SSL：修订间差异

2026年7月15日 (三) 21:05的版本

AI（全称：Artificial Intelligence，中文：人工智能）是计算机科学的一个分支，致力于研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。^[1] 其核心目标是使机器能够执行通常需要人类智能才能完成的任务，包括学习、推理、感知、语言理解与决策等。^[2] 1950年，英国数学家艾伦·图灵（Alan Turing）发表论文《Computing Machinery and Intelligence》，提出"图灵测试"以评估机器智能；^[3] 1956年，约翰·麦卡锡（John McCarthy）在达特茅斯会议（Dartmouth Conference）上正式提出"Artificial Intelligence"这一术语，标志着该学科正式诞生。^[4] 经过数十年发展，人工智能已从早期的符号推理与专家系统，演进至以机器学习、深度学习和大语言模型为核心的现代范式，广泛应用于自然语言处理、计算机视觉、医疗诊断与自动驾驶等领域。^[1]

定义

人工智能目前尚无单一 universally accepted 的定义。^[1] 罗素（Stuart Russell）与诺维格（Peter Norvig）将其定义为"模仿通常与人类认知相关的学习、语言和问题解决等认知功能的系统"。^[1] 卡普兰（Andreas Kaplan）与哈恩莱因（Michael Haenlein）则将其界定为"系统正确解读外部数据、从中学习并通过适应性实现特定目标的能力"。^[5] 从应用角度看，当前部署的几乎所有系统均属"狭义AI"（Narrow AI 或 Weak AI），即专为单一、有限任务设计的系统；而"通用人工智能"（Artificial General Intelligence, AGI）指在任意任务中具备人类般广泛、灵活能力的假想系统，目前仍属研究愿景。^[1]

历史

早期奠基

人工智能的思想根源可追溯至20世纪40年代。1943年，沃伦·麦卡洛克（Warren McCulloch）与沃尔特·皮茨（Walter Pitts）发表《A Logical Calculus of Ideas Immanent in Nervous Activity》，提出首个神经网络的数学模型。^[5] 1950年，图灵发表《Computing Machinery and Intelligence》，提出"图灵测试"以评估机器是否具有智能。^[3] 1951年，马文·明斯基（Marvin Minsky）与迪恩·埃德蒙兹（Dean Edmonds）建造了第一台神经网络计算机 SNARC（Stochastic Neural Analog Reinforcement Calculator）。^[4]

学科诞生与早期繁荣

1956年夏季，麦卡锡、明斯基、纳撒尼尔·罗切斯特（Nathaniel Rochester）和克劳德·香农（Claude Shannon）等学者在达特茅斯学院举办为期八周的研讨会，正式确立"人工智能"术语及研究领域。^[4] 此次会议被公认为 AI 学科的正式诞生。随后的十余年被称为"黄金年代"，研究人员开发出可证明几何定理、求解代数问题及进行初步自然语言交互的程序，引发第一波研究热潮。^[2]

AI寒冬

20世纪70年代至80年代初，由于计算能力有限、数据匮乏及早期承诺未能兑现，人工智能进入资金削减与研究兴趣低迷的时期，被称为"AI寒冬"（AI Winter）。^[1] 尽管80年代中期专家系统（Expert Systems）曾短暂带来商业应用热潮，但因其缺乏适应性与扩展性，未能阻止第二次寒冬的到来。^[3]

机器学习与数据驱动转型

20世纪90年代，机器学习（Machine Learning）范式兴起，使系统能够直接从数据中学习模式，而非依赖人工编写的固定规则。^[3] 1997年，IBM 开发的深蓝（Deep Blue）击败国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov），成为 AI 发展史上的标志性事件。^[2] 同期，支持向量机、决策树与早期神经网络等算法逐渐成熟，推荐系统、语音识别与自然语言处理开始具备实用价值。^[3]

深度学习革命

2000年代至2010年代，多层神经网络（深度学习）借助大数据与算力提升实现突破。2012年，AlexNet 在图像识别竞赛中取得压倒性优势；2016年，Google DeepMind 的 AlphaGo 击败围棋世界冠军李世石。^[3] 进入2020年代，基于 Transformer 架构的大型语言模型（Large Language Models, LLMs）取得显著进展，以 GPT 系列为代表的生成式 AI（Generative AI）向公众开放，被视为人工智能发展的重要里程碑。^[4]

技术分支

人工智能涵盖多个子领域，主要包括：

机器学习（Machine Learning）：使计算机从数据中学习规律而无需显式编程，包括监督学习、无监督学习与强化学习。
深度学习（Deep Learning）：基于多层人工神经网络的机器学习方法，擅长处理图像、语音与文本等高维数据。
自然语言处理（Natural Language Processing, NLP）：使计算机理解、生成与人类语言相关的文本或语音。
计算机视觉（Computer Vision）：使机器从图像或视频中提取信息并理解视觉世界。
机器人学（Robotics）：结合感知、规划与控制，使物理实体自主执行任务。
专家系统（Expert Systems）：基于知识库与推理引擎模拟人类专家决策能力的早期 AI 系统。^[2]^[3]

伦理与社会影响

随着 AI 能力的快速提升，伦理与社会议题日益受到关注。主要挑战包括算法偏见（Algorithmic Bias）、隐私侵犯、就业市场冲击、自主武器系统的道德风险，以及通用人工智能可能带来的长期生存风险。^[1] 联合国教科文组织（UNESCO）等国际机构已发布 AI 伦理指南，倡导负责任地开发与部署人工智能系统。^[3]

参考文献

[:0-1] 1.0 ^1.1 ^1.2 ^1.3 ^1.4 ^1.5 ^1.6 History and definitions of AI - PMC

[:1-2] 2.0 ^2.1 ^2.2 ^2.3 The History of AI: A Timeline of Artificial Intelligence - Coursera

[:2-3] 3.0 ^3.1 ^3.2 ^3.3 ^3.4 ^3.5 ^3.6 ^3.7 History of AI - Artificial Intelligence - GeeksforGeeks

[:3-4] 4.0 ^4.1 ^4.2 ^4.3 History of artificial intelligence - IBM

[:5-5] 5.0 ^5.1 Artificial Intelligence in Oncology - MDPI

[1]

[2]

[3]

[4]

[5]

@@ 第1行： / 第1行： @@
-{{Infobox|标题=安全套接层|内容={{!}}-
+{{Infobox
+| 标题 = Artificial Intelligence
+| 内容 =
+{{!}}-
 ! 中文名
-{{!}} 安全套接层<ref name=":7" />
+{{!}} 人工智能
 {{!}}-
-! 外文名
+! 缩写
-{{!}} Secure Sockets Layer<ref name=":7" />
+{{!}} AI
 {{!}}-
-! 英文缩写
+! 领域
-{{!}} SSL<ref name=":7" />
+{{!}} 计算机科学
 {{!}}-
-! 开发方
+! 提出时间
-{{!}} [[网景通信公司]]（Netscape Communications）<ref name=":5" /><ref name=":8" />
+{{!}} 1956年
 {{!}}-
-! 首次发布
+! 提出者
-{{!}} SSL 2.0 / 1995年<ref name=":3" /><ref name=":10" />
+{{!}} 约翰·麦卡锡（John McCarthy）
 {{!}}-
-! 最新版本
+! 核心目标
-{{!}} SSL 3.0 / 1996年<ref name=":3" /><ref name=":9" />
+{{!}} 模拟、延伸和扩展人类智能
-{{!}}-
+}}
-! 后继协议
-{{!}} 传输层安全协议（[[TLS]]）<ref name=":8" />
+AI（全称：Artificial Intelligence，中文：人工智能）是[[计算机]]科学的一个分支，致力于研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。<ref name=":0">[https://pmc.ncbi.nlm.nih.gov/articles/PMC12438284/ History and definitions of AI - PMC]</ref> 其核心目标是使机器能够执行通常需要人类智能才能完成的任务，包括学习、推理、感知、语言理解与决策等。<ref name=":1">[https://www.coursera.org/articles/history-of-ai The History of AI: A Timeline of Artificial Intelligence - Coursera]</ref> 1950年，英国数学家艾伦·图灵（Alan Turing）发表论文《Computing Machinery and Intelligence》，提出"图灵测试"以评估机器智能；<ref name=":2">[https://www.geeksforgeeks.org/artificial-intelligence/evolution-of-ai/ History of AI - Artificial Intelligence - GeeksforGeeks]</ref> 1956年，约翰·麦卡锡（John McCarthy）在达特茅斯会议（Dartmouth Conference）上正式提出"Artificial Intelligence"这一术语，标志着该学科正式诞生。<ref name=":3">[https://www.ibm.com/think/topics/history-of-artificial-intelligence History of artificial intelligence - IBM]</ref> 经过数十年发展，人工智能已从早期的符号推理与专家系统，演进至以机器学习、深度学习和大语言模型为核心的现代范式，广泛应用于自然语言处理、计算机视觉、医疗诊断与自动驾驶等领域。<ref name=":0" />
-{{!}}-
-! 协议状态
+== 定义 ==
-{{!}} 已废弃（所有版本均已弃用）<ref name=":10" />
-{{!}}-
+人工智能目前尚无单一 universally accepted 的定义。<ref name=":0" /> 罗素（Stuart Russell）与诺维格（Peter Norvig）将其定义为"模仿通常与人类认知相关的学习、语言和问题解决等认知功能的系统"。<ref name=":0" /> 卡普兰（Andreas Kaplan）与哈恩莱因（Michael Haenlein）则将其界定为"系统正确解读外部[[数据]]、从中学习并通过适应性实现特定目标的能力"。<ref name=":5">[https://www.mdpi.com/2076-3417/15/1/269 Artificial Intelligence in Oncology - MDPI]</ref> 从应用角度看，当前部署的几乎所有系统均属"狭义AI"（Narrow AI 或 Weak AI），即专为单一、有限任务设计的系统；而"通用人工智能"（Artificial General Intelligence, AGI）指在任意任务中具备人类般广泛、灵活能力的假想系统，目前仍属研究愿景。<ref name=":0" />
-! 相关标准
-{{!}} RFC 6101（SSL 3.0历史记录）<ref name=":9" />}}'''安全套接层'''（英语：Secure Sockets Layer，缩写：'''SSL'''）是一种安全协议，由[[网景通信公司]]（Netscape）在1990年代中期开发，旨在为互联网通信提供保密性和数据完整性保障<ref name=":5">[https://baike.baidu.com/item/openssl OpenSSL — 百度百科]</ref><ref name=":8">[https://baike.baidu.com/item/%E4%BC%A0%E8%BE%93%E5%B1%82%E5%AE%89%E5%85%A8%E5%8D%8F%E8%AE%AE 传输层安全协议 — 百度百科]</ref>。SSL协议位于TCP/IP协议栈的传输层与应用层之间，为诸如HTTP（即[[HTTPS]]）、[[FTP]]、[[SMTP]]等高层应用协议提供加密通信服务<ref name=":1">[https://safe.it168.com/a2005/1107/99/000000099706.shtml 安全套接层协议（SSL）简介 — IT168]</ref><ref name=":7">[https://wapbaike.baidu.com/item/%E5%AE%89%E5%85%A8%E5%A5%97%E6%8E%A5%E5%B1%82/9442234 安全套接层 — 百度百科]</ref>。SSL 3.0于1996年发布，是SSL协议的最终版本<ref name=":3">[https://raw.githubusercontent.com/... SSL协议版本历史]</ref><ref name=":9">[https://dt-main.dev.ietf.org/doc/html/rfc6101 RFC 6101: The Secure Sockets Layer (SSL) Protocol Version 3.0 — IETF]</ref>。由于存在严重的安全漏洞，SSL协议的所有版本均已被其继任者传输层安全协议（TLS）取代，并被IETF正式废弃<ref name=":10">[https://www.baeldung-cn.com/cs/ssl-vs-tls SSL 与 TLS 协议的区别详解 — Baeldung]</ref><ref name=":9" />。尽管如此，“SSL”一词仍被广泛用于指代其数字证书（即SSL证书），尽管这些证书目前实际使用的是TLS协议<ref name=":2">[https://www.globalsign.cn/ SSL和TLS到底啥区别？ — GlobalSign]</ref>。
 == 历史 ==
-SSL协议由网景通信公司开发，旨在保障其网景导航者（Netscape Navigator）浏览器与Web服务器之间的通信安全。
-=== SSL 1.0 ===
+=== 早期奠基 ===
-网景于1994年设计了SSL协议的1.0版本，但由于存在严重的安全缺陷，该版本从未公开发布<ref name=":3" /><ref name=":0">[https://paper.seebug.org/ SSL/TLS协议安全系列：SSL/TLS概述 — Seebug]</ref>。
-=== SSL 2.0 ===
+人工智能的思想根源可追溯至20世纪40年代。1943年，沃伦·麦卡洛克（Warren McCulloch）与沃尔特·皮茨（Walter Pitts）发表《A Logical Calculus of Ideas Immanent in Nervous Activity》，提出首个神经网络的数学模型。<ref name=":5" /> 1950年，图灵发表《Computing Machinery and Intelligence》，提出"图灵测试"以评估机器是否具有智能。<ref name=":2" /> 1951年，马文·明斯基（Marvin Minsky）与迪恩·埃德蒙兹（Dean Edmonds）建造了第一台神经网络计算机 SNARC（Stochastic Neural Analog Reinforcement Calculator）。<ref name=":3" />
-年，网景发布了SSL 2.0版<ref name=":3" /><ref name=":10" />。这是第一个公开发行的版本，但很快被发现存在多个严重漏洞，并于2011年通过RFC 6176被正式弃用<ref name=":0" /><ref name=":10" />。
-=== SSL 3.0 ===
+=== 学科诞生与早期繁荣 ===
-年，网景与密码学家保罗·科赫（Paul Kocher）合作设计了SSL 3.0版<ref name=":3" /><ref name=":9" />。该版本解决了SSL 2.0的诸多安全问题，获得了广泛认可和应用<ref name=":3" />。2011年，IETF将SSL 3.0的规范整理为RFC 6101发布，作为该协议的历史记录<ref name=":9" />。然而，SSL 3.0随后被发现存在POODLE等安全漏洞，于2015年被正式弃用<ref name=":3" /><ref name=":10" />。
-== 协议架构 ==
+年夏季，麦卡锡、明斯基、纳撒尼尔·罗切斯特（Nathaniel Rochester）和克劳德·香农（Claude Shannon）等学者在达特茅斯学院举办为期八周的研讨会，正式确立"人工智能"术语及研究领域。<ref name=":3" /> 此次会议被公认为 AI 学科的正式诞生。随后的十余年被称为"黄金年代"，研究人员开发出可证明几何定理、求解代数问题及进行初步自然语言交互的程序，引发第一波研究热潮。<ref name=":1" />
-SSL被设计为一种两层协议，建立在可靠的传输层协议（如TCP）之上<ref name=":7" />：
-* SSL记录层（SSL Record Layer）：位于底层，负责对来自上层的数据进行分块、压缩、加密和封装，并添加消息认证码（MAC）以保证数据的完整性和机密性<ref name=":7" /><ref name=":8" />。
+=== AI寒冬 ===
-* SSL握手协议（SSL Handshake Protocol）：位于记录层之上，是SSL协议的核心。它允许客户端和服务器在传输应用数据之前，相互验证身份、协商加密算法和会话密钥<ref name=":7" /><ref name=":8" />。
-== 安全服务 ==
+世纪70年代至80年代初，由于计算能力有限、数据匮乏及早期承诺未能兑现，人工智能进入资金削减与研究兴趣低迷的时期，被称为"AI寒冬"（AI Winter）。<ref name=":0" /> 尽管80年代中期专家系统（Expert Systems）曾短暂带来商业应用热潮，但因其缺乏适应性与扩展性，未能阻止第二次寒冬的到来。<ref name=":2" />
-SSL协议主要提供以下三种安全服务<ref name=":1" /><ref name=":7" />：
-* 信息保密（Confidentiality）：通过使用公开密钥和对称密钥技术，对客户端和服务器之间传输的所有数据进行加密，防止被第三方窃听<ref name=":7" />。
+=== 机器学习与数据驱动转型 ===
-* 信息完整性（Data Integrity）：通过使用共享密钥和哈希函数，确保传输的信息在传递过程中不被篡改或破坏<ref name=":7" />。
-* 双向认证（Authentication）：允许客户端和服务器在握手阶段交换数字证书，以验证彼此的身份，防止冒名顶替<ref name=":7" />。
-== 与TLS的关系 ==
+世纪90年代，机器学习（Machine Learning）范式兴起，使系统能够直接从数据中学习模式，而非依赖人工编写的固定规则。<ref name=":2" /> 1997年，IBM 开发的深蓝（Deep Blue）击败国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov），成为 AI 发展史上的标志性事件。<ref name=":1" /> 同期，支持向量机、决策树与早期神经网络等算法逐渐成熟，推荐系统、语音识别与自然语言处理开始具备实用价值。<ref name=":2" />
-传输层安全协议（TLS）是SSL协议的继任者，其设计基于SSL 3.0<ref name=":0" /><ref name=":2" />。
-* 继承与演进：[[TLS]] 1.0于1999年由IETF发布，可被视为SSL 3.1<ref name=":0" /><ref name=":8" />。此后，IETF继续发布了TLS 1.1（2006年）、TLS 1.2（2008年）和TLS 1.3（2018年）<ref name=":0" /><ref name=":10" />。
+=== 深度学习革命 ===
-* 核心差异：与SSL相比，TLS提供了更强的安全性、更现代的加密算法，并修复了SSL协议中存在的诸多已知漏洞<ref name=":2" /><ref name=":10" />。
-* 现状：截至2022年，所有版本的SSL协议均已被废弃，TLS 1.2和TLS 1.3是当前推荐使用的安全协议版本<ref name=":10" />。
-== 应用与影响 ==
+年代至2010年代，多层神经网络（深度学习）借助大数据与算力提升实现突破。2012年，AlexNet 在图像识别竞赛中取得压倒性优势；2016年，[[Go]]ogle DeepMind 的 AlphaGo 击败围棋世界冠军李世石。<ref name=":2" /> 进入2020年代，基于 Transformer [[架构]]的大型语言模型（Large Language Models, LLMs）取得显著进展，以 GPT 系列为代表的生成式 AI（Generative AI）向公众开放，被视为人工智能发展的重要里程碑。<ref name=":3" />
-SSL协议是互联网上最早被广泛采用的通信安全协议，为电子商务、网上银行等应用的兴起奠定了基础<ref name=":1" />。尽管SSL本身已被淘汰，但其核心设计思想被TLS协议完整继承。同时，“SSL”这一术语作为安全套接层技术的代名词被保留下来，“SSL证书”的称呼沿用至今，尽管这些证书实际提供的是TLS加密<ref name=":2" />。
+== 技术分支 ==
+人工智能涵盖多个子领域，主要包括：
+* '''机器学习'''（Machine Learning）：使计算机从数据中学习规律而无需显式[[编程]]，包括监督学习、无监督学习与强化学习。
+* '''深度学习'''（Deep Learning）：基于多层人工神经网络的机器学习方法，擅长处理图像、语音与[[文本]]等高维数据。
+* '''自然语言处理'''（Natural Language Processing, NLP）：使计算机理解、生成与人类语言相关的文本或语音。
+* '''计算机视觉'''（Computer Vision）：使机器从图像或视频中提取信息并理解视觉世界。
+* '''机器人学'''（Robotics）：结合感知、规划与控制，使物理实体自主执行任务。
+* '''专家系统'''（Expert Systems）：基于知识库与推理引擎模拟人类专家决策能力的早期 AI 系统。<ref name=":1" /><ref name=":2" />
+== 伦理与社会影响 ==
+随着 AI 能力的快速提升，伦理与社会议题日益受到关注。主要挑战包括算法偏见（Algorithmic Bias）、隐私侵犯、就业市场冲击、自主武器系统的道德风险，以及通用人工智能可能带来的长期生存风险。<ref name=":0" /> 联合国教科文组织（UNESCO）等国际机构已发布 AI 伦理指南，倡导负责任地开发与部署人工智能系统。<ref name=":2" />
 == 参考文献 ==
 <references />