feat(docs): add NavGrid/NavCard components and restructure stage pages
- Add NavGrid.vue and NavCard.vue components for better navigation layout - Restructure stage-0 index pages across languages into intro.md with new navigation components - Remove old stage-0 index.md files and update stage-3 pages similarly - Add new dependencies 'claude' and 'codex' to package.json - Improve code formatting in multiple Vue components for better readability - Update documentation content and structure for better user experience
This commit is contained in:
sanbuphy
@@ -1,26 +1,27 @@
|
||||
# 人工智能进化史：从"逻辑"到"直觉"（交互式教程）
|
||||
# 人工智能进化史：从"教它规则"到"让它创造"
|
||||
|
||||
> 💡 **学习指南**：本章节无需编程基础，通过交互式演示带你梳理人工智能 70 年的发展脉络。从最早的下棋程序，到今天能写诗作画的 ChatGPT。我们将深入理解 AI 从"人工规则"到"机器学习"的进化历程。
|
||||
> 💡 **学习指南**：本章节通过交互式演示，带你回顾 AI 如何从“只会算数的机器”进化成“能写诗的艺术家”。
|
||||
>
|
||||
> 我们将聚焦于三次核心的思维跃迁：从**教它规则**，到**让它模仿**，最终实现**让它创造**。同时，我们也会梳理关键的历史节点，带你理清技术发展的脉络。
|
||||
|
||||
<AiEvolutionDemo />
|
||||
|
||||
## 0. 引言：机器能思考吗？
|
||||
|
||||
1950 年，艾伦·图灵在论文《计算机器与智能》中提出了这个问题：
|
||||
**"机器能思考吗？"**
|
||||
|
||||
为了回答它，人类进行了长达半个多世纪的探索。我们走过弯路（试图穷举规则），也经历过寒冬（算力不足），最终在模仿人脑（神经网络）的道路上取得了突破。
|
||||
|
||||
AI 的进化史，就是人类探索"如何让机器拥有智能"的历史。这条探索之路经历了三个主要阶段：
|
||||
|
||||
1. **符号主义**：教机器"守规矩"——人工写规则
|
||||
2. **连接主义**：教机器"像人脑一样思考"——神经网络学习
|
||||
3. **生成式人工智能**：机器有了"创造力"——大语言模型
|
||||
|
||||
本教程将带你从零开始，一步步理解这些范式的演变。
|
||||
### 关键里程碑 (Timeline)
|
||||
|
||||
<AIEvolutionTimelineDemo />
|
||||
|
||||
## 0. 引言：机器能思考吗？
|
||||
|
||||
1950 年，艾伦·图灵提出了一个问题：**"机器能思考吗？"**
|
||||
|
||||
为了回答这个问题，人类尝试了三种截然不同的解法：
|
||||
|
||||
1. **教它规则**（逻辑）：像教小孩一样，把所有规则写给它。
|
||||
2. **让它模仿**（概率）：给它看大量数据，让它自己找规律。
|
||||
3. **让它创造**（生成）：不仅能分类，还能根据理解创造新东西。
|
||||
|
||||
本教程将带你亲手体验这三个阶段。
|
||||
|
||||
---
|
||||
|
||||
## 1. 符号主义：教机器"守规矩"（20世纪50年代 - 80年代）
|
||||
@@ -69,6 +70,7 @@ THEN
|
||||
```
|
||||
|
||||
_数据示例 (知识库格式)_：
|
||||
|
||||
```json
|
||||
// 专家系统知识库示例
|
||||
{
|
||||
@@ -106,6 +108,7 @@ _数据示例 (知识库格式)_：
|
||||
<CombinatorialExplosionDemo />
|
||||
|
||||
**问题 1：组合爆炸**
|
||||
|
||||
- 试图写下"识别猫"的所有规则？不可能！
|
||||
- "有胡须"？老鼠也有。
|
||||
- "有尖耳朵"？狗也有。
|
||||
@@ -113,6 +116,7 @@ _数据示例 (知识库格式)_：
|
||||
- 现实世界有无限边界情况，规则永远写不完。
|
||||
|
||||
**问题 2：无法处理不确定性**
|
||||
|
||||
- 如果规则冲突怎么办？
|
||||
- 如果遇到没见过的情况怎么办？
|
||||
- 规则系统很"脆弱"，缺少人类常识。
|
||||
@@ -133,6 +137,7 @@ _数据示例 (知识库格式)_：
|
||||
人脑有约 860 亿个神经元，每个神经元通过突触连接成千上万个其他神经元。
|
||||
|
||||
**关键发现**：
|
||||
|
||||
- 单个神经元很"笨"（只是兴奋或不兴奋）
|
||||
- 但几百亿个神经元连在一起，就产生了智能
|
||||
|
||||
@@ -146,7 +151,14 @@ _数据示例 (知识库格式)_：
|
||||
2. **加权求和**：每个输入有对应的**权重**，代表重要性
|
||||
3. **激活判断**：如果总和超过某个**阈值（偏置）**，就激活（输出 1）
|
||||
|
||||
$$ Output = \begin{cases} 1 & \text{if } \sum (w_i \cdot x_i) + b > 0 \\ 0 & \text{otherwise} \end{cases} $$
|
||||
```text
|
||||
如果不带公式，怎么理解？
|
||||
|
||||
简单来说就是：打分机制。
|
||||
总分 = (输入1 × 权重1) + (输入2 × 权重2) + ... + 基础分
|
||||
如果 总分 > 0，输出 1 (激活)
|
||||
否则，输出 0 (静默)
|
||||
```
|
||||
|
||||
### 2.3 交互演示：玩转神经元
|
||||
|
||||
@@ -184,6 +196,7 @@ $$ Output = \begin{cases} 1 & \text{if } \sum (w_i \cdot x_i) + b > 0 \\ 0 & \te
|
||||
不像专家系统需要人写规则，神经网络通过**看数据**自己学。
|
||||
|
||||
**学习过程（反向传播）**：
|
||||
|
||||
1. **前向传播**：输入数据，得到预测结果
|
||||
2. **计算误差**：对比预测和真实答案
|
||||
3. **反向传播**：根据误差调整每个神经元的权重
|
||||
@@ -192,6 +205,7 @@ $$ Output = \begin{cases} 1 & \text{if } \sum (w_i \cdot x_i) + b > 0 \\ 0 & \te
|
||||
<BackpropagationDemo />
|
||||
|
||||
_数据示例 (训练数据格式)_：
|
||||
|
||||
```json
|
||||
// 图像分类训练数据示例
|
||||
{
|
||||
@@ -217,6 +231,7 @@ _数据示例 (训练数据格式)_：
|
||||
2012 年，AlexNet 在 ImageNet 竞赛中以压倒性优势夺冠，标志着深度学习时代的到来。
|
||||
|
||||
**关键因素**：
|
||||
|
||||
- **大数据**：ImageNet 提供了 1400 万张标注图片
|
||||
- **大算力**：GPU 的并行计算能力让训练深度网络成为可能
|
||||
- **新算法**：ReLU 激活函数、Dropout 正则化等技术突破
|
||||
@@ -241,10 +256,12 @@ _数据示例 (训练数据格式)_：
|
||||
### 3.1 从"识别"到"创造"
|
||||
|
||||
传统深度学习（判别式模型）：
|
||||
|
||||
- 输入：一张图
|
||||
- 输出：这是猫（概率 98%）
|
||||
|
||||
生成式 AI：
|
||||
|
||||
- 输入：一句话"一只戴着墨镜的猫"
|
||||
- 输出：生成一张对应的图片
|
||||
|
||||
@@ -269,10 +286,12 @@ _数据示例 (训练数据格式)_：
|
||||
2018 年，OpenAI 发布 GPT-1（生成式预训练变换器）。
|
||||
|
||||
**核心思想**：
|
||||
|
||||
1. **预训练**：在海量文本上学习"预测下一个词"
|
||||
2. **微调**：在特定任务上调整（比如问答、翻译）
|
||||
|
||||
从 GPT-1 (2018) → GPT-2 (2019) → GPT-3 (2020) → GPT-4 (2023)
|
||||
|
||||
- 参数量从 1.17 亿 → 1750 亿 → 1.8 万亿（估计）
|
||||
- 能力从文本生成 → 多模态（图片、音频、视频）
|
||||
|
||||
@@ -290,11 +309,11 @@ _数据示例 (训练数据格式)_：
|
||||
|
||||
## 4. AI 范式对比总结
|
||||
|
||||
| 时代 | 核心理念 | 代表产物 | 优势 | 局限 |
|
||||
| :------------------ | :-------------- | :------------------------ | :------------------------ | :--------------------------- |
|
||||
| **符号主义** | 智慧 = 规则 | 深蓝（下棋）、MYCIN（诊断） | 可解释性强，逻辑清晰 | 无法处理模糊、复杂的现实世界 |
|
||||
| **连接主义** | 智慧 = 神经网络 | AlphaGo、人脸识别 | 能处理复杂模式，性能强大 | 需要海量数据，是个"黑盒" |
|
||||
| **生成式人工智能** | 智慧 = 通用理解 | ChatGPT、Midjourney | 能创造新内容，理解上下文 | 幻觉、偏见、不可解释 |
|
||||
| 时代 | 核心理念 | 代表产物 | 优势 | 局限 |
|
||||
| :----------------- | :-------------- | :-------------------------- | :----------------------- | :--------------------------- |
|
||||
| **符号主义** | 智慧 = 规则 | 深蓝（下棋）、MYCIN（诊断） | 可解释性强，逻辑清晰 | 无法处理模糊、复杂的现实世界 |
|
||||
| **连接主义** | 智慧 = 神经网络 | AlphaGo、人脸识别 | 能处理复杂模式，性能强大 | 需要海量数据，是个"黑盒" |
|
||||
| **生成式人工智能** | 智慧 = 通用理解 | ChatGPT、Midjourney | 能创造新内容，理解上下文 | 幻觉、偏见、不可解释 |
|
||||
|
||||
**AI 的进化趋势**：
|
||||
|
||||
@@ -308,21 +327,21 @@ _数据示例 (训练数据格式)_：
|
||||
|
||||
## 5. 名词速查表
|
||||
|
||||
| 名词 | 英文原文 | 解释 |
|
||||
| :----------------- | :------------------------- | :----------------------------------------------------------------------------------------- |
|
||||
| **符号主义** | Symbolic AI | 基于规则的人工智能。认为智能可以用逻辑规则表示。代表：专家系统、深蓝。 |
|
||||
| **专家系统** | Expert Systems | 符号主义的代表产物。通过人工编写大量规则来模拟专家决策。代表：MYCIN（医疗诊断）。 |
|
||||
| **连接主义** | Connectionism | 基于神经网络的人工智能。模仿人脑神经元连接结构，通过数据自动学习。 |
|
||||
| **感知机** | Perceptron | 最简单的神经网络单元。接收多个输入，加权求和后通过激活函数输出。 |
|
||||
| **神经网络** | Neural Network | 由多个感知机分层连接组成的模型。通过调整权重来学习数据中的模式。 |
|
||||
| **深度学习** | Deep Learning | 使用**多层**神经网络的学习方法。能自动提取层次化特征（边缘 → 形状 → 物体）。 |
|
||||
| **反向传播** | Backpropagation | 神经网络的学习算法。通过计算预测误差，反向调整每层的权重，逐步优化模型。 |
|
||||
| **生成式人工智能** | Generative AI | 能**创造新内容**的人工智能（文本、图片、音频等），而非仅仅是分类或识别。代表：ChatGPT、Midjourney。 |
|
||||
| **判别式人工智能** | Discriminative AI | 用于**分类**的人工智能（如：这是猫还是狗？）。传统深度学习大多是判别式的。 |
|
||||
| **Transformer** | Transformer | 2017 年由 Google 提出的架构，基于注意力机制。是现代大语言模型（GPT、BERT）的基础。 |
|
||||
| **注意力机制** | Attention Mechanism | 让模型在处理一个元素时，能动态"关注"其他相关元素的技术。是 Transformer 的核心。 |
|
||||
| **GPT** | Generative Pre-trained Transformer | OpenAI 的系列模型。通过"预训练 + 微调"范式，在大量文本上学习生成能力。 |
|
||||
| **预训练** | Pre-training | 在大规模无标注数据上进行初步训练，学习通用知识（如语言规律）。 |
|
||||
| **微调** | Fine-tuning | 在预训练模型基础上，使用特定任务的小规模数据进行调整，使模型适应具体应用。 |
|
||||
| **幻觉** | Hallucination | 生成式人工智能模型"自信地编造错误内容"的现象。如 ChatGPT 编造不存在的论文或事实。 |
|
||||
| **通用人工智能** | Artificial General Intelligence | 像人类一样具备多领域智能、能自主学习推理的人工智能（尚未实现）。 |
|
||||
| 名词 | 英文原文 | 解释 |
|
||||
| :----------------- | :--------------------------------- | :-------------------------------------------------------------------------------------------------- |
|
||||
| **符号主义** | Symbolic AI | 基于规则的人工智能。认为智能可以用逻辑规则表示。代表：专家系统、深蓝。 |
|
||||
| **专家系统** | Expert Systems | 符号主义的代表产物。通过人工编写大量规则来模拟专家决策。代表：MYCIN（医疗诊断）。 |
|
||||
| **连接主义** | Connectionism | 基于神经网络的人工智能。模仿人脑神经元连接结构，通过数据自动学习。 |
|
||||
| **感知机** | Perceptron | 最简单的神经网络单元。接收多个输入，加权求和后通过激活函数输出。 |
|
||||
| **神经网络** | Neural Network | 由多个感知机分层连接组成的模型。通过调整权重来学习数据中的模式。 |
|
||||
| **深度学习** | Deep Learning | 使用**多层**神经网络的学习方法。能自动提取层次化特征（边缘 → 形状 → 物体）。 |
|
||||
| **反向传播** | Backpropagation | 神经网络的学习算法。通过计算预测误差，反向调整每层的权重，逐步优化模型。 |
|
||||
| **生成式人工智能** | Generative AI | 能**创造新内容**的人工智能（文本、图片、音频等），而非仅仅是分类或识别。代表：ChatGPT、Midjourney。 |
|
||||
| **判别式人工智能** | Discriminative AI | 用于**分类**的人工智能（如：这是猫还是狗？）。传统深度学习大多是判别式的。 |
|
||||
| **Transformer** | Transformer | 2017 年由 Google 提出的架构，基于注意力机制。是现代大语言模型（GPT、BERT）的基础。 |
|
||||
| **注意力机制** | Attention Mechanism | 让模型在处理一个元素时，能动态"关注"其他相关元素的技术。是 Transformer 的核心。 |
|
||||
| **GPT** | Generative Pre-trained Transformer | OpenAI 的系列模型。通过"预训练 + 微调"范式，在大量文本上学习生成能力。 |
|
||||
| **预训练** | Pre-training | 在大规模无标注数据上进行初步训练，学习通用知识（如语言规律）。 |
|
||||
| **微调** | Fine-tuning | 在预训练模型基础上，使用特定任务的小规模数据进行调整，使模型适应具体应用。 |
|
||||
| **幻觉** | Hallucination | 生成式人工智能模型"自信地编造错误内容"的现象。如 ChatGPT 编造不存在的论文或事实。 |
|
||||
| **通用人工智能** | Artificial General Intelligence | 像人类一样具备多领域智能、能自主学习推理的人工智能（尚未实现）。 |
|
||||
|
||||
Reference in New Issue
Block a user