目录一、人工智能概念二、人工智能发展史三、程序员是否会被ai取代一、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8888888B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 neuralnetworks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”GPUCUDA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。