AI基础与工具概览

1.理论部分

什么是人工智能？

AI (Artificial Intelligence) 是利用数字计算机或由数字计算机控制的机器来模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。目的是让计算机可以像人一样思考、学习和解决问题。

同人类一样，AI要实现的是感知环境、获取知识，并使用知识获得结果，而且要具有一定的泛化性。

从能力上分类：

弱人工智能(Narrow AI)：专注于特定任务领域的AI，当前所有的人工智能技术都属于此类，包括大型语言模型（如 ChatGPT、GPT-4）和深度学习模型
通用人工智能(AGI)：也称强人工智能(General AI)，是一种具备像人类一样的通用智能，可以适应各种复杂任务。目前还处于研究阶段。其一大特点是可以自主由已知知识推理到未知知识，产生新的知识。而且AGI还需要具备适应性，对全新的环境、知识领域拥有类似人类的学习能力。
超人工智能(Super AI)：又称超级人工智能(ASI)，理论上比人类智能更强，能在所有领域中超越人类。它不仅能够自主推理，还可能有创造力、情感甚至伦理意识。但目前，超人工智能完全是一个未来假设，而无法验证是否可实现。

北京大学元培学院通用人工智能实验班，简称“通班”，由人工智能研究院院长朱松纯教授领衔、北京大学相关院系人工智能领域优秀教师参与课程设计和教学，实现最优质的教学资源配置。

从实现技术上分：

LLM（大语言模型）：基于海量文本数据训练的大规模语言模型，用于生成、理解、推理和对话，如ChatGPT和BERT，多用于智能问答、内容生成等任务。
CV（计算机视觉）：处理和分析图像及视频数据，包括目标检测、人脸识别、图像分类等，如YOLO应用于实时目标检测，自动驾驶中的环境感知等场景。
CG（计算机图形学）：专注于三维建模、动画生成和图像渲染，如Blender在游戏设计中的模型生成，生成式AI如StyleGAN用于图像创作。
深度学习：利用多层神经网络处理复杂任务，是AI的核心技术基础，用于图像分类（ResNet）、语言建模（Transformer）等领域，广泛应用在各场景中。
强化学习：智能体通过试错学习策略以完成目标，如AlphaGo通过强化学习击败围棋高手，在自动驾驶和机器人控制中也有应用。
多模态（Multimodal AI）：处理并融合多种类型的数据（文本、图像、视频等），如DALL-E通过文本生成图像，广泛用于跨领域复杂任务。
语音处理（Speech Processing）：专注于语音识别（ASR）和语音合成（TTS）等，如Siri的语音交互及Google Assistant的语音命令功能。
推荐系统（Recommendation Systems）：为用户进行个性化推荐，如Netflix的电影推荐和亚马逊的产品推荐，技术包括协同过滤、矩阵分解及深度学习。
知识图谱（Knowledge Graph）：通过实体及关系建模表达知识，用于搜索引擎智能问答（如Google知识卡片），背后结合图神经网络（GNN）推理技术。