人工智能发展历程思维导图模板_ProcessOn思维导图、流程图

什么是人工智能

智能的本质

生物一般性的精神能力

人认识、理解客观事物并运用知识、经验等解决问题的能力

多元智能理论

语言智能

数理逻辑智能

音乐智能

空间智能

身体运动智能

人际关系智能

自我认知智能

人工智能的定义

麦卡锡

让机器的行为看起来像是人所表现出的智能行为一样

尼尔逊

关于人造物的智能行为，包括知觉、推理、学习、交流和在复杂环境中的行为

巴尔和费根鲍姆

计算机科学的一个分支，旨在设计智能的计算机系统

教科书

研究、开发用于模拟、延伸和拓展人的智能的理论、方法、技术及应用系统的一门新的技术科学

人工智能的四要素

数据

人工智能的基础

数据的质量、数量和多样性，对人工智能的性能和准确性至关重要

算力

人工智能发展的重要因素

计算机的处理能力，包括CPU、GPU、TPU等硬件设备

算法

人工智能的核心

指引计算机如何处理和分析数据的指令

场景

指人工智能应用的具体环境和使用场景

人工智能的类型

弱人工智能

并不具备真正的智能和自主意识

应用于问题求解、逻辑推理与定理证明、自然语言理解、专家系统、机器学习、人工神经网络、机器人学、模式识别、机器视觉等

强人工智能

通用人工智能

具备类人智能和自学能力

人工智能目前阶段追求目标，弱人工智能向超级人工智能过度的中间阶段

超级人工智能

智力远超人类，具备前所未有的自主学习、创新能力和问题解决能力，并在创造力和情感理解等方面超越人类

人工智能领域中的巅峰之作

人工智能的发展历程

图灵测试

艾伦·图灵提出机器智能鉴别方法，开创AI科学先河。

达特茅斯会议

人工智能领域具有历程碑意义的一次重要会议

围绕人工智能的定义、研究方法和应用场景展开

麦卡锡

首次提出“人工智能”这个词汇

人工智能的开端

标志着人工智能作为一个独立学科的正式诞生

同年被称为“人工智能元年”

发展阶段划分

20世纪50年代中旬--60年代

起步发展期

人工智能诞生，进行理论基础构建

20世纪60年代--70年代

反思发展期期

由于技术受限，进展缓慢

20世纪70年代--80年代中旬

应用发展期

专家系统兴起，人工智能转向实用

20实际80年代中旬--90年代中旬

低迷发展期

多项研究再度放缓，人工智能行业再次进入寒冬

20世纪90年代中旬--21世纪10年代

稳步发展期

互联网推动人工智能不断创新，行业再次复苏

21世纪10年代--至今

蓬勃发展期

深度学习与大数据兴起带来了人工智能的爆发

未来人工智能发展的五个级别

L1

当前的ai，类似ChatGPt，可以与人类对话的人工智能

L2

无工具解决问题，如DeepSeek R1

L3

可以代表用户采取行动的ai

L4

可以创造新事物的ai

L5

可以完成整个组织工作的ai

人工智能的影响

对工作和生活等方面的影响

生活方式的变革

ai产品开始进入千家万户

ai将极大提升人类获取信息的效率

工作模式的转变

会用ai的人会逐渐淘汰不会用ai的人

教育领域的革新

ai补课老师普及

经济结构的优化和产业升级

自动驾驶成为汽车的标配

环境保护和可持续发展

社会伦理与隐私保护

ai眼睛可能会成为最时髦的可穿戴设备

开启科学的“第五范式”

实验、理论、计算、数据

智能科学

开启“人机共生”的新时代

“三线”人机关系观

基准线

人机协作

趋势线

人机共生

底线

“人在机器之上”

中国人工智能的起源与发展

1978年-1981年：艰难起步

纳入国家研究计划，成立中国人工智能学会

1980年代：备受质疑和打压

与“特异功能”混淆

1987年-1999年：迎来希望的曙光

创建期刊，召开会议，项目列入国家科技攀登计划

21世纪：蓬勃发展

获得基金支持，各种学会创建，各种成果相继涌现

世界各国的人工智能发展战略

美国

加大投资力度

推动技术创新

促进产业发展

加强人才培养

注重伦理治理

中国

出台政策法规

推动产业融合

加强基础设施建设

培养专业人才

注重应用场景

欧盟

制定伦理准则

推动技术创新

加强国际合作

增加投资力度

其他国家

俄罗斯强调自主研发，维护国家安全

日本重点布局机器人，类脑科学和自动驾驶等领域

韩国强化其芯片

英国旨在推动医疗和教育的发展

人工智能的关键技术

机器学习

三个发展阶段

传统机器学习模型阶段

关键词

算法

经验

性能

类型

监督学习

需要大量有标记的数据

非监督学习

不需要标记数据，数据量通常越大越好

强化学习

通过智能体和环境的交互逐步生成的数据，具有动态变化、连续累积的过程

算法

回归算法

线性回归

逻辑回归

K-means算法

一种无监督的聚类方法

深度学习模型阶段

超大规模深度学习模型阶段

大模型的优点

处理大规模数据能力强

处理复杂问题能力强

具有更高的准确率和性能

知识图谱

功能

可视化知识架构，用于社交网络、风控等领域

特点

挖掘实体关系，支持推理

自然语言处理

应用

机器翻译、语音识别、舆情分析等

目标

实现人机自然通信

人机交互

技术整合

脑机接口（如意念打字）、智能穿戴设备

跨学科

融合认知心理学、虚拟现实

计算机视觉

重点

图像识别、跟踪，使机器“看”懂世界

生物特征识别

范围

指纹、人脸、声纹等，结合多技术实现身份验证

人工智能应用

智能制造

人机一体化系统，优化生产流程

智能家居

物联网设备联动，实现远程控制

智能金融

智能客服、风险识别、金融云服务

智能交通

自动驾驶（如百度“萝卜快跑”）、交通管理系统

智能安防

车联网、公共安全监控

智能医疗

远程诊断、AI辅助治疗（如清华大学AI医院）

智能物流

自动化分拣、路径优化（如京东智能系统）

智能零售

无人便利店、智慧供应链

人工智能产业

智能基础设施建设

智能芯片

智能传感器

分布式计算框架

智能信息及数据

数据集提供商

数据采集、存储、处理和分析综合性厂商

智能技术服务

平台与模型

提供人工智能的技术平台和算法模型

解决方案

提供人工智能的整体解决方案

在线服务

提供人工智能在线服务

智能产品

智能机器人

智能运载工具

智能终端

自然语言处理

计算机视觉

生物特征识别

VR/AR

人机交互

人工智能思维

了解

每个人都应该了解人工智能的基础运行模式

区分

具备区分人的能力和机器的能力

协作

拥有和人工智能协作的能力，懂得如何运用人工智能

我的展望与思考

未来可能的技术突破点

算法轻量化

适用于更多的设备

降低人工智能的训练成本

伦理框架更加完善

预测

2030年代或有可能看见AGI雏形诞生，但需要防范ASI风险

发展的方向

加强跨学科融合

各种语言更好的理解

我们需要怎么做

跨学科学习

培养自己的人工智能思维