企业官网建设流程全解析

• 教程
• 人工智能
• 机器学习
• 深度学习

人工智能究竟解决什么问题？为什么"从照片判断一个人年龄"这种人类毫不费力的事情，反而无法用传统编程实现？本篇文章以 AI-For-Beginners 课程体系的第一课《Introduction to AI》为核心脉络（本仓库保加利亚语译本位于 translations/bg/lessons/1-Intro/README.md，英文原版位于 lessons/1-Intro/README.md），系统梳理 AI 的核心定义、弱/强人工智能的边界、图灵测试、自上而下与自下而上两条技术路径、AI 历史演进以及近年里程碑式研究成果。读完本文，你将建立一套完整的人工智能认知框架，明确后续 24 课的学习地图，并能直接上手仓库中第一个可运行的 AI 示例代码。

课程定位：12 周、24 课，面向所有人的 AI 路线图

AI-For-Beginners 是一个从零开始的 AI 教学课程仓库，项目定位为"12 Weeks, 24 Lessons, AI for All!"。第一课是整个课程的认知起点，它为后续所有专题奠定概念基础：符号智能（第 2 单元）、神经网络（第 3 单元）、计算机视觉（第 4 单元）、自然语言处理（第 5 单元）、遗传算法与多智能体等扩展主题（第 6 单元）。

每一课都配有课前测验（pre-lecture quiz）与课后测验（post-lecture quiz），课程仓库中的 quiz-app 即为测验应用源码；仓库还提供了 Mindmap 思维导图用于整体知识导航。学完本课后，建议按顺序继续阅读后续课程，形成闭环学习路径。

什么是人工智能：可编程任务与不可编程任务的边界

人工智能（Artificial Intelligence，简称 AI）是一门激动人心的科学学科，它研究如何让计算机表现出智能行为——即去做那些人类所擅长的事情。

为了理解这个定义，需要回顾计算机的本质。计算机最初由查尔斯·巴贝奇设计，用于按照精确定义的步骤（即算法）处理数字。现代计算机虽然比 19 世纪的原始模型先进得多，但底层逻辑仍然是"受控计算"：只要我们精确知道达成目标所需的每一步，就能编程让计算机完成它。

然而，有一类任务我们并不显式知道如何求解。以"从照片判断一个人的年龄"为例：我们之所以会做这件事，是因为看过大量不同年龄的人的样例，但我们无法明确解释自己是如何在头脑中得出那个数字的，自然也就无法用传统编程让计算机复现这个过程。恰恰是这类任务，构成了人工智能的研究对象。

✅ 思考一下：有哪些任务适合交给 AI 来处理？在金融、医疗、艺术等领域，AI 今天正在如何发挥作用？

弱人工智能与强人工智能

人工智能领域首先需要区分两个层次的目标：

智能的定义难题与图灵测试

处理智能（Intelligence）这个词的一大困难在于：它没有一个清晰公认的定义。可以说智能与抽象思维相关，或与自我意识相关，但都无法严格界定。

不妨试着回答一个问题："猫是智能的吗？"不同的人会给出不同的答案，因为并没有一个公认的测试来证明这个论断的真伪。如果你认为有——大可以带你的猫去做一次 IQ 测试。这正体现了"智能"一词的模糊性。

✅ 花一分钟想想你如何定义智能：一只能走出迷宫拿到食物的乌鸦算智能吗？一个孩子算智能吗？

既然要谈论 AGI，就必须有一种方法来判断"我们是否真的创造出了智能系统"。艾伦·图灵提出了一种方法——图灵测试（Turing Test），它同时充当智能的一种操作性定义：将一个待测系统与一个天然智能的参照物（真实的人）进行对比。由于任何自动化的对比都可以被计算机程序绕过，因此测试采用人类询问者：如果一个人在纯文本对话中无法区分真实人类与计算机系统，那么这个系统就被认为是智能的。

一个著名的例子是 2014 年在圣彼得堡开发的聊天机器人Eugene Goostman，它借助一个巧妙的"人设"技巧接近通过图灵测试：程序事先声明自己是一个 13 岁的乌克兰男孩，以此解释其知识欠缺和文本中的一些前后矛盾。在 5 分钟对话后，它说服了 30% 的评委相信它是人类——图灵曾预测机器到 2000 年就能通过这一指标。但必须清醒认识到：这并不表明我们创造出了智能系统，也不是计算机系统骗过了人类询问者——真正骗过人类的不是系统，而是机器人背后的创建者。

✅ 你是否曾被某个聊天机器人骗过，以为自己在和真人对话？它是如何说服你的？

通往智能的两大技术路径

要让计算机表现得像人，就必须在计算机内部建模人类的思维方式，因此需要理解"是什么让人变得智能"。稍作内省就会发现：有些过程是潜意识发生的——比如我们不假思索就能区分猫和狗；而另一些过程则涉及推理。围绕这一点，课程给出了两大主流路径：

除了两大主流路径，还存在其他可能的智能实现思路：

• 涌现式 / 协同式 / 多智能体路径：复杂智能行为可以通过大量简单智能体的交互涌现出来。按照演化控制论的观点，智能可以在"元系统跃迁"过程中从更简单、反应式的行为中涌现。本仓库后续的 多智能体系统课程 即深入探讨了这一方向。
• 演化路径 / 遗传算法：一种基于进化原理的优化过程。仓库中的 遗传算法课程 展示了如何用"基因、适应度函数、交叉、变异"来求解调度优化、最优装箱、最优切割以及加速穷举搜索等典型问题。

下文将聚焦两大主线路径展开。

自上而下：符号推理

自上而下方法试图建模我们的推理过程。既然推理时可以跟随自己的思路，就可以尝试将这个流程形式化并编程进计算机，这被称为符号推理（Symbolic Reasoning）。

人们头脑中往往存在一些指导决策的规则。例如医生诊断病人时，可能意识到病人发烧，从而推断体内存在炎症；对具体问题应用一大套规则后，医生就能得出最终诊断。这种方法高度依赖知识表示（Knowledge Representation）与推理（Reasoning）。

其最大难点在于：从人类专家身上提取知识往往是最困难的部分——很多情况下医生并不清楚自己为什么得出某个诊断，答案有时不经显式思考就直接浮现在脑海中。而像"从照片判断年龄"这类任务，根本无法归结为知识的操纵。本课程后续的 第 2 单元：知识表示与专家系统 专门深入讲解知识表示的概念，包括 DIKW 金字塔、语义网络、三元组、框架表示与产生式规则等内容。

自下而上：神经网络

另一种思路是建模大脑中最简单的单元——神经元。我们可以在计算机中构建所谓的人工神经网络，然后通过不断给它看例子来教会它解决问题。这一过程类似于新生儿通过观察来认识周围环境。

✅ 做一些关于婴儿如何学习的小研究：婴儿大脑的基本组成要素是什么？

需要特别说明的是：**机器学习（Machine Learning）**是人工智能的一个子领域，指计算机基于数据来学习解决某一问题。本课程并不展开经典机器学习内容，而是引导读者学习配套的《Machine Learning for Beginners》课程体系。

AI 简史：从专家系统到 AI 寒冬

人工智能作为一门学科始于 20 世纪中叶。最初，符号推理占据主流，并带来了一系列重要成果，最典型的是专家系统（Expert Systems）——能够在某些受限问题领域扮演专家角色的计算机程序。然而人们很快发现这种路径难以规模化：从专家处提取知识、在计算机中表示知识、并持续维护知识库的准确性，是一项极其复杂的任务，在多数场景下成本过高、缺乏实用性。这直接导致了 20 世纪 70 年代的所谓AI 寒冬（AI Winter）。

随着时间推移，计算资源越来越廉价、可用数据越来越多，神经网络方法开始在计算机视觉、语音理解等多个领域展现出与人类竞争的优秀性能。近十年来，"人工智能"一词在多数语境下几乎成了"神经网络"的同义词——因为我们听到的绝大多数 AI 成功案例都建立在神经网络之上。

一条历史视角：下棋程序的算法演进

以"让计算机下国际象棋"为例，可以清楚看到技术路径的更迭：

• 早期程序基于搜索：程序显式评估对手未来若干步的可能走法，并依据几步之后能达到的最优局面选择当前最优走法。这催生了著名的alpha-beta 剪枝搜索算法。
• 棋局后期搜索高效，开局则不然：临近终局时，搜索空间被限制在少量可能的走法内，搜索策略表现良好；但开局阶段搜索空间巨大，此时可以通过学习人类棋手之间的既有对局来改进算法。后续实验采用了所谓的基于案例的推理（Case-based Reasoning）——程序在知识库中寻找与当前局面高度相似的棋局案例。
• 现代击败人类棋手的程序建立在神经网络与强化学习之上：程序只靠与自己长时间对弈、从自身错误中学习来提升棋力——这和人类学棋的方式相似，但计算机能在更短时间内完成多得多的对局，因此学习速度远超人类。

✅ 研究一下还有哪些游戏被 AI 攻克过。

对话程序的演进：从 Eliza 到现代助手

类似的路径更迭也发生在"能说话的程序"（即可能通过图灵测试的程序）上：

• 早期程序如 Eliza，基于非常简单的语法规则，将输入的句子重新组织成一个反问句。
• 现代助手如 Cortana、Siri、Google Assistant，都是混合系统：先用神经网络把语音转成文字并识别用户意图，再借助某些推理或显式算法执行所需动作。
• 未来展望：我们可能期待完全基于神经网络的模型独立处理对话。近期 GPT 系列以及微软的Turing-NLG（170 亿参数的神经语言模型）家族在这一方向上已展现出巨大成功。

近年 AI 研究：ImageNet、CNN 与人类水平里程碑

神经网络研究的大爆发始于 2010 年前后，契机是大型公开数据集开始可用。其中名为ImageNet的巨型图像集合包含约1400 万张标注图像，并催生了ImageNet 大规模视觉识别挑战赛（ILSVRC）。

2012 年，卷积神经网络（CNN）首次被用于图像分类，使分类错误率显著下降（从接近 30% 降至 16.4%）。2015 年，微软研究院的 ResNet 架构达到了人类水平的准确率。关于 CNN 的工作原理（卷积滤波器、金字塔架构、VGG-16 等经典结构），详见课程 7 课：卷积神经网络。

此后，神经网络在众多任务中不断取得人类水平（Human Parity）的里程碑：

近几年来，BERT、GPT-3 等大型语言模型取得了巨大成功。这主要得益于海量通用文本数据的存在：模型先在通用文本集合上进行预训练以捕捉文本的结构与含义，再针对更具体的任务进行微调。自然语言处理专题将在课程的 第 5 单元 中详细展开，包括文本分类、情感分析、命名实体识别、问答与文本生成等任务。

动手实践：挑战、测验与 Game Jam 作业

第一课配套了完整的实践环节：

• 🚀 挑战任务：在互联网上考察 AI 目前最有效的应用场景——是地图导航应用、语音转文字服务，还是电子游戏？调研该系统是如何构建的。
• 课前与课后测验：完成 quiz-app 中对应的课前测验与课后测验，检验概念掌握程度。
• 课程作业（Game Jam）：详见 lessons/1-Intro/assignment.md。游戏领域深受 AI 与 ML 发展影响。该作业要求选择一款足够"古老"、从而经历了多种计算机处理系统演进的游戏（国际象棋、围棋是好例子，也可以选择 Pong、Pac-Man 等视频游戏），撰写一篇短文，讨论该游戏的过去、现在与 AI 未来。

复习与自学指引

• 回顾 AI 与机器学习的历史，可以从本课开头那张草图笔记中选取一个元素进行深入研究，理解影响其演进的文化背景。
• 利用仓库的 Mindmap 思维导图梳理课程整体结构，将本课概念放入更大的知识网络中。
• 对照其他语言译本加深理解（例如本仓库提供保加利亚语等多种语言的完整翻译，位于 translations 目录）。

用仓库示例代码深化理解：第一个可运行的 AI 程序

本课的核心概念——"从数据中学习、而不是显式编程"——可以直接通过仓库中的入门示例 examples/01-hello-ai-world.py 获得最直观的体验。该示例实现了一个极简的"学习器"SimpleAILearner，它不依赖任何机器学习库，只用一个权重参数从样本中学习线性规律y = 2x：

class SimpleAILearner: def __init__(self): self.weight = random.uniform(0, 5) # 待学习的"权重"，初始为随机猜测 self.learning_rate = 0.01 # 学习率：决定每次调整的步长 def predict(self, x): return self.weight * x # 基于当前权重做预测 def train(self, training_data, epochs=100): for epoch in range(epochs): for x, y_actual in training_data: y_predicted = self.predict(x) error = y_actual - y_predicted # 计算误差 self.weight += self.learning_rate * error * x # 减小误差（这就是"学习"）

训练时向它喂入(1,2), (2,4), (3,6), (4,8), (5,10)这 5 组样例，迭代 100 轮（epoch），它就能把权重从随机值逐步修正到接近 2；之后对未见过的输入6, 7, 10, 15也能给出接近真实答案的预测。这正是"自下而上"路径的精髓：不显式编写规则，而是让程序从训练数据中自行归纳出模式，与专家系统时代"人工提取知识、写死规则"的自上而下思路形成鲜明对比。

运行方式非常简单（Python 3 环境，无需额外依赖）：

python examples/01-hello-ai-world.py

仓库的 examples/README.md 还提供了进阶学习路径：从"Hello AI World"的简单模式识别，到从零搭建神经网络、预训练模型图像分类、以及文本情感分析，帮助你逐步把本课建立的概念框架落到真实代码上。

小结

第一课建立了理解整个 AI-For-Beginners 课程体系的四块基石：AI 处理的是无法显式编程的任务、弱 AI 与强 AI（AGI）的层次区分、图灵测试作为智能的操作性判据，以及自上而下（符号推理）与自下而上（神经网络）两条技术路径的并立与合流。带着这套框架进入后续课程，你将分别在符号智能、神经网络、计算机视觉、NLP、强化学习与多智能体等专题中，看到这两条路径如何在具体问题上各自发光、相互融合。

• 教程
• 人工智能
• 机器学习
• 深度学习