【实战项目】从零实现c++ai大模型接入SDK（二）人工智能的概念以及历史发展
·
目录
一、人工智能概念
⼈⼯智能，即Artificial Intelligence，简称AI，是计算机科学的⼀个分⽀，旨在让计算机或机器能模仿⼈类的思维和⾏为，能看、能听、能说、能学习、能决策，从⼀个简单的命令执⾏者，变成⼀个可以感知、理解、推理、学习等服务与⼈类的"智慧"伙伴。
为了让机器具有⼈⼯智能的能⼒，需要先让机器看更多的资料去学习，⾃⼰总结规律，最后具备预测的能⼒。
⽐如想要教计算机智能地识别狗。
可以按照下⾯步骤来：
- ⼈⼯提取特征：你需要像⼀个⽼师⼀样，先告诉机器，"要看⼀只狗，你主要检查是否有⼀个湿润 的、突出的⿊⾊或棕⾊的⿐⼦、⽿朵的形状和位置、尾巴的⻓度和姿态(翘起、摇摆、卷起)、有没 有胡须、眼睛的形状、⽑发的⻓度和纹理"等特征
- 选择模型：选择⼀个合适的机器学习模型
- 训练：把准备好的"狗"和"⾮狗"的图⽚喂给模型，每张图⽚都⽤定义好的特征(湿⿐⼦、胡须等)描述好
- 预测：模型学习后，看到新图⽚，就会去检查这些预设的特征，然后判断，如果符合狗的特征则就是狗。
上⾯的⽅式就是机器学习，给模型看图⽚让它⾃⼰学。但有⼀定局限性，因为模型是基于⼈⼯提取的特征学习的，如果⼀张狗的图⽚是侧⾯的看不到胡须，或者⽿朵折起来了，机器可能就认不出来。
那如果不⽤⼈⼯提取特征，⽽是：
- 端到端学习：把最原始的像素数据(即图⽚本⾝)和标签("这是狗"、"这不是狗")直接扔给⼀个叫做神经⽹络模型
- ⾃动提取特征：神经⽹络结构⾮常复杂，有很多层(深度)，它会⾃⼰从像素中，由低到⾼、由抽象到具体地⾃动学习出狗的特征：
- 底层：选学会认识⼀些边缘、⻆落、颜⾊
- 中层：组合底层特征，学会识别纹理、形状、眼睛、⽿朵
- ⾼层：结合中层特征，最终形成"狗脸"、"狗的⾝体"等抽象概念
- 预测：训练好后，它看到新的图⽚，就会动⽤⾃⼰学到的这⼀套从简单到复杂的特征(层级体系)来进⾏判断
这个就是深度学习。对于侧⾯、遮挡、奇怪姿势的狗，深度学习模型因为它⾃⼰学习的特征更丰富、更本质，所以识别能⼒通常远强于传统机器学习⽅法。
所以，想要让机器像⼈⼀样去识别狗的图⽚，可以通过看海量图⽚学习，即机器学习，⽽完成这个任务最有效的⽅式就是深度学习。现在⼤家所看到的酷炫的AI应⽤，⽐如⼈脸识别、语⾳助⼿、⾃动驾驶等，背后都是AI--->ML-->DL的技术在发挥作⽤。
因此⼀个机器，如果学习⼤量的数据之后，具备推理预测能⼒时，我们就可以认为该机器具备⼈⼯智能的能⼒。
⽽现在ChatGPT、DeepSeek等，都是基于Transformer架构的神经⽹络模型，投喂海量的数据(⽹⻚、书籍、⽂章)等供模型学习，让模型构建⾃⼰的知识库，并具备思考、推理、决策能⼒，最终成为现在ChatGPT、DeepSeek等⼈⼯智能⼤语⾔模型产品。
二、人工智能发展史
AI兴起(1941 - 1956)：⼈⼯智能诞⽣
1936年：阿兰·图灵（Alan Turing）发表了《论可计算数及其在判定问题中的应⽤》，为⼈⼯智能
的理论基础奠定了重要⼀步。
1943年：神经学家沃伦·⻨卡洛克和数学家沃尔特·⽪茨在1943年提出了⼈⼯神经元模型，⽤数学
⽅法模拟⽣物神经元⽹络，证明简单的神经⽹络可以实现基本的逻辑功能
假设你现在是一名大二或者大三的学生，已经学完了cpp方向大部分内容，并且有一两个项目，想要找实习，但是你自己感觉没有复习好，忘了好多知识，一直在犹豫是否要找实习。假设你将找实习的事情交给人工智能决策，那就需要先输入一些信号（x)和权重（w），比如：
i. x1 = 知识储备现状：同学学完【C语⾔ + 数据结构 + C++ + 操作系统 + ⽹络 + 数据库，且还做过⼩项⽬权重w1 = +7，极强正权重，因为这些技能是企业所需要的，能够找实习的资本ii. x2 = 实习经历：同学找实习欲望不⾼，但实习经历⾮常重要权重w2 = +8，实习经历企业⾮常认可，尤其是⼤⼚实习经历，能⼤ 提⾼简历通过率iii. x3 = 时间窗⼝优势：⼤⼆或⼤三，正是找暑期实习的⻩⾦阶段权重w3 = +9，暑期实习表现好很容易转正，直接解决就业，避免挤秋招iv. x4 = ⾃我怀疑、惰性拖延阻⼒：感觉⾃⼰没有复习好，知识点忘记权重w4 = -5，拖延是⾏动最⼤的敌⼈，知识点忘记是正常的，⽽通过⾯试检测⾃⼰成⻓是⾮常快
激活函数阈值设定为15。将所有输⼊权值求和后，总分超过15，这个神经元就被激活，输出去找实习的决定。
⼈⼯神经元模型的核⼼部分
- 输⼊：就像树突，接收来⾃外界或其他神经元的信息
- 权重：每个输⼊都有⼀个权重，代表这个输⼊的重要程度。学习的过程，主要就是调整这些 权重⼤⼩的过程。
- 求和：把每个输⼊对应权值全部加起来
- 激活函数：检查求和后的总值是否超过某个"阈值"，超过就产⽣响应；否则就不响应，以实 现"开关"特性。
- 输出：就向轴突，将决策结果(0或1)传递出去，给下⼀个神经元
这个模型成为了后来所有⼈⼯神经⽹络和深度学习的基⽯
1950年，艾伦图灵在其《计算机与智能》论⽂中提出注明的"图灵测试"
- 场景设置：有⼀个测试者(⼈类)，和两个被测试对象，其中⼀个被测试对象是真⼈，另⼀个是⼀个计算机程序（AI）。这两个对象在⼀个看不⻅的房间⾥，测试者测试者只能通过电脑屏幕与他们⽤⽂字交流。
- 游戏⽬标：测试者的任务就是通过⼀系列提问和对话，最终判断出哪个是真的⼈，哪个是机 器。
- 获胜条件：如果测试者经常错误地将机器判断为⼈，或者说机器成功“欺骗”了测试者，那么 我们就说这台机器通过了图灵测试
⽐如：你向两个房间提问1234567 + 7654321 等于多少？
A房间会话你：等于8888888
B房间回答你：我现在不想算
你现在能区分清那个房间时机器，哪个房间时真⼈吗？如果⽆法区分，那这台机器就通过了图灵测
试。图灵的想法很实⽤：别管它内部是怎么运作的，只要它的⾏为表现得和⼈⼀样智能，我们就当它是智能的。
1956年图灵的这篇⽂章以“机器能够思考吗？”为题重新发表
1956年，在美国达特茅斯学院汇聚了那个时代最聪明的⼀批⼈，他们坐在⼀起开了个会，会议主题是"试图让机器精确模拟学习或其他智能⾏为"，该次会议也被称作"AI的宪法会议"，约翰·⻨卡锡⾸次提出"⼈⼯智能"⼀词。
AI早期成功(1956 - 1974)
1959年，亚瑟·塞缪尔开发了⾸个⾃学习程序-西洋跳棋程序，并引⼊了“机器学习”这⼀概念
1966年，约瑟夫·魏岑保姆开发了⼀个能⼒处理⾃然语⾔的聊天程序ELIZA，据说是第⼀个能够尝
试图灵测试的程序，展⽰了机器和⼈类⾃然语⾔交流的可能性。
1970年，第⼀个拟⼈机器⼈WABOT-1在⽇本早稻⽥⼤学建成。它由⼀个肢体控制系统、视觉系统
和⼀个对话系统组成 ⾸次将视觉、触觉、移动和对话能⼒整合到⼀个拟⼈化的平台上。它确⽴了“⼈形机器⼈”作为一 个 综 合 性 研 究 领 域的 地位。
AI第⼀次寒冬：神经⽹络预冷，研究经费减少(1974 - 1980)
上世纪60年代末到70年代初，⼈⼯智能开始从⾼峰⾛向低估，因为早起雄⼼勃勃的AI项⽬没有兑现，政府和资⽅对AI的耐⼼逐渐耗尽，⼤笔研究经费被削减甚⾄叫停：
- 机器翻译碰壁
- ⼤西洋彼岸质疑
- 军⽅撤资
- 学术批评
上述原因交织在⼀起，导致70年代中期AI研究陷⼊停滞，AI项⽬被砍，研究经费锐减，年轻⼈才专项爱过你别的领域，只有少数学者在坚守阵地。
AI复兴与第⼆次寒冬(1980 - 1993)
AI领域出现复苏的迹象主要是由于：
- 专家系统在⼯业界的成功应⽤
- 机器学习思想兴起
专家系统就是模拟⼈类专家决策的计算机系统，它把专家的知识和经验编程规则存进电脑⾥，然后向专家⼀样分析问题并给出建议。
专家系统的核⼼组成：
- 知识库：类似专家的⼤脑，⾥⾯存储了许多"如果-那么"的规则和专业知识
- 推理机：类似专家的思维过程。它负责提问、根据⽤⼾回答去知识库查找匹配规则，进⾏逻辑推理并得出答案
- ⽤户界⾯：和系统对话的窗⼝
但好景不⻓专家系统的局限性逐渐暴露，他们的开发和维护成本⾼，需要专家不断提供规则，⽆法⾃动学习新知识；其次系统脆弱，⼀旦遇到超出规则范围的情况可能犯荒唐的错误。
随着微型计算机性能提升，性能逐渐超越运⾏专家系统的AI⼯作站，⼤量AI创业公司在短时间内破产或被收购，兔⼦⼈兴趣转移，到1993年前后超过300加AI公司关⻔，迎来了AI的第⼆次寒冬。
庆幸的是AI技术并未⽌步不前，⽽在其他领域悄然发展，⽐如：数据挖掘、⼯业机器⼈、语⾳识别、搜索引擎都在90年代获得突破性进展。
1991年，互联⽹的出现使在线连接和数据共享成为可能，⽆论你是谁，⽆论你在哪⾥。由于数据是⼈⼯智能的燃料，这在以后将被理解为⼈⼯智能的⼀个关键时刻。
AI崛起：深度学习理论和⼯程突破(1993年⾄今)
1997年，IBM的深蓝(Deep Blue)战胜了国际象棋冠军卡斯帕罗夫，成为⾸个在标准⽐赛时限内击
败国际象棋世界冠军的电脑系统。
2000年，⿇省理⼯学院的⾟西娅-布雷泽尔开发了Kismet，⼀种能够识别并模拟⼈类情绪的机器
⼈。
2006年，杰弗⾥·⾟顿等⼈发表重要论⽂《Reducing the dimensionality of data with neural
networks（⽤神经⽹络降低数据维数）》，提出了深度置信⽹络（Deep Belief Network），为
深度学习的发展奠定了基础。杰弗⾥·⾟顿也被称为深度学习教⽗。
2006年，英伟达推出CUDA(统⼀计算架构)，GPU开始⽤于解决商业、⼯业以及科学⽅⾯的复杂计
算，GPU与深度学习结合，模型的训练速度有了数量级的提升
CPU(中央处理器)：像是⼀个博学的⽼教授。他⾮常聪明，什么复杂任务都能处理，⽐如操作
系统、办公软件，但⼀次只能处理⼀两件事(核⼼数少)。让他去数⼀亿粒⽶，他会数得很精确，
但速度⾮常慢。
GPU(图形处理器)：最初是为游戏和图形渲染设计的。它像是⼀万名⼩学⽣。每个⼩学⽣都不
如⽼教授聪明，只能 执⾏⾮常简单的指令(⽐如算术题)。但让他们同时去数⼀亿粒⽶，每⼈分⼀
点，瞬间就数完了。
AI计算（尤其是深度学习）的本质是什么？
就是海量的、⾼度重复的矩阵乘法和加法。⽐如，识别⼀张猫的图⽚，需要将数百万个像素值与神
经⽹络中数百万个参数进⾏乘法和加法运算。这个过程不需要⼀个"⽼教授"去深度思考，恰恰需
要"⼀万名⼩学⽣"同时进⾏简单的计算。GPU的并⾏计算架构完美匹配了AI计算的需求。
更重要的是英伟达还发明了CUDA(Computer Unified Device Architecture，统⼀计算机架构)，构
建了⼀整个AI⽣态系统。CUDA是⼀个软件平台，它允许程序员和研究⼈员⽤熟悉的编程语⾔(如
C++、Python)直接调⽤GPU的强⼤算⼒来进⾏通⽤计算。
今天所有震撼世界的AI产品，如ChatGPT、Sora等，它们的训练和运⾏都完全依赖与数万甚⾄数⼗万颗GPU组成的超级计算机，没有这个算⼒基础，当前的⼤模型就不可能存在。英伟达是AI时代 的“卖铲⼈”。当全世界都在疯狂淘⾦（开发AI）时，英伟达提供了最好⽤、⼏乎是唯⼀的“铲
⼦”（GPU+CUDA），从⽽成为了整个浪潮中最⼤的赢家之⼀。
2012年，⾕歌"Google Brain"项⽬的研究⼈员吴恩达、杰夫·迪恩等⼈，也捣⿎了⼀个神经⽹络
（10亿参数），⽤来训练对猫的识别。他们⽤16000个CPU核⼼构建了⼀个巨⼤的神经⽹络，在没
有任何先验知识的情况下，仅仅通过观看YouTube视频，就⾃发地识别出了“猫”。这个实验让⼯
业界第⼀次⼤规模地看到了深度学习的惊⼈潜⼒。
2015年，Google Brain团队正式发布TensorFlow机器学习框架，提供了⼀整套⽤⼾构建和训练机
器学习模型的⼯具、库和社区资源，由于其通⽤性和强⼤功能，被⼴泛应⽤于计算机视觉、⾃然语
⾔处理、语⾳处理、推荐系统等。TensorFlow作为基础⼯具基⽯，其应⽤领域⼏乎涵盖了AI的⽅
⾯ 。
2017年，Google AI团队在论⽂《Attention Is All You Need》中⾸次提供了Transformer模型架
构，论⽂发布后其参考实现代码⻚随之公开，并迅速被纳⼊TensorFlow、PyTorch等框架的官⽅库
和教程中。Transformer 的诞⽣，为后续⼏乎所有⼤型语⾔模型提供了最基础也最关键的架构蓝
图。现在DeepSeek、ChatGPT、Gemini基本都是基于Transformer实现的。
AlphaGo战胜⼈类顶尖围棋选⼿（柯洁被打到道心破碎，从而转向抽象视频（乐））。
2022年11⽉30⽇，ChatGPT发布，彻底突破科技圈，它提供了⼀个及其简单、⾃然、免费的聊天
界⾯，任何⼈⽆需技术背景，都能直接与其互动。它能写诗、写代码、解数学题、编故事，回答各
种问题，震惊了⽆数⼈。⽤⼾们开始在各种社交平台，病毒式分享⾃⼰与ChatGPT对话的惊⼈截
图，短短5天内，ChatGPT的⽤⼾就图⽚100万。
此后，各⼤科技公司（Google、微软、Meta、亚⻢逊以及中国的百度、阿⾥、深度求索等）全部加速⼊场，发布了各⾃的竞品（如Gemini、Claude、LLaMA、⽂⼼⼀⾔、通义千问、DeepSeek等），将这场热潮持续推⾼，形成了今天我们看到的“百模⼤战”格局。
三、程序员是否会被ai取代
相信各位都刷到过现在由于ai出现，导致计算机寒冬。
- 某款AI编程IDE写代码⾮常丝滑，⾃⼰⼀⾏代码不写就完成了某个应⽤
- 文科生加上codex写出来的程序比我们科班生要nb很多
- 不懂任何代码，通过向AI输⼊提⽰词，完成某个应⽤
- AI取代程序员真的要来了，公司20%的代码已由AI⽣成，公司计划裁员...
- AI来了，程序员天踏了；AI当⽴、编程已死...
【chatGPT】认为：
以后得事情谁也不好说，先顾好眼前少点焦虑：打得过就⼤，打不过就加⼊，你可能就业的不是AI相关领域，但是你不能不懂AI相关技术。
更多推荐
5
0- 0
已为社区贡献4条内容
所有评论(0)