| 🤖 | |
| 英文名 | Artificial Intelligence (AI) |
| 起源 | 1956年达特茅斯会议 |
| 子领域 | 机器学习、自然语言处理、计算机视觉、机器人学等 |
| 代表模型 | GPT系列、Gemini、Claude、LLaMA等 |
| 相关学科 | 计算机科学、数学、认知科学、哲学 |
人工智能（英语：Artificial Intelligence，缩写 AI）是计算机科学的一个分支，致力于研究与开发能够执行通常需要人类智能才能完成的任务的计算机系统，包括推理、学习、问题解决、感知、语言理解与生成等能力。
人工智能的概念可追溯至古代神话中的人造生命体，但作为现代科学学科正式诞生于1956年达特茅斯学院举办的一次夏季研讨会。经历数十年的起伏发展，21世纪以来随着大数据、算力与深度学习算法的突破，人工智能迎来了历史上最快速的技术跃迁，2022年前后大型语言模型（LLM）的兴起将AI推向全球公众视野的中心。[1]
发展历史
1950年，英国数学家艾伦·图灵在论文《计算机器与智能》中提出著名的"图灵测试"——若机器在对话中无法被人类辨别，则可认为其具有智能，奠定了AI研究的哲学基础。1956年，约翰·麦卡锡（John McCarthy）在达特茅斯会议上正式提出"人工智能"这一术语，标志着这门学科的诞生。
AI的发展并非一帆风顺，历史上经历了两次"AI寒冬"（1970年代和1980—90年代），期间因算力不足与技术路线局限，研究资金大幅削减。2006年前后，杰弗里·辛顿等人推动的深度学习复兴开启了新纪元：2012年AlexNet在ImageNet图像识别竞赛中以压倒性优势夺冠，宣告深度学习时代正式来临。[2]
机器学习与深度学习
机器学习（Machine Learning）是AI的核心方法论，指让系统从数据中自动学习规律，而非依赖人工编写规则。主要范式包括：监督学习（标注数据训练）、无监督学习（无标注数据挖掘结构）、强化学习（通过奖惩反馈学习策略）。
深度学习（Deep Learning）使用多层人工神经网络，能够自动提取数据的层级特征，在图像识别、语音识别、自然语言处理等领域取得了突破性进展。卷积神经网络（CNN）主导计算机视觉，循环神经网络（RNN）与Transformer架构则彻底变革了自然语言处理。2017年谷歌提出的Transformer架构，成为此后几乎所有大型语言模型的基础。[3]
大型语言模型
大型语言模型（Large Language Model，LLM）是基于Transformer架构、在海量文本数据上预训练的模型，具备强大的文本理解与生成能力。2020年OpenAI发布GPT-3（1750亿参数），展现出令人惊异的少样本学习能力；2022年11月ChatGPT的发布成为AI史上最具影响力的公众事件，两个月内用户突破一亿，刷新互联网应用增速纪录。
目前主要的前沿LLM包括：OpenAI的GPT-4o及o系列、谷歌的Gemini 2系列、Anthropic的Claude系列、Meta的开源LLaMA系列，以及中国的DeepSeek、文心一言、通义千问等。这些模型在写作、编程、数学推理、多语言理解、多模态感知等方面均展现出接近或超越人类平均水平的表现。[4]
主要应用领域
AI已广泛渗透现代社会的各个层面。医疗健康：AI辅助影像诊断（如肿瘤检测）精度已超越资深放射科医生；AlphaFold2解决了困扰生物学界50年的蛋白质折叠问题，极大加速了药物研发。自动驾驶：特斯拉、Waymo等公司已在多地实现无人驾驶出租车商业运营。科学研究：AI在气候模拟、新材料发现、粒子物理数据分析等领域成为不可或缺的工具。创意产业：生成式AI（Midjourney、Sora、Stable Diffusion等）可生成图像、视频、音乐，引发创作方式的根本性变革。[5]
AI安全与伦理
随着AI能力的快速提升，安全与伦理问题日益受到重视。主要关切包括：算法偏见（训练数据中的歧视性模式被模型放大）、深度伪造（Deepfake）技术被滥用于虚假信息传播、自动化对就业市场的冲击、AI生成内容版权归属争议，以及更长远的对齐问题——如何确保高能力AI系统的目标与人类价值观保持一致。
2023年，OpenAI、谷歌、Anthropic、Meta等主要AI公司在美国政府倡议下签署自愿承诺，同意在发布前对强力AI模型进行安全测试。欧盟于2024年通过《人工智能法案》，成为全球首部对AI进行综合监管的立法。[6]
通用人工智能
通用人工智能（Artificial General Intelligence，AGI）指能在任意领域以不亚于人类的水平完成任何智力任务的AI系统，被视为AI发展的终极目标之一。目前主流AI系统均属"狭义AI"，在特定任务上表现卓越，但缺乏人类的通用灵活性。
关于AGI何时到来，业界存在极大分歧：一些研究者认为数年内即可实现，另一些人则认为仍需数十年乃至更长时间，或根本不可能以目前的技术路线实现。AGI的潜在影响被认为将远超历史上任何技术革命，相关讨论已成为全球政策制定者、哲学家与科学家的核心议题。[7]
参考文献
- Stuart Russell & Peter Norvig，《人工智能：一种现代方法》（第4版），Pearson，2021.
- Yann LeCun, Yoshua Bengio & Geoffrey Hinton，"深度学习"，Nature，2015.
- Vaswani et al.，"注意力就是你所需要的一切"，NeurIPS，2017.
- OpenAI，《GPT-4技术报告》，2023.
- Demis Hassabis et al.，"利用AI加速科学发现"，Nature，2023.
- 欧洲议会，《人工智能法案》，2024年3月通过.
- Nick Bostrom，《超级智能》，Oxford University Press，2014.