人工智能是当前最热门的话题之一，主要的发展趋势：大语言模型(LLM)迅猛发展、AI监管与伦理、产业应用（AI+医疗、教育、金融等领域融合、智能制造转型、自动驾驶技术发展）、人才培养，那在本篇文章里，我不谈多么高深的发展方向和关注点，而是来分享一下对一些AI热门关键词的理解：
（1）人工智能
1956年夏天，计算机科学家约翰·麦卡锡（John McCarthy）首次提出"人工智能"（AI）这个概念。
**人工智能指的是，通过软件和硬件，来完成通常需要人类智能才能完成的任务。**它的研究对象，就是在机器上模拟人类智能。
（2）机器学习
早期，人工智能研究分成两个阵营。
第一个阵营是规则式（rule-based）方法，又称专家系统（expert systems），指的是人类写好一系列逻辑规则，来教导计算机如何思考。
可想而知，对于复杂的、大规模的现实问题，很难写出完备的、明确的规则。所以，这种方法的进展一直很有限。
第二个阵营就是机器学习（machine learning），指的是没有预置的规则，只是把材料提供给计算机，让机器通过自我学习，自己发现规则，给出结果。
（3）神经网络
神经网络（neural network）是机器学习的一种主要形式。
神经网络就是在机器上模拟人脑的结构，构建类似生物神经元的计算网络来处理信息。
一个计算节点就是一个神经元，大量的计算节点组成网络，进行协同计算。
神经网络需要极大的算力，以及海量的训练材料。以前，这是难以做到的，所以20世纪70年代开始，就陷入了停滞，长期没有进展。
（4）深度学习
深度学习是神经网络的一种实现方法，在20世纪80年代由杰弗里·辛顿提出。它让神经网络研究重新复活。
深度学习是一种让多层神经元可以进行有效计算的方法，大大提高了神经网络的性能。"深度学习"这个名字，就是比喻多层神经元的自主学习过程。
多层神经元包括一个输入层和一个输出层，它们之间有很多中间层（又称隐藏层）。以前，计算机算力有限，只能支撑一两个中间层，深度学习使得我们可以构建成千上万个中间层的网络，具有极大的"深度"。
（5）Transformer
早些年，深度学习用到的方法是卷积神经网络（CNN）和循环神经网络（RNN）。
2017年，谷歌的研究人员发明了一种新的深度学习处理方法，叫做 Transformer（转换器）。
Transformer 不同于以前的方法，不再一个个处理输入的单词，而是一次性处理整个输入，对每个词分配不同的权重。
这种方法直接导致了2022年 ChatGPT 和后来无数生成式 AI 模型的诞生，是神经网络和深度学习目前的主流方法。
由于基于 Transformer 的模型需要一次性处理整个输入，所以都有"上下文大小"这个指标，指的是一次可以处理的最大输入。
比如，GPT-4 Turbo 的上下文是 128k 个 Token，相当于一次性读取超过300页的文本。上下文越大，模型能够考虑的信息就越多，生成的回答也就越相关和连贯，相应地，所需要的算力也就越多。