# AI知识体系拆解 - 人工智能定义与范畴 - 基本定义 - 使机器模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的科学 - 核心目标：使机器能够胜任通常需要人类智能才能完成的复杂工作 - 主要研究范畴 - 机器学习：让计算机系统从数据中学习和改进，而无需明确编程 - 自然语言处理：使计算机理解、解释和生成人类语言 - 计算机视觉：使计算机能从图像或视频中“看”并提取信息 - 语音识别：将人类语音转换为文本或指令 - 知识表示与推理：用机器可处理的形式表示知识，并进行逻辑推理 - 规划与决策：使智能体能够制定并执行行动序列以实现目标 - 机器人学：涉及机器人的感知、控制、运动规划等 - 人工智能发展历程与学派 - 发展历程（三次浪潮） - 第一次浪潮：推理与探索（1950s-1970s） - 逻辑推理、问题求解，如“逻辑理论家”、国际象棋程序 - 遭遇“AI寒冬”：受限于计算能力和无法处理不确定性问题 - 第二次浪潮：知识工程与专家系统（1980s-1990s） - 基于规则的专家系统（如MYCIN医疗诊断系统） - 再次遇冷：知识获取瓶颈和系统脆弱性 - 第三次浪潮：数据驱动的机器学习与深度学习（2000s至今） - 大数据、强大算力（GPU）和深度学习算法共同驱动 - 在图像识别、语音、自然语言处理等领域取得突破性进展 - 主要思想学派 - 符号主义：基于逻辑和符号推理，代表早期AI和专家系统 - 连接主义：仿照人脑神经元网络，代表为人工神经网络和深度学习 - 行为主义：强调智能源于与环境的互动（感知-行动），代表为强化学习 - 核心关键技术：机器学习 - 机器学习基本范式 - 监督学习 - 概念：使用带有标签的数据集训练模型 - 主要任务：分类（如图像分类）、回归（如房价预测） - 经典算法：线性回归、逻辑回归、支持向量机、决策树、随机森林 - 无监督学习 - 概念：从无标签数据中发现内在结构和模式 - 主要任务：聚类（如客户分群）、降维、异常检测 - 经典算法：K-Means聚类、主成分分析、自编码器 - 半监督学习：结合少量标注数据和大量未标注数据进行训练 - 强化学习 - 概念：智能体通过与环境互动，根据奖励信号学习最优策略 - 核心要素：环境、状态、动作、奖励、策略 - 应用：游戏AI（AlphaGo）、机器人控制、自动驾驶决策 - 机器学习工作流程 - 数据收集与清洗 - 特征工程：特征选择、特征提取、特征构建 - 模型选择与训练 - 模型评估与调优：交叉验证、超参数优化 - 模型部署与监控 - 核心关键技术：深度学习 - 神经网络基础 - 核心单元：人工神经元（感知机） - 网络结构：输入层、隐藏层、输出层 - 关键概念：前向传播、激活函数、损失函数、反向传播、梯度下降 - 主流神经网络架构 - 卷积神经网络 - 专为处理网格状数据（如图像）设计 - 核心组件：卷积层、池化层、全连接层 - 应用：图像识别、目标检测、医学影像分析 - 循环神经网络 及其变体 - 专为处理序列数据（如文本、时间序列）设计 - 核心思想：具有“记忆”，能处理前后依赖关系 - 变体：长短期记忆网络、门控循环单元 - 应用：机器翻译、语音识别、文本生成 - Transformer 架构 - 基于“自注意力机制”，并行处理能力强 - 已成为NLP和CV领域的主流骨干网络 - 代表模型：BERT、GPT系列、Vision Transformer - 人工智能应用领域 - 计算机视觉 - 图像分类与识别 - 目标检测与跟踪 - 图像分割 - 人脸识别与表情分析 - 图像生成与编辑 - 自然语言处理 - 文本分类与情感分析 - 机器翻译 - 问答系统与聊天机器人 - 文本摘要与生成 - 命名实体识别 - 语音技术 - 自动语音识别 - 语音合成 - 声纹识别 - 语音情感分析 - 推荐系统 - 基于内容的推荐 - 协同过滤推荐 - 混合推荐系统 - 自动驾驶 - 环境感知 - 高精地图与定位 - 路径规划与决策 - 车辆控制 - 其他领域：智慧医疗、智慧金融、工业AI、科学发现等 - AI伦理、治理与挑战 - 关键伦理挑战 - 偏见与公平性：算法可能放大训练数据中的社会偏见 - 可解释性与透明度：深度学习模型常被视为“黑箱” - 隐私与数据安全：大规模数据收集带来的风险 - 责任与问责：AI系统出错时，责任归属问题 - 就业冲击与社会影响：自动化对劳动力市场的重塑 - AI治理与原则 - 核心原则：公平、可问责、透明、可靠、安全、隐私保护 - 监管框架：各国正在制定的AI法律法规 - 技术手段：可解释AI、联邦学习、差分隐私、AI对齐研究 - 前沿趋势与未来方向 - 通用人工智能 - 目标：具备跨领域学习和解决通用问题能力的AI - 与当前“狭义AI”的区别 - 多模态AI - 能同时理解和处理文本、图像、语音、视频等多种信息模态 - 代表：CLIP、DALL-E、GPT-4V - 具身AI - 强调智能体通过物理身体与真实世界互动来学习 - 结合机器人学、计算机视觉和强化学习 - AI for Science - 利用AI加速科学研究，如蛋白质结构预测、新材料发现、气候建模 - 大模型与基础模型 - 在海量数据上预训练的巨型模型，可通过微调适应多种下游任务 - 带来的机遇与挑战：能力强大，但计算成本高、存在风险 - 相关数学与工具基础 - 数学基础 - 线性代数：向量、矩阵、张量运算 - 概率论与统计：概率分布、贝叶斯定理、假设检验 - 微积分：导数、偏导数、梯度、优化理论 - 信息论：熵、交叉熵、KL散度 - 编程与工具 - 编程语言：Python（主导地位） - 核心库：NumPy、Pandas、Matplotlib - 深度学习框架：TensorFlow、PyTorch - 开发环境：Jupyter Notebook、集成开发环境 - 硬件平台：GPU、TPU、云计算平台