人工智能

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。 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。 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； 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。 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。

Artificial Intelligence

中文名	人工智能
缩写	AI
领域	计算机科学
提出时间	1956年
提出者	约翰·麦卡锡（John McCarthy）
核心目标	模拟、延伸和扩展人类智能

定义

人工智能目前尚无单一 universally accepted 的定义。 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"。 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"。 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。

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。 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。 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）。

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。 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。

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）。 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。

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。 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。 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。

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。 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。

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。

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。 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。