{
  "id": "artificial-intelligence",
  "title": "人工智能",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "人工智能是计算机科学的一个领域，致力于构建能完成推理、学习、感知和语言等与人类智能相关任务的系统。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "concept",
  "aliases": [
    "AI",
    "机器智能"
  ],
  "generated_at": "2026-10-03",
  "model": "claude-opus-5-5",
  "url": "https://aiwiki.page/zh/artificial-intelligence/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/artificial-intelligence/",
      "json": "https://aiwiki.page/en/artificial-intelligence.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "人工智能（AI）是计算机科学的一个领域，研究并构建能够完成与人类智能相关任务的计算系统。这些任务包括推理、从经验中学习、识别模式、理解和生成语言、感知环境以及做出决策。这一术语既指这门学科，也指它所创造的系统。这些系统有的是只做一件事的专用程序，例如下国际象棋或对图像进行分类；也有的是能处理多种问题的通用模型。现代人工智能主要依赖机器学习，尤其是深度学习。深度学习使用多层人工神经网络，并在大规模数据集上进行训练。"
    },
    {
      "heading": "定义与目标",
      "text": "人工智能没有一个公认的统一定义。有些定义着眼于行为：如果一个系统的所作所为放在人类身上会被视为聪明，那么这个系统就是智能的。1950年，艾伦·图灵提出了后来被称为图灵测试的方法。按照这一测试，如果在文字对话中，提问者无法可靠地分辨对方是机器还是人类，这台机器就算具有智能。另一些定义则以“理性智能体”为核心，即能够感知周围环境并采取行动以实现目标的系统。研究者通常把为特定任务设计的“弱人工智能”（又称狭义人工智能）与通用人工智能（AGI）区分开来。后者是一种假想中的系统，几乎在所有认知任务上都能达到或超越人类水平。机器能否真正“思考”或具有理解能力，至今仍是哲学和认知科学中争论不休的问题。"
    },
    {
      "heading": "历史",
      "text": "人造生命的构想早已见于古代神话和机械自动装置。现代意义上的人工智能领域则诞生于电子计算机发明之后。约翰·麦卡锡在1955年为“达特茅斯夏季人工智能研究计划”撰写的提案中首次使用了“人工智能”这一名称。该会议于1956年举行，通常被视为这一领域的奠基事件，由麦卡锡与马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农共同组织。提案所依据的设想是：学习或智能的每一个方面，原则上都可以被描述得足够精确，从而让机器加以模拟。\n\n早期研究集中在符号方法上，即以逻辑学中的形式系统为基础，操作明确的规则和表示。代表性的程序有能够证明数学定理的“逻辑理论家”、“通用问题求解器”，以及聊天机器人ELIZA（1966年）。研究者低估了目标的难度。20世纪70年代和80年代末，研究经费两度大幅缩减，这两段低谷被称为人工智能寒冬。在两次寒冬之间，专家系统于80年代取得了商业成功。这类系统把人类专家的知识编码为大量“如果—那么”规则。\n\n从20世纪90年代起，以概率和统计学为基础的统计方法逐渐取代了人工编写的规则。推动这一转变的因素有三：更强大的硬件、大规模数据集，以及严谨的数学方法。2012年，由亚历克斯·克里热夫斯基、伊尔亚·苏茨克维和杰弗里·辛顿开发的深度卷积网络AlexNet以显著优势赢得了ImageNet图像识别挑战赛。该网络在图形处理器（GPU）上训练，它的成功开启了深度学习时代。2016年3月，DeepMind公司的AlphaGo以四比一击败顶尖围棋棋手李世乭，而此前许多研究者认为这一里程碑还要几十年才能实现。\n\n2017年提出的Transformer架构使大语言模型（LLM）成为可能。进入21世纪20年代，ChatGPT、Claude等聊天机器人相继向公众发布，引发了一波投资热潮，常被称为“人工智能热潮”。2024年，有两项诺贝尔奖授予了与人工智能相关的成果。约翰·霍普菲尔德和杰弗里·辛顿因在利用人工神经网络实现机器学习方面的奠基性工作获得物理学奖。戴密斯·哈萨比斯和约翰·江珀因AlphaFold分享了一半的化学奖。AlphaFold能够根据氨基酸序列预测蛋白质的三维结构。"
    },
    {
      "heading": "方法与技术",
      "text": "- 符号人工智能用明确的符号和规则表示知识，并通过逻辑推理得出结论。它的推理过程清晰透明，但难以应对现实世界中含糊或充满噪声的数据。\n- 机器学习让系统从数据中归纳规律，而不是遵循人工编写的规则。它主要有三种形式：在监督学习中，系统从带标签的样本中学习；在无监督学习中，系统在无标签数据中发现结构；在强化学习中，系统根据奖励反复试错来学习。\n- 神经网络的设计大致受到大脑中神经元的启发。它由多层简单单元构成，单元之间的连接权重在训练过程中不断调整，通常采用反向传播算法。具有许多层的深度网络在现代应用中占据主导地位。\n- 搜索与优化方法在可能解构成的空间中进行探索，应用于规划、博弈和调度等领域。\n- 概率模型（如贝叶斯网络）对不确定性进行显式表示。"
    },
    {
      "heading": "分支领域与应用",
      "text": "主要分支领域包括自然语言处理、计算机视觉、语音识别、机器人学、知识表示和自动规划。生成式人工智能能够生成新的文本、图像、音频、视频和计算机代码。人工智能已应用于网络搜索、推荐系统、机器翻译、欺诈检测，以及驾驶辅助和自动驾驶汽车。在医学领域，它为医学影像和临床决策提供支持；在科学研究中，它被用于蛋白质结构预测、材料发现和数据分析。大型模型的训练和运行依赖专用的半导体芯片、数据中心和云计算基础设施。"
    },
    {
      "heading": "局限与风险",
      "text": "当前的人工智能系统存在若干已知的局限。通过学习得到的模型往往难以解释；它们可能吸收训练数据中存在的偏见；遇到与训练数据差异很大的输入时，还可能以难以预料的方式失效。语言模型有时会生成流畅却错误的陈述，这一问题被称为人工智能幻觉。更广泛的担忧包括：\n\n- 隐私与监控；\n- 训练数据涉及的版权问题；\n- 虚假信息与合成媒体，包括深度伪造；\n- 自动化对就业的影响；\n- 被滥用于网络安全攻击；\n- 大型数据中心的能源需求。\n\n一些研究者，包括该领域的几位开创者，已就能力日益增强的系统可能带来的风险发出警告。这些警告推动了人工智能对齐方面的研究，其目标是让人工智能系统的行为符合人类的意图和价值观。上述问题是人工智能伦理学的核心议题。"
    },
    {
      "heading": "治理",
      "text": "各国政府和国际组织已陆续制定针对人工智能的法律和准则。欧盟的《人工智能法》被普遍称为全球首个全面规范人工智能的法律框架。该法于2024年8月1日生效，并分阶段实施：社会评分等特定行为的禁令自2025年2月起适用，通用人工智能模型的相关规则自2025年8月起适用。其余大部分条款，包括标注人工智能生成内容等透明度义务，自2026年8月2日起适用。不过，2026年通过的一揽子修正案将高风险系统的主要义务推迟至2027年和2028年的不同日期。其他司法管辖区则综合运用具有约束力的法律、自愿性框架和技术标准进行治理。"
    }
  ],
  "links": [
    "computer-science",
    "machine-learning",
    "deep-learning",
    "artificial-neural-network",
    "alan-turing",
    "turing-test",
    "artificial-general-intelligence",
    "philosophy",
    "computer",
    "logic",
    "ai-winter",
    "expert-system",
    "probability",
    "statistics",
    "graphics-processing-unit",
    "transformer-architecture",
    "large-language-model",
    "alphafold",
    "protein",
    "reinforcement-learning",
    "brain",
    "natural-language-processing",
    "computer-vision",
    "robotics",
    "generative-artificial-intelligence",
    "translation",
    "medicine",
    "semiconductor",
    "cloud-computing",
    "ai-hallucination",
    "cybersecurity",
    "ai-alignment",
    "ethics",
    "eu-ai-act"
  ],
  "sources": [
    {
      "title": "Dartmouth and the Dawn of AI",
      "url": "https://admissions.dartmouth.edu/follow/3d-magazine/dartmouth-and-dawn-ai"
    },
    {
      "title": "Artificial Intelligence (AI) Coined at Dartmouth",
      "url": "https://home.dartmouth.edu/about/artificial-intelligence-ai-coined-dartmouth"
    },
    {
      "title": "Deep Learning in Science",
      "url": "https://arxiv.org/pdf/2009.01575"
    },
    {
      "title": "History of artificial intelligence",
      "url": "https://en.wikipedia.org/wiki/History_of_artificial_intelligence"
    },
    {
      "title": "Internet of Intelligence: A Survey on the Enabling Technologies, Applications, and Challenges",
      "url": "https://arxiv.org/pdf/2205.08977"
    },
    {
      "title": "The History of Artificial Intelligence: A Timeline from Turing to Today",
      "url": "https://swisscyberinstitute.com/blog/history-artificial-intelligence/"
    },
    {
      "title": "Artificial Intelligence awarded two Nobel Prizes for innovations that will shape the future of medicine",
      "url": "https://www.nature.com/articles/s41746-024-01345-9"
    },
    {
      "title": "The Nobel Prize in Chemistry 2024 - Popular information - NobelPrize.org",
      "url": "https://www.nobelprize.org/prizes/chemistry/2024/popular-information/"
    },
    {
      "title": "Mathematical theory of deep learning",
      "url": "https://arxiv.org/pdf/2407.18384"
    },
    {
      "title": "AlexNet: The Deep Learning Breakthrough That Reshaped Google’s AI Strategy",
      "url": "https://dejan.ai/blog/alexnet-the-deep-learning-breakthrough-that-reshaped-googles-ai-strategy/"
    },
    {
      "title": "AlphaGo versus Lee Sedol",
      "url": "https://en.wikipedia.org/wiki/AlphaGo_versus_Lee_Sedol"
    },
    {
      "title": "AI Act",
      "url": "https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai"
    },
    {
      "title": "EU AI Act Enforcement: August 2026 Rules and Deadlines",
      "url": "https://www.brightdefense.com/news/eu-ai-act-delay-keeps-2026-compliance-pressure/"
    },
    {
      "title": "A comprehensive EU AI Act Summary [August 2026 update] - SIG",
      "url": "https://www.softwareimprovementgroup.com/blog/eu-ai-act-summary/"
    },
    {
      "title": "EU AI Act Timeline 2026: Aug 2 Milestone & Next Deadlines",
      "url": "https://alicelabs.ai/en/insights/eu-ai-act-timeline-2026"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}