跳到主要内容

认识 AI

认识 AI​

人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，是让机器模拟人类智能的技术，使其能像人一样学习、推理、感知和决策。例如，它能识别语音、推荐视频或汽车的自动驾驶等。

AI 之所以智能，是因为它底层是基于 Transformer 架构实现的，Transformer 是 AI 处理语言的核心架构（ChatGPT 、Deepseek 都是基于它实现）。它的核心突破是“自注意力机制”，让 AI 能像人一样，通过上下文理解每个词的含义。例如：

举例：“她吃了一个苹果”
● 传统模型只能逐字分析，可能忽略“吃”和“苹果”之间的关联。
● Transformer会自动让“吃”关注“苹果”，理解动作和对象的关系。
● Transformer让AI学会“联系上下文”，像人类一样理解语言逻辑，是当前AI爆发（如ChatGPT）的核心技术。

大模型原理​

大模型 = 通过海量数据训练出来的“超级自动补全工具”，核心能力是根据输入内容预测下一个词。

核心原理拆解​

  • 底层架构：Transformer（积木块结构）
  • 核心组件：自注意力机制（Self-Attention）
  • 作用：让模型像人类一样，自动关注输入内容中哪些词更重要（例如：“她吃了一个苹果”中，“吃”是核心动词）。

训练过程​

  • 预训练：用全网文本（书籍/网页等）学习语言规律，建立知识库。例如：输入 天空是___ , 模型学习预测是 蓝色。
  • 微调： 用特定的任务数据（如对话/问答）调整模型，让它更听话。

运行本质: 概率​

  • 每次输出一个词时，模型计算所有可能词的概率，选择最高概率的词（或者随机选高概率词增加多样性）。
  • 例：输入“The boy went to the”，模型可能输出“Cafe”（概率0.1）、“Hospital”（0.05）、“Playground”（0.4）、“Park”（0.15）、“School”（0.3）。

  • 大模型输出时，会选择概率值最高的词，最终会输出：The boy went to the Playground（男孩去了游乐场）
  • 这里的概率，是指条件概率，也就是说，【游乐场】是【男孩去的地方】概率0.4
提示

大模型正是因为依据概率回答，所以会存在“AI幻觉”，也就是所谓的“胡说八道”。所以，对于大模型生成的数据，需要进行优化数据、加入人工审核、提醒用户自行验证等。

人工智能的发展历程​

早期阶段（1950s-1970s）​

  • 1950年：图灵测试提出
  • 1956年：达特茅斯会议，人工智能概念正式确立
  • 1960s：专家系统出现

知识工程时代（1980s）​

  • 基于规则的专家系统兴起
  • 知识表示和推理技术发展

机器学习时代（1990s-2000s）​

  • 统计学习方法兴起
  • 支持向量机、决策树等算法发展

深度学习时代（2010s至今）​

  • 神经网络技术复兴
  • 大数据和强大计算能力推动发展
  • 大语言模型诞生

人工智能的主要分支​

机器学习​

让计算机通过数据学习规律和模式，包括监督学习、无监督学习、强化学习等。

自然语言处理（NLP）​

使计算机能够理解、解释、生成人类语言的技术。

计算机视觉​

让计算机能够"看懂"图像和视频内容的技术。

语音识别与合成​

实现计算机与人类通过语音交互的技术。

大语言模型简介​

大语言模型（Large Language Models，LLMs）是近年来人工智能领域的重要突破，它们通过在海量文本上进行训练，能够理解和生成高质量的人类语言。

理解人工智能的基本概念和发展历程，是学习和应用 Spring AI 的重要基础。