机器学习应用领域和发展史介绍
1 课程概览
本课介绍机器学习的应用领域与人工智能发展史，要求达到"了解"层次。内容涵盖机器学习在图像识别、无人驾驶、智能翻译等领域的应用，人工智能发展的三大阶段（符号主义、统计主义、神经网络/大规模预训练模型），以及AI三要素中的算力分类（CPU、GPU、TPU）。
2 核心概念与定义
- 计算机视觉（Computer Vision, CV）：对人类看到的事物进行理解。
- 自然语言处理（Natural Language Processing, NLP）：对人类交流的文本、声音进行理解。
- AIGC（AI Generated Content）：由AI生成内容，即Artificial Intelligence Generated Content，包括文生图、图生图、文生视频等。
- 达特茅斯会议（Dartmouth Conference）：1956年在美国达特茅斯学院召开的会议，标志着人工智能的诞生。
- 人工智能元年：1956年。
- 图灵测试（Turing Test）：将人关在小黑屋中通过电脑与对方交流，若超过30%的人无法判断对方是人还是机器，则测试成功。
- 图灵奖（Turing Award）：计算机界最高奖项，被誉为"计算机界的诺贝尔奖"。
- CPU（Central Processing Unit）：中央处理器，适合IO密集型任务（输入输出密集、读写密集）。
- GPU（Graphics Processing Unit）：图像处理器（显卡），适合计算密集型任务。
- TPU（Tensor Processing Unit）：张量处理器，专门针对大型网络训练设计，一般人难以购买。
3 算法与模型详解
3.1 机器学习应用领域
| 应用领域 | 说明 |
|---|---|
| 图像识别 | 判断图片是猫还是狗等 |
| 无人驾驶 | 自动驾驶汽车 |
| 智能翻译 | 中英文互译 |
| 医疗诊断 | 智能诊断疾病 |
| 数据挖掘 | 从数据中挖掘有价值信息 |
总结：应用领域涵盖各行各业，数据处理类型无非文本、音频、视频、图像四大类。
3.2 人工智能发展三大阶段
| 阶段 | 时间 | 特点 | 代表事件 |
|---|---|---|---|
| 符号主义（专家系统） | 1950s-1980s | 专家系统占主导 | 1950年图灵设计国际象棋程序；1956年达特茅斯会议；1962年IBM跳棋程序战胜人类（第一次浪潮） |
| 统计主义 | 1980s-2000s | 基于统计模型，找数据规律 | IBM深蓝战胜卡斯帕罗夫（第二次浪潮） |
| 神经网络/大规模预训练 | 2010s-至今 | 神经网络模拟万事万物；大规模预训练模型 | 2017年AlphaGo战胜李世石（第三次浪潮）；2017年Transformer框架；2018年BERT和GPT；2022年ChatGPT引发AIGC |
3.3 达特茅斯会议关键人物
- 约翰·麦卡锡（John McCarthy）：人工智能之父
- 马文·明斯基（Marvin Minsky）：人工智能和认知学专家
- 克劳德·香农（Claude Shannon）：信息论创始人
- 艾伦·纽厄尔（Allen Newell）：计算机科学家
- 赫伯特·西蒙（Herbert Simon）：诺贝尔经济学奖得主
3.4 AI三要素与算力分类
数据 → 算法（由算力支撑） → 应用结果
| 算力类型 | 全称 | 适用场景 | 可获得性 |
|---|---|---|---|
| CPU | 中央处理器 | IO密集型（读写密集） | 易获得 |
| GPU | 图像处理器（显卡） | 计算密集型（AI任务） | 可获得 |
| TPU | 张量处理器 | 大型网络训练 | 难获得 |
AI属于计算密集型任务，对显卡（GPU）有较高要求。
4 数学原理与推导
本课无数学推导。
5 代码示例
本课无代码示例。
6 重难点与易错提醒
- ❗重点：人工智能元年为1956年（达特茅斯会议）。
- ❗重点：人工智能之父——约翰·麦卡锡；机器学习之父——亚瑟·塞缪尔。
- ❗重点：AI三要素——数据、算法、算力（按重要性排序，数据排第一）。
- ⚠️易错：CPU适合IO密集型，GPU适合计算密集型，TPU专门用于大型网络训练。
- 💡深入理解：现代大模型训练成本高昂（如DeepSeek将训练成本压缩至500多万），模型蒸馏是降低成本的重要方向。
7 课堂问答精选
本课无明确问答环节。
8 本课小结
- 机器学习应用领域广泛，涵盖图像识别、无人驾驶、智能翻译、医疗诊断、数据挖掘等。
- 人工智能发展经历三大阶段：符号主义→统计主义→神经网络/大规模预训练。
- 人工智能元年为1956年（达特茅斯会议），人工智能之父为约翰·麦卡锡。
- AI三要素：数据、算法、算力。
- 算力分三类：CPU（IO密集）、GPU（计算密集）、TPU（大型网络训练）。
9 延伸思考与实践
- 思考：为什么说现代大模型训练需要海量数据？训练成本如何控制？
- 了解：Transformer框架的编码层与解码层结构。
- 关注：DeepSeek等国产大模型的成本优化思路（模型蒸馏）。