理解和視覺感知。

應(yīng)用領(lǐng)域廣泛應(yīng)用于計(jì)算機(jī)視覺（人臉識(shí)別、自動(dòng)駕駛）、自然語(yǔ)言處理（智能音箱、機(jī)器翻譯）、推薦系統(tǒng)（電商推薦）、金融科技（智能投顧）、醫(yī)療健康（輔助診斷）等領(lǐng)域。批判性地思考AI技術(shù)帶來的機(jī)遇與潛在挑戰(zhàn)

機(jī)遇各行業(yè)效率提升，如制造業(yè)的智能制造、醫(yī)療的輔助診斷；創(chuàng)造新商業(yè)模式，如電商的個(gè)性化推薦；加速科學(xué)研究，如新材料發(fā)現(xiàn)和蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)。

大模型時(shí)代挑戰(zhàn)計(jì)算成本巨大，如GPT-3等模型訓(xùn)練需要大量算力；數(shù)據(jù)需求高，需大規(guī)模高質(zhì)量數(shù)據(jù)集，數(shù)據(jù)獲取和標(biāo)注困難。

倫理安全挑戰(zhàn)存在數(shù)據(jù)隱私問題，如個(gè)人信息泄露；算法偏見影響公平性，如招聘系統(tǒng)可能存在性別歧視；潛在濫用風(fēng)險(xiǎn)，如自主武器失控。AI成長(zhǎng)記：從萌芽到爆發(fā)1.11.1.1AI的“概念萌芽期”(20世紀(jì)初–20世紀(jì)70年代)

1.AI誕生前的理論基石

（1）圖靈機(jī)與可計(jì)算性理論20世紀(jì)30年代末-40年代，阿蘭·圖靈提出圖靈機(jī)，為“可計(jì)算性”提供嚴(yán)格形式化定義，奠定現(xiàn)代計(jì)算機(jī)科學(xué)理論基石，也為探討機(jī)器智能界限提供理論邊界。

（2）麥卡洛克-皮茨神經(jīng)元模型1943年，沃倫·麥卡洛克與沃爾特·皮茨提出“麥卡洛克-皮茨神經(jīng)元”模型，從計(jì)算層面證實(shí)人工單元模擬神經(jīng)元信息處理的可能性，啟發(fā)了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。

（3）控制論20世紀(jì)40年代-50年代，諾伯特·維納等人創(chuàng)立控制論，研究動(dòng)物與機(jī)器的控制與通訊過程，為理解智能行為的反饋調(diào)節(jié)等機(jī)制提供理論框架，影響早期AI多個(gè)領(lǐng)域。

（4）信息論1948年，克勞德·香農(nóng)創(chuàng)立信息論，為信息處理提供數(shù)學(xué)框架，其概念與方法為AI的模式識(shí)別、機(jī)器學(xué)習(xí)等提供基礎(chǔ)工具和理論視角。（5）赫布學(xué)習(xí)理論1949年，唐納德·赫布提出赫布學(xué)習(xí)規(guī)則，核心思想是“共同激活的神經(jīng)元間的連接會(huì)得到強(qiáng)化”，為人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法提供生物學(xué)啟示和理論基礎(chǔ)。1.1.1AI的“概念萌芽期”(20世紀(jì)初–20世紀(jì)70年代)

1.AI誕生前的理論基石通用圖靈機(jī)模型

麥卡洛克-皮茨神經(jīng)元模型2.AI的正式誕生

“圖靈測(cè)試”設(shè)定目標(biāo)1950年，阿蘭·圖靈在論文中提出“圖靈測(cè)試”，為判斷機(jī)器是否具備智能提供操作性標(biāo)準(zhǔn)，引發(fā)關(guān)于智能本質(zhì)等問題的哲學(xué)討論，為AI設(shè)定宏偉目標(biāo)。

達(dá)特茅斯會(huì)議標(biāo)志誕生1956年夏季，約翰·麥卡錫等人發(fā)起達(dá)特茅斯會(huì)議，首次提出“人工智能”術(shù)語(yǔ)，會(huì)議探討了多種智能行為的機(jī)器模擬，標(biāo)志著AI作為獨(dú)立學(xué)科正式誕生。1.1.1AI的“概念萌芽期”(20世紀(jì)初–20世紀(jì)70年代)

達(dá)特茅斯會(huì)議核心要素3.早期人工智能的初步探索達(dá)特茅斯會(huì)議之后，人工智能研究者們積極地將理論構(gòu)想轉(zhuǎn)化為具體的計(jì)算機(jī)程序與系統(tǒng)，涌現(xiàn)出一批具有開創(chuàng)性的早期人工智能成果（見表）。這些探索主要集中在符號(hào)推理、問題求解、模式識(shí)別和早期自然語(yǔ)言處理等領(lǐng)域。1.1.1AI的“概念萌芽期”(20世紀(jì)初–20世紀(jì)70年代)1.1.2AI成長(zhǎng)的“坎坷青春期”（20世紀(jì)70年代-90年代）01第一次AI低谷的原因20世紀(jì)70年代中期至80年代初，AI發(fā)展進(jìn)入低谷。原因包括計(jì)算能力制約，當(dāng)時(shí)計(jì)算機(jī)硬件無法滿足大規(guī)模問題計(jì)算需求；知識(shí)表示局限，難以刻畫復(fù)雜知識(shí)；推理機(jī)制初級(jí)，模擬人類復(fù)雜推理進(jìn)展緩慢；特定成果局限性暴露，如感知機(jī)無法解決非線性可分問題。02知識(shí)工程的興起經(jīng)歷低谷反思后，研究者將焦點(diǎn)轉(zhuǎn)向特定領(lǐng)域問題，結(jié)合計(jì)算機(jī)硬件性能提升和知識(shí)工程方法論成熟，催生了專家系統(tǒng)的繁榮。知識(shí)工程是將專家知識(shí)獲取、形式化并編碼到計(jì)算機(jī)程序的過程。03專家系統(tǒng)的發(fā)展20世紀(jì)80年代，專家系統(tǒng)取得顯著商業(yè)成功和學(xué)術(shù)關(guān)注。如MYCIN用于診斷細(xì)菌感染，推理準(zhǔn)確性與人類專家媲美；XCON為DEC公司計(jì)算機(jī)配置訂單，節(jié)省大量成本；DENDRAL可推斷有機(jī)化合物分子結(jié)構(gòu)。但專家系統(tǒng)也存在知識(shí)獲取瓶頸等局限性。

專家系統(tǒng)典型結(jié)構(gòu)1.1.3AI的“黃金成長(zhǎng)期”（20世紀(jì)90年代-21世紀(jì)初）1.互聯(lián)網(wǎng)的催化作用

20世紀(jì)90年代，互聯(lián)網(wǎng)為AI發(fā)展帶來變革。它提供海量數(shù)據(jù)，如文本、圖像等，為機(jī)器學(xué)習(xí)算法訓(xùn)練提供資源；是廣闊的應(yīng)用試驗(yàn)場(chǎng)，推動(dòng)機(jī)器學(xué)習(xí)算法研發(fā)迭代；促進(jìn)協(xié)同研究與開源文化興起，降低AI研究門檻。2.機(jī)器學(xué)習(xí)的突破

統(tǒng)計(jì)學(xué)習(xí)理論成熟，如VC維理論，催生了支持向量機(jī)、決策樹及其集成方法等強(qiáng)大算法。連接主義復(fù)興，反向傳播算法推廣，卷積神經(jīng)網(wǎng)絡(luò)早期工作和長(zhǎng)短期記憶網(wǎng)絡(luò)出現(xiàn)，為后續(xù)深度學(xué)習(xí)發(fā)展奠定基礎(chǔ)。3.標(biāo)志性成就的激勵(lì)

1997年，IBM的“深藍(lán)”擊敗國(guó)際象棋世界冠軍加里·卡斯帕羅夫，提升了公眾和產(chǎn)業(yè)界對(duì)AI能力的認(rèn)知和信心。4.其他重要算法與技術(shù)的發(fā)展

概率圖模型如貝葉斯網(wǎng)絡(luò)和隱馬爾可夫模型在多個(gè)領(lǐng)域廣泛應(yīng)用，無監(jiān)督學(xué)習(xí)方法如聚類算法和降維技術(shù)持續(xù)發(fā)展，為數(shù)據(jù)探索和特征工程提供工具?；ヂ?lián)網(wǎng)的催化作用1.1.4AI“一飛沖天”的時(shí)代（21世紀(jì)初-至今）

1.核心驅(qū)動(dòng)力海量大數(shù)據(jù)是AI發(fā)展基石，互聯(lián)網(wǎng)等產(chǎn)生的大規(guī)模、多類型數(shù)據(jù)為深度學(xué)習(xí)模型訓(xùn)練提供“燃料”，如ImageNet等公開數(shù)據(jù)集推動(dòng)算法進(jìn)步。深度學(xué)習(xí)算法通過構(gòu)建深層神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)自動(dòng)學(xué)習(xí)層次化特征表示，超越傳統(tǒng)機(jī)器學(xué)習(xí)方法。強(qiáng)大計(jì)算能力包括GPU并行計(jì)算、專用AI芯片和云計(jì)算平臺(tái)，使復(fù)雜AI模型訓(xùn)練和部署成為可能。1.1.4AI“一飛沖天”的時(shí)代（21世紀(jì)初-至今）

2.AI在各行業(yè)的廣泛應(yīng)用AI在計(jì)算機(jī)視覺、自然語(yǔ)言處理、推薦系統(tǒng)、金融科技、醫(yī)療健康、自動(dòng)駕駛、制造業(yè)和科學(xué)研究等眾多領(lǐng)域廣泛應(yīng)用，如人臉識(shí)別、智能音箱、智能投顧、輔助診斷等。

3.當(dāng)前趨勢(shì)與挑戰(zhàn)當(dāng)前處于大模型時(shí)代，超大規(guī)模預(yù)訓(xùn)練模型受關(guān)注，但計(jì)算成本和數(shù)據(jù)需求大。多模態(tài)AI研究讓AI綜合處理多種信息?？山忉屝訟I需提高決策透明度。AI倫理、安全與治理問題凸顯，需完善法規(guī)。距離通用人工智能（AGI）仍有很長(zhǎng)路要走。揭開AI的神秘面紗1.21.2.1人工智能的多維認(rèn)知：不同視角下的AI圖景

1.普通大眾與用戶視角普通大眾與用戶對(duì)AI的認(rèn)知源于日常體驗(yàn)，如智能音箱精準(zhǔn)播放喜歡的歌曲，他們視AI為讓生活便捷的“聰明工具”，但也有對(duì)失業(yè)、隱私等問題的潛在憂慮。

2.技術(shù)開發(fā)者與工程師視角技術(shù)開發(fā)者與工程師認(rèn)為AI是算法、模型、數(shù)據(jù)與算力的精密組合，他們專注于設(shè)計(jì)算法、構(gòu)建模型，提升系統(tǒng)性能，解決技術(shù)瓶頸。

3.商業(yè)精英與企業(yè)家視角商業(yè)精英與企業(yè)家看重AI的實(shí)用價(jià)值與市場(chǎng)潛力，將其視為推動(dòng)業(yè)務(wù)增長(zhǎng)、提升運(yùn)營(yíng)效率、創(chuàng)造新商業(yè)模式的強(qiáng)大引擎，如電商平臺(tái)開發(fā)AI推薦引擎提升轉(zhuǎn)化率。

4.政策制定者與監(jiān)管者視角政策制定者與監(jiān)管者關(guān)注AI的社會(huì)影響和治理挑戰(zhàn)，如自動(dòng)駕駛汽車的責(zé)任認(rèn)定，致力于制定法規(guī)和標(biāo)準(zhǔn)，引導(dǎo)AI健康發(fā)展。

5.哲學(xué)家與倫理學(xué)家視角哲學(xué)家與倫理學(xué)家從根本層面探討AI的本質(zhì)，思考機(jī)器意識(shí)、情感、道德地位等形而上學(xué)問題，如通過圖靈測(cè)試的AI是否應(yīng)賦予權(quán)利。不同視角下的AI圖景1.2.1人工智能的多維認(rèn)知：不同視角下的AI圖景

6.社會(huì)科學(xué)家視角社會(huì)科學(xué)家著重研究AI對(duì)社會(huì)結(jié)構(gòu)、權(quán)力分配、勞動(dòng)關(guān)系等方面的影響，如分析AI招聘系統(tǒng)的算法歧視對(duì)社會(huì)公平的影響。1.2.2機(jī)器學(xué)習(xí)：計(jì)算機(jī)的“學(xué)習(xí)秘籍”：1.機(jī)器學(xué)習(xí)的基本原理

核心原理機(jī)器學(xué)習(xí)的核心是構(gòu)建能從數(shù)據(jù)中自動(dòng)學(xué)習(xí)和改進(jìn)的計(jì)算機(jī)系統(tǒng)，通過提供大量觀測(cè)數(shù)據(jù)，運(yùn)用學(xué)習(xí)算法訓(xùn)練模型，讓系統(tǒng)識(shí)別數(shù)據(jù)模式，形成數(shù)學(xué)模型用于預(yù)測(cè)或決策。

識(shí)別貓示例以識(shí)別貓為例，向機(jī)器學(xué)習(xí)系統(tǒng)輸入大量標(biāo)注的貓和非貓圖像，系統(tǒng)學(xué)習(xí)貓的視覺特征，構(gòu)建分類模型，從而判斷新圖像中是否有貓。1.2.2機(jī)器學(xué)習(xí)：計(jì)算機(jī)的“學(xué)習(xí)秘籍”：2.機(jī)器學(xué)習(xí)與傳統(tǒng)編程的區(qū)別

核心驅(qū)動(dòng)力傳統(tǒng)編程的核心驅(qū)動(dòng)力是規(guī)則和指令，而機(jī)器學(xué)習(xí)是數(shù)據(jù)和經(jīng)驗(yàn)。

知識(shí)來源傳統(tǒng)編程的知識(shí)來源于程序員的顯式編碼，機(jī)器學(xué)習(xí)則是從數(shù)據(jù)中自動(dòng)學(xué)習(xí)到的模式。

程序邏輯傳統(tǒng)編程是確定性的、基于明確規(guī)則，機(jī)器學(xué)習(xí)是概率性的、基于學(xué)習(xí)到的模型。

問題解決方法傳統(tǒng)編程由程序員分析問題、設(shè)計(jì)算法、編寫精確步驟，機(jī)器學(xué)習(xí)是程序員選擇學(xué)習(xí)算法、提供數(shù)據(jù)，讓計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)解決問題。

對(duì)變化的適應(yīng)性傳統(tǒng)編程對(duì)變化適應(yīng)性較低，需修改甚至重寫代碼；機(jī)器學(xué)習(xí)模型可從新數(shù)據(jù)中學(xué)習(xí)并自適應(yīng)調(diào)整，泛化能力更好。

處理復(fù)雜性傳統(tǒng)編程難以處理模式復(fù)雜、規(guī)則模糊或變量多的問題，機(jī)器學(xué)習(xí)擅長(zhǎng)處理此類問題，能發(fā)現(xiàn)隱藏關(guān)聯(lián)。機(jī)器學(xué)習(xí)的實(shí)施過程通常遵循一個(gè)系統(tǒng)化的流程，主要包括5個(gè)相互關(guān)聯(lián)的關(guān)鍵環(huán)節(jié)，如圖所示。1.2.2機(jī)器學(xué)習(xí)：計(jì)算機(jī)的“學(xué)習(xí)秘籍”：3.機(jī)器學(xué)習(xí)的過程為了更系統(tǒng)地梳理兩者的差異，表從多個(gè)維度進(jìn)行對(duì)比機(jī)器學(xué)習(xí)與傳統(tǒng)編程在核心機(jī)制、應(yīng)用特點(diǎn)及開發(fā)者角色等方面的顯著區(qū)別。1.2.2機(jī)器學(xué)習(xí)：計(jì)算機(jī)的“學(xué)習(xí)秘籍”：4.機(jī)器學(xué)習(xí)和傳統(tǒng)編程的區(qū)別1.2.3深度學(xué)習(xí)：更厲害的“學(xué)習(xí)高手”：1.深度學(xué)習(xí)的工作原理（1）輸入層輸入層接收原始圖像數(shù)據(jù)，如識(shí)別貓任務(wù)中接收貓的圖像像素值，作為后續(xù)處理的起點(diǎn)。（2）隱藏層-1）淺層網(wǎng)絡(luò)淺層網(wǎng)絡(luò)通過卷積核檢測(cè)圖像中的基礎(chǔ)局部模式，如邊緣、角點(diǎn)等低級(jí)特征，輸出激活圖。（2）隱藏層-2）中間層網(wǎng)絡(luò)中間層網(wǎng)絡(luò)將淺層學(xué)習(xí)的低級(jí)特征組合，形成更復(fù)雜的中級(jí)特征，如貓耳朵輪廓、皮毛片段等。（2）隱藏層-3）深層網(wǎng)絡(luò)深層網(wǎng)絡(luò)將中級(jí)特征進(jìn)一步組合和抽象，形成對(duì)整個(gè)對(duì)象有高度判別性的高級(jí)特征，如完整的貓的表征。（3）輸出層輸出層接收深層隱藏層的高級(jí)特征表示，通過全連接層和激活函數(shù)輸出每個(gè)預(yù)定義類別的概率，如輸入圖像包含貓的概率。卷積神經(jīng)網(wǎng)絡(luò)（CNN）識(shí)別貓工作原理傳統(tǒng)與深度學(xué)習(xí)方法宏觀流程相似：數(shù)據(jù)收集與準(zhǔn)備、模型選擇、訓(xùn)練、評(píng)估、部署與優(yōu)化。應(yīng)用于具體任務(wù)時(shí)，如“識(shí)別貓”，在“特征處理”和“算法選擇”上有本質(zhì)區(qū)別，影響方法復(fù)雜性、知識(shí)依賴度和性能。表對(duì)比了兩者在“識(shí)別貓”任務(wù)中的實(shí)現(xiàn)方式和側(cè)重點(diǎn)。1.2.3深度學(xué)習(xí)：更厲害的“學(xué)習(xí)高手”：2.深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別1.2.4自然語(yǔ)言處理和計(jì)算機(jī)視覺：AI的“語(yǔ)言大師”和“火眼金睛”

重要性自然語(yǔ)言處理和計(jì)算機(jī)視覺是AI技術(shù)體系中至關(guān)重要的領(lǐng)域，分別賦予機(jī)器理解人類語(yǔ)言和解析視覺信息的能力，增強(qiáng)機(jī)器與世界的智能交互。

協(xié)同完成識(shí)別任務(wù)以識(shí)別貓為例，自然語(yǔ)言處理系統(tǒng)解析用戶指令，計(jì)算機(jī)視覺系統(tǒng)進(jìn)行圖像識(shí)別，兩者協(xié)同完成復(fù)雜的智能任務(wù)。

NLP與CV系統(tǒng)工作流程1.2.4自然語(yǔ)言處理和計(jì)算機(jī)視覺：AI的“語(yǔ)言大師”和“火眼金睛”：1.自然語(yǔ)言處理NLP指令理解與任務(wù)分派用戶自然語(yǔ)言指令輸入系統(tǒng)接收用戶以文本或語(yǔ)音形式輸入的原始指令，如“請(qǐng)識(shí)別這張圖片中是否有貓？”語(yǔ)音識(shí)別若輸入為語(yǔ)音，通過ASR技術(shù)將其轉(zhuǎn)換為文本形式，是語(yǔ)音交互的基礎(chǔ)。詞法分析對(duì)文本進(jìn)行分詞和詞性標(biāo)注，將連續(xù)字符序列切分為有獨(dú)立語(yǔ)義的詞匯單元。句法分析分析詞匯單元之間的語(yǔ)法關(guān)系，構(gòu)建句子的句法結(jié)構(gòu)樹，理解句子結(jié)構(gòu)。語(yǔ)義理解深入分析句子的語(yǔ)義信息，包括消歧、指代消解等，把握用戶意圖和關(guān)鍵信息參數(shù)。意圖識(shí)別與槽位填充將識(shí)別到的用戶意圖與關(guān)鍵參數(shù)進(jìn)行結(jié)構(gòu)化表示，轉(zhuǎn)化為精確的任務(wù)描述。1.2.4自然語(yǔ)言處理和計(jì)算機(jī)視覺：AI的“語(yǔ)言大師”和“火眼金睛”：2.計(jì)算機(jī)視覺CV圖像解析與目標(biāo)識(shí)別

（1）用戶/系統(tǒng)觸發(fā)由NLP模塊解析結(jié)果或系統(tǒng)其他事件觸發(fā)CV任務(wù)啟動(dòng)信號(hào)。

（2）圖像輸入CV系統(tǒng)接收待分析的數(shù)字圖像，來源可以是用戶上傳、數(shù)據(jù)庫(kù)調(diào)取或傳感器采集。

（3）圖像預(yù)處理對(duì)輸入圖像進(jìn)行尺寸調(diào)整、歸一化、數(shù)據(jù)增強(qiáng)、去噪與圖像增強(qiáng)等操作，提升后續(xù)模型處理性能。

（4）特征提取與分類通過卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)和提取圖像的層次化特征，全連接層整合特征并映射到類別空間，輸出每個(gè)類別的概率。

（5）結(jié)果判定/后處理根據(jù)模型輸出的概率值進(jìn)行閾值判定、非極大值抑制等操作，將結(jié)果格式化。1.2.4自然語(yǔ)言處理和計(jì)算機(jī)視覺：AI的“語(yǔ)言大師”和“火眼金睛”：3.輸出結(jié)果呈現(xiàn)

CV處理結(jié)果反饋系統(tǒng)將CV的處理結(jié)果，即識(shí)別出的類別標(biāo)簽和置信度分?jǐn)?shù)反饋給用戶。

NLP模塊轉(zhuǎn)換應(yīng)答若交互始于NLP，該結(jié)果可通過NLP模塊轉(zhuǎn)換為自然語(yǔ)