人工智能基础知识

人工智能是研究如何使计算机去做过去只有人才能做的智能工作的一门技术科学，属于计算机科学领域的一个分支[^c1]。它的核心目标是让机器模拟、延伸和扩展人类的智能，从而完成学习、推理、预测、优化与任务自动化等工作。在这一领域中，机器学习、自然语言处理、大型语言模型及其他技术协同工作，帮助计算机以辅助人类完成任务的方式学习、理解并生成输出内容[^c5]。

理解人工智能需要先把握一组层层包含的核心概念：人工智能包含机器学习，机器学习包含深度学习，其中人工智能出现得最早[^c2]。机器学习让计算机从数据中自行寻找规律，而深度学习作为机器学习的子集，是一种用于建立、模拟人脑进行分析学习的神经网络、并模仿人脑机制来解释数据的机器学习技术[^c4]，它能够自动学习特征，从而在图像、语音与语言任务上取得突破。在此之上，Transformer 架构、大语言模型与生成式人工智能构成了当代技术的主要支柱，而其训练与推理过程、评估与泛化机制则决定了模型的真实能力边界。

人工智能的发展并非一帆风顺。纵观其历史，它经历了三次发展浪潮，期间经历了两次寒冬[^c3]：从达特茅斯会议确立学科起点、符号主义的黄金时代，到专家系统与联结主义的起伏，再到以深度学习为核心的第三次浪潮，直至 Transformer 与大语言模型推动的当前阶段。这一脉络既解释了技术路线之争，也说明了基础研究长期积累的价值。人工智能已广泛应用于医疗健康、自动驾驶、智能助手、工业制造与内容创作等领域，同时带来算法偏见、隐私与数据安全、就业结构变化与监管治理等一系列伦理与社会议题。相应地，围绕数学基础、编程工具、核心算法与实战项目的学习路径，构成了进入这一领域的通行方式。

进入 2026 年，竞争的重心正在从参数规模转向真实问题的解决[^c6]，多模态、智能体与长上下文成为新的焦点；前沿格局也再度洗牌，谷歌与 Meta 相继发布前沿模型，宣称其能力可与 OpenAI、Anthropic 的最佳模型比肩[^c8]。与此同时，围绕[[世界模型]]的技术路线提出，语言模型预测的是文本而非物理现实，这一缺口限制了它们在依赖物理规律的行业中的作为[^c7]，成为与主流语言模型路线并行发展的重要方向。随着模型演变为可自主调用工具与网络的智能体，其能力与分发速度也快于用于约束、观测和制止它们的控制手段[^c9]，智能体安全因此成为监管与工程共同面对的核心问题。在治理层面，Anthropic 于 2026 年 10 月向美国国会议员散发前沿模型安全法案草案，主张仅在模型可能造成 50 人以上伤亡或逾 10 亿美元损失且经法院批准时叫停发布[^c10]；中国国务院常务会议则强调以落地应用牵引技术创新，深化“人工智能+”行动，同时因业分级分类施策、守牢安全底线[^c11]；国际货币基金组织在秋季年会上把人工智能列为增长的重要动力，同时警告过度依赖单一增长引擎的风险，并呼吁建立防护机制与国际合作[^c12]。模型层面，DeepSeek 于 10 月 17 日将 V4.1-Flash 更新至 1017 版本[^c13]，并称新版本在缩短任务运行时间与输出长度的同时提升了性能，达到新的性能—费用帕累托最优[^c14]。