【AI Business Model】人工智能的定义 | 了解 AI 的历史 | 简单理解什么是 “图灵测试“

简介: 【AI Business Model】人工智能的定义 | 了解 AI 的历史 | 简单理解什么是 “图灵测试“

 

💭 写在前面:本章我们将讲解工业革命的定义、人工智能的定义以及第四次工业革命的特点。


0x00 人工智能的定义

① WIKI 百科定义:机器智能,技术使机器能够模拟人类的学习能力和问题解决能力。

② 在计算机领域的定义:

  • 为了实现某一目标,感知当前情况。
  • 决定行动以最大程度地实现该目标的代理,弱人工智能。

③ 来自维基百科的AGI(人工通用智能)定义:

  • 机器能够执行人类进行的任何智力任务的智能。
  • AI 研究的目标
  • 科幻作家的主题
  • 强人工智能 (Strong AI)

人工智能(Artificial Intelligence,简称AI)是一种计算机科学领域,它致力于创建能够模拟人类智能和学习能力的计算机系统。这意味着AI系统可以处理信息、理解语言、解决问题、做出决策和执行任务,这些任务通常需要人类智能才能完成。人工智能的核心目标是使计算机系统能够模仿和模拟人类的感知、推理、学习和适应能力,从而使它们 能够自主地执行各种任务,而无需人类的干预。

0x01 AI 的历史

🚩 简单概括:

  • 1943年:早期起步 —— McCulloch & Pitts:脑的布尔电路模型
  • 1950年:图灵 —— 图灵的《计算机与智能》
  • 1956年:人工智能诞生 —— Dartmouth 会议:采用 "Artificial Intelligence" 名称

20世纪初:计算机科学的奠基人,如阿兰·图灵(Alan Turing),提出了计算理论和机器智能的一些基本概念。图灵的著名图灵测试(Turing Test)被认为是评估机器智能的标准之一。

20世纪50年代:在这个时期,AI研究的先驱们开始开发可以模拟人类思维的计算机程序。代表性的项目包括Dartmouth Workshop,它被认为是首个AI会议,以及John McCarthy创建的LISP编程语言,LISP被广泛用于AI研究。

20世纪60年代和70年代:这个时期是AI的黄金时代,被称为“AI的第一次浪潮”。研究人员开发了各种AI程序,包括专家系统,这些系统可以模拟人类专家的知识和推理能力。

20世纪80年代和90年代:AI研究遇到了一些挫折,称为“AI的寒冬”。许多过于乐观的预期未能实现,导致资金和兴趣流失。然而,一些子领域如机器学习和神经网络研究仍在继续发展。

21世纪初:机器学习和数据驱动的方法重新引领了AI研究的潮流。大数据的可用性和计算能力的提升使得深度学习和神经网络等技术取得突破性进展。这一时期也见证了计算机视觉、自然语言处理和语音识别等领域的显著进步。

0x02 图灵测试

图灵测试(The Turing test)由艾伦·麦席森·图灵提出,指测试者与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。 进行多次测试后,如果机器让平均每个参与者做出超过30%的误判,那么这台机器就通过了测试,并被认为具有人类智能。图灵测试一词来源于计算机科学和密码学的先驱艾伦·麦席森·图灵写于1950年的一篇论文《计算机器与智能》,其中30%是图灵对2000年时的机器思考能力的一个预测,我们已远远落后于这个预测。简单来说就是 ——

通过使用键盘进行 5 分钟的人机对话,如果 超过 30% 的测试人员将计算机误认为是人类,则认为图灵测试通过。

2014 年 6 月,65岁的图灵测试成功通过:

BBC News 2014, June 9:

1995 - 人工智能作为科学,学习、推理、知识表示的整合,人工智能方法在视觉、语言、数据挖掘等领域的应用。2009-2012 - 深度神经网络 (Deep Neural Network)。2016 - AlphaGo在与李世石的比赛中赢得了5场比赛中的4场。强化学习 + 深度神经网络 (Reinforcement Learning + Deep Neural Network。2018 - 中英翻译 。机器翻译,质量接近人类水平 。将中文新闻故事翻译成英文 。2018 - 前列腺癌分级 。深度神经网络:总体准确率达到70% 。美国认证的一般病理学专家:61%准确率。

📌 [ 笔者 ]   王亦优
📃 [ 更新 ]   2022.9.8
❌ [ 勘误 ]   /* 暂无 */
📜 [ 声明 ]   由于作者水平有限,本文有错误和不准确之处在所难免,
              本人也很想知道这些错误,恳望读者批评指正!

📜 参考资料 

相关文章
|
22天前
|
人工智能 JSON 前端开发
Agentic AI崛起:九大核心技术定义未来人机交互模式​
本文系统梳理AI智能体架构设计的九大核心技术,涵盖智能体基础、多智能体协作、知识增强、模型优化、工具调用、协议标准化及人机交互等关键领域,助力构建高效、智能、协同的AI应用体系。建议点赞收藏,持续关注AI架构前沿技术。
345 1
|
23天前
|
人工智能 数据可视化 测试技术
AI测试平台自动遍历:低代码也能玩转全链路测试
AI测试平台的自动遍历功能,通过低代码配置实现Web和App的自动化测试。用户只需提供入口链接或安装包及简单配置,即可自动完成页面结构识别、操作验证,并生成可视化报告,大幅提升测试效率,特别适用于高频迭代项目。
|
1月前
|
人工智能 测试技术 调度
写用例写到怀疑人生?AI 智能测试平台帮你一键生成!
霍格沃兹测试开发学社推出AI智能测试用例生成功能,结合需求文档一键生成高质量测试用例,大幅提升效率,减少重复劳动。支持自定义提示词、多文档分析与批量管理,助力测试人员高效完成测试设计,释放更多时间投入核心分析工作。平台已开放内测,欢迎体验!
|
1月前
|
存储 人工智能 测试技术
用AI提升测试效率:智能体平台的「需求文档管理」功能上线啦!
霍格沃兹测试开发学社推出AI智能体测试平台,全新「需求文档管理」功能助力高效测试准备。集中管理需求文档,支持多种上传方式,智能生成测试用例,提升测试效率与准确性,助力迈向智能化测试新时代。
|
27天前
|
人工智能 JavaScript 算法
Playwright携手MCP:AI智能体实现自主化UI回归测试
MCP 协议使得 AI 能够通过 Playwright 操作浏览器,其中快照生成技术将页面状态转化为 LLM 可理解的文本,成为驱动自动化测试的关键。该方式适用于探索性测试和快速验证,但目前仍面临快照信息缺失、元素定位不稳定、成本高、复杂场景适应性差以及结果确定性不足等挑战。人机协同被认为是未来更可行的方向,AI 负责执行固定流程,人类则专注策略与验证。
|
2月前
|
存储 人工智能 算法
AI测试平台实战:深入解析自动化评分和多模型对比评测
在AI技术迅猛发展的今天,测试工程师面临着如何高效评估大模型性能的全新挑战。本文将深入探讨AI测试平台中自动化评分与多模型对比评测的关键技术与实践方法,为测试工程师提供可落地的解决方案。
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
如何让AI更“聪明”?VLM模型的优化策略与测试方法全解析​
本文系统解析视觉语言模型(VLM)的核心机制、推理优化、评测方法与挑战。涵盖多模态对齐、KV Cache优化、性能测试及主流基准,助你全面掌握VLM技术前沿。建议点赞收藏,深入学习。
190 8
|
11天前
|
人工智能 自然语言处理 前端开发
深度解析Playwright MCP:功能、优势与挑战,AI如何提升测试效率与覆盖率
Playwright MCP通过AI与浏览器交互,实现自然语言驱动的自动化测试。它降低门槛、提升效率,助力测试工程师聚焦高价值工作,是探索性测试与快速验证的新利器。

热门文章

最新文章