发展技术是为了解放人类

我们应该相信所有技术的发展都是为了更好的解放人类，解放人类我认为主要有两点，①由机器生产和种植人们生活所需的一切物质基础，其中只需要人们少部分参与即可，达到劳动力解放；②人们每天工作4-5个小时即可，每周工作3-4天。而人工智能的发展给解放全人类带来了一丝丝希望，比如现在很多的智能工厂，需要人干预的部分就想对很少了，但是一些核心的技术岗位还是需要人参与。那么接下来和大家分享一下人工智能的一些学习资料。

浅谈人工智能发展历史

了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（Artificial Intelligence，简称AI）”这一概念，标志着人工智能学科的诞生。

　　人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。

　　人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：

　　一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。

　　二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。

　　三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。

　　四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。

　　五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。

　　六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。

在2000年以前人工智能发展取得最大进步的几个领域：人机对话、机器翻译、模式识别、专家系统。当然了，由于深度学习的发展，目前机器翻译的水平是超越人类的，以及机器的识别能力可以说也超过了人类。

当下人工智能的发展之所以能取得如此大的进步，主要原因还是深度神经网络的发展，这里提一个比较有标志性的事件：AlexNet网络，AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的，2022年11月openai推出的chatgpt。

AlexNet网络

AlexNet网络的整理结构如下

大模型

大模型技术可以说是最近几年最伟大的IT技术发明，没有之一。大模型通过大量的数据训练之后，通过提问的方式，生成任何你想问的问题，但这里必须说明一点，大模型的回答不一定正确。虽然说大模型很强大，但我个人认为大模型的大在于将知识喂给了大模型，通过其中的参数记忆下来，但如果要真正实现人的思考，推理还是需要很长时间。后续将会更详细的介绍一下。因此了从宏观角度看，大模型技术拉开了人工智能发展的新序幕。

下面推荐一些我自己整理的资料

人工智能基础
数据结构与算法基础：
https://github.com/krahets/hello-algo/releases
https://www.hello-algo.com/
计算机基础，包含了操作系统、计算机原理、数据库：
https://github.com/xiaolincoder/CS-Base
https://xiaolincoding.com/
python基础：https://docs.python.org/zh-cn/3.12/tutorial/index.html
python标准库：https://docs.python.org/zh-cn/3/library/index.html
paddle框架
pytorch框架
使用numpy实现深度学习原理：https://github.com/ddbourgin/numpy-ml

王树森的课程，youtube视频很清楚的学习到自然语言处理的原理：https://github.com/wangshusen
https://www.youtube.com/@ShusenWang
动手学深度学习：https://zh.d2l.ai/index.html#
动手学强化学习：https://hrl.boyuai.com/
动手学机器学习：sklearn官网
机器学习系统设计：https://openmlsys.github.io/index.html
AI教育：AI-EDU (microsoft.github.io)
https://microsoft.github.io/ai-edu/
微软推出的AI系统课程：
https://github.com/microsoft/AI-System
阿里AI教程：https://tianchi.aliyun.com/home/science/scienceDetail?spm=5176.21852664.0.0.7209379ceCFalT&userId=1095279551033
人工智能平台cube-studio，基于k8s资源调度：https://github.com/tencentmusic/cube-studio
深度学习500问：https://github.com/scutan90/DeepLearning-500-questions
腾讯的博客：https://cloud.tencent.com/developer/column/79031
产品经理教程：https://stevenjokess.github.io/2bPM/index.html
斯坦福大学的并行计算课程：https://gfxcourses.stanford.edu/cs149/fall23/lecture/

整理人工智能资料的框架

计算视觉

图像分类：
https://github.com/TommyZihao/Train_Custom_Dataset
目标检测，很多经典的神经网络模型都有：
https://github.com/bubbliiiing
包含了经典的文生图项目，如DALLE2、 imagen等：
https://github.com/lucidrains

下面整理了计算机视觉的经典网络，主要包括三个方向，计算机视觉整体、目标检测、人脸识别。后续会详细介绍一下OCR识别。

①深度学习与计算机视觉

②目标检测发展历史

③人脸识别与检测发展历史

自然语言处理

这里我们主要讨论中文自然语言处理，而PaddleNLP可以说是目前最权威的中文自然语言处理框架，很多任务的实现都可以使用。

NLP开源项目
①百度
https://www.paddlepaddle.org.cn/paddle/paddlenlp
百度开源的框架目前是处理中文自然语言最全的参考资料了，涵盖了自然语言处理的各个领域
②阿里巴巴
https://github.com/alibaba/EasyNLP
③复旦大学
https://github.com/fastnlp
④hannl
https://hanlp.hankcs.com/demos/ner.html

基础博客：
①王树森YouTube视频教程
https://github.com/wangshusen/DRL
②transformers模型源码
https://github.com/datawhalechina/learn-nlp-with-transformers

一、聊天机器人
https://github.com/zhaoyingjun/chatbot
https://github.com/foamliu/Chatbot
https://github.com/foamliu/Chatbot-v2
二、机器翻译
开源书籍：https://opensource.niutrans.com/mtbook/homepage.html
https://github.com/foamliu/Machine-Translation
https://github.com/foamliu/Machine-Translation-v2
https://github.com/foamliu/Transformer
https://github.com/foamliu/Transformer-v2
三、语音识别
https://github.com/nl8590687/ASRT_SpeechRecognition

发展历史