2025新一代人工智能技术发展及其应用报告_112页_13mb

报告摘要

西藏大学信息化工作专题讲座总结

核心内容概述

本次讲座由尼玛扎西院士主讲，围绕新一代人工智能技术的发展及其应用展开，重点探讨了人工智能的定义、发展动力、与数据和算力的关系，以及其在不同领域的应用。讲座内容涵盖了人工智能的三大基本学派、计算发展的四个时代、AI与数据、AI与算力、AI与算法等关键领域。

主要观点与关键信息

人工智能的定义

图灵测试：由阿兰·图灵提出，用于判断机器是否具有智能。测试者通过文本与机器和人类交流，判断哪一个是机器。
达特茅斯会议：1956年召开，标志着人工智能学科的正式确立，提出了7个研究问题，包括自动计算机、使用语言编程、神经网络等。
三大学派：
- 符号主义学派：基于知识推理，研究领域包括机器证明、专家系统等。
- 联结主义学派：基于模型计算，研究包括人工神经网络、类脑计算等。
- 行为主义学派：基于环境感知与反馈控制，研究包括演化计算、群体智能等。

新一代人工智能的发展动力

计算的四个时代：
- 机械计算时代：1200s—1940s，如算盘、雅卡尔提花织机。
- 电子计算时代：1950s—1970s，计算机开始具备逻辑推理能力。
- 网络计算时代：1980s—2020s，互联网的普及和TCP/IP协议的应用。
- 智能计算时代：2020至今，AI从“有意识思维”向“无意识思维”转变，涉及莫拉维克悖论和黄氏定律。
莫拉维克悖论：计算机擅长处理复杂逻辑问题，却难以处理简单的感知和运动任务。
黄氏定律：GPU推动AI性能逐年翻倍，成为AI发展的重要支撑。

AI与数据

数据的重要性：数据是AI的燃料，是训练模型的原材料，包括结构化、非结构化和半结构化数据。
大数据特征：具有Volume（规模）、Velocity（高速）、Variety（多样）和Value（价值）。
数据不平衡问题：英语数据占互联网内容的50%以上，而中文数据仅占15%，小语种数据占比不到0.1%。
数据枯竭风险：Nature警告AI革命可能吸干互联网数据资源，未来几年AI大模型可能面临数据不足的问题。

AI与算力

算力定义：单位时间内硬件完成的运算量，包括浮点计算、整数计算等。
CPU与GPU对比：
- CPU：通用性强，适合复杂任务，但并行性低。
- GPU：并行性高，适合大规模数据处理，但通用性弱。
TPU、NPU、QPU等：不同的处理器适用于不同的应用场景，TPU用于云端训练，NPU用于边缘推理，QPU用于量子算法。
算力瓶颈：摩尔定律逐渐失效，CPU性能提升缓慢，而GPU和TPU成为AI算力的主要来源。

AI与算法

算法发展：从早期的感知机、SVM、RNN雏形，到深度学习、Transformer、BERT、GPT、Llama、DeepSeek等。
深度学习：通过大规模数据和复杂模型结构，提升了AI的建模能力。
神经网络发展简史：
- 1943年：MCP模型，神经网络的起点。
- 1958年：感知机提出，具备自动学习权重和梯度下降算法。
- 1969年：感知机被证明为线性模型，无法解决异或问题。
- 1986年：BP算法引入，为多层感知机提供训练方法。
- 1989年：卷积神经网络（CNN）提出，应用于图像处理。
- 1997年：长短时记忆网络（LSTM）提出，解决序列建模问题。
- 2017年：Transformer模型提出，成为自然语言处理的核心。
- 2020年：GPT-3、BERT等大语言模型发布，推动AI技术发展。
算法与计算能力：算法的复杂性与计算能力密切相关，深度学习需要强大的算力支持。

AI+应用领域

AI4Education：利用AI提升教育质量，如智能教学系统。
AI+政务：提升政府效率，实现智能化管理。
AI4Science：推动科学研究，如AlphaFold预测蛋白质结构。
AI+新质生产力：通过“机器换人”提升生产效率。
AI4Life：AI正在接替部分职业，改变工作方式。

总结

本次讲座全面展示了人工智能的发展历程、核心技术及其在各个领域的应用。通过深入分析AI的定义、动力、数据和算力，以及其在教育、政务、科学、生产力和生活中的应用，强调了AI技术的快速发展及其对社会的深远影响。同时，讲座也指出了当前AI发展面临的挑战，如数据枯竭、算力瓶颈和技术依赖，为未来AI的发展提供了思考方向。

展开完整摘要