人工智能技术AI
人工智能AI(Artificial Intelligence)是广义的学科领域，指通过计算机系统模拟人类智能的技术，包括学习、推理、感知、决策等能力。其核心目标是让机器完成需要人类智能的任务。
弱人工智能（Weak AI / Narrow AI）
弱人工智能是当前主流的人工智能形态，专注于解决特定任务，不具备通用智能或自我意识。
特点 ：
限定领域 ：仅在预设范围内工作（如人脸识别、棋类游戏）。
无自主意识 ：无法理解任务背后的意义，仅执行算法指令。
依赖规则和数据 ：通过训练数据优化性能，但无法超越训练范围。
典型例子 ：
AlphaGo（围棋AI）、ChatGPT（文本生成）、工业机器人。
强人工智能（Strong AI / Artificial General Intelligence, AGI）
强人工智能是理论上的概念，指具备与人类相当或超越人类的通用智能，能自主学习、跨领域推理并拥有自我意识。
特点 ：
通用性 ：像人类一样处理多种任务（如同时学习数学、艺术和社交）。
自主意识 ：具备自我认知、情感和理解环境的能力。
创造性 ：独立解决问题，甚至提出科学发现或哲学思考。
挑战 ：
技术瓶颈 ：人类大脑的复杂机制尚未完全破解。
伦理风险 ：自我意识的机器可能引发失控或道德争议。
现状 ：
尚未实现，停留在科幻作品（如《西部世界》中的机器人）和理论研究阶段。
人工智能关键技术
1. 自然语言处理（NLP）
定义 ：使计算机理解、生成和处理人类语言的技术，涵盖语音和文本分析。
核心方法 ：
传统方法 ：基于规则和统计模型（如分词、句法分析）。
深度学习方法 ：使用Transformer架构（如BERT、GPT）、循环神经网络（RNN）和词嵌入（Word2Vec）。
应用场景 ：
机器翻译（如Google Translate）、聊天机器人（如ChatGPT）、情感分析、智能客服。
挑战 ：
语言歧义性（如“苹果”指水果还是公司）；
多语言/方言处理；
上下文长期依赖（如长文本连贯性）。
2. 计算机视觉（Computer Vision）
定义 ：让计算机从图像或视频中提取信息并理解其内容。
核心方法 ：
图像分类 ：卷积神经网络（CNN，如ResNet）。
目标检测 ：YOLO、Faster R-CNN。
图像分割 ：U-Net、Mask R-CNN。
应用场景 ：
人脸识别（安防）、自动驾驶（物体检测）、医学影像分析（肿瘤识别）。
挑战 ：
小样本学习（数据不足）；
复杂场景干扰（如光线变化、遮挡）；
实时性要求（如自动驾驶需毫秒级响应）。
3. 知识图谱（Knowledge Graph）
定义 ：以结构化形式表示实体及其关系的知识库。
核心方法 ：
知识抽取 ：从文本中提取实体和关系（如OpenIE）。
知识融合 ：整合多源数据（如Wikidata）。
知识推理 ：通过逻辑规则或图神经网络（GNN）推断隐含关系。
应用场景 ：
搜索引擎（如Google知识图谱）、智能问答（如医疗诊断辅助）、推荐系统。
挑战 ：
知识动态更新（如新闻事件）；
跨领域知识融合；
数据质量（噪声和错误关联）。
4. 人机交互（HCI）
定义 ：研究如何设计用户与计算机系统高效交互的技术。
核心方法 ：
多模态交互 ：语音、手势、眼动控制（如AR眼镜）。
情感计算 ：识别用户情绪（如面部表情分析）。
脑机接口（BCI） ：通过脑电信号控制设备。
应用场景 ：
智能家居（语音控制）、可穿戴设备（如智能手表）、无障碍交互（帮助残障人士）。
挑战 ：
交互的自然性和低延迟；
用户隐私保护；
复杂场景下的鲁棒性（如嘈杂环境语音识别）。
5. 虚拟现实（VR）与增强现实（AR）
定义 ：
VR ：通过头显设备创造完全虚拟的沉浸式环境。
AR ：将虚拟信息叠加到现实世界（如手机镜头中的特效）。
核心方法 ：
3D建模与渲染 ：Unity、Unreal Engine。
SLAM（即时定位与地图构建） ：用于AR的空间定位（如ARKit）。
动作捕捉 ：追踪用户肢体动作（如VR游戏）。
应用场景 ：
VR：游戏（如《半衰期：爱莉克斯》）、虚拟培训（如飞行员模拟器）。
AR：工业维修指导（如远程协作）、教育（如解剖学3D模型）。
挑战 ：
硬件限制（设备笨重、续航短）；
眩晕感（VR画面延迟）；
虚实融合的真实感（如光影一致性）。
6. 机器学习（Machine Learning）
定义 ：通过数据训练模型，使计算机自动学习和改进性能。
核心方法 ：
监督学习 ：标记好数据,让计算机学习规律,用学到的知识预测新数据
无监督学习 ：没有标注数据,计算机自己从数据里发现规律.
半监督学习:介于监督学习和无监督学习之间,利用少量的标注样本和大量的未标注样本来训练和分类,使用一些算法,先对一些未标注的数据进行建模,在此基础上在对表示的数据进行预测.
强化学习 ：计算机或之智能体在一个环境里行动,环境会根据她的行动,给出奖励或惩罚
深度学习 ：用复杂的神经网络吗,模型,让计算机自己从大量的数据里一层一层学习特征.