一文读懂 AI

最新推荐文章于 2025-04-25 15:24:01 发布

程序员一粟

最新推荐文章于 2025-04-25 15:24:01 发布

阅读量761

点赞数 20

文章标签：人工智能搜索引擎 langchain 数据库 AI编程 ai 编程

本文链接：https://blog.csdn.net/jennycisp/article/details/147461114

版权

2022年11月30日，OpenAI发布了ChatGPT，2023年3月15日，GPT-4引发全球轰动，让世界上很多人认识了ai这个词。如今已过去快两年半，AI产品层出不穷，如GPT-4、DeepSeek、Cursor、自动驾驶等，但很多人仍对AI知之甚少，尤其是“NLP”，“大模型”、“机器学习”和“深度学习”等术语让人困惑🤔。
对于普通人来说，AI是否会取代工作😨？网络上说除双一流以外学校搞不了AI又是什么情况😩？AI产业是否像以前一样互联网程序员一样？看一些科普视频，上来就是一顿“Attention”、“神经元”、“涌现现象”等术语，让人感觉是在介绍AI某个领域中的一个名词，本文将通俗易懂地解释AI，让什么都不懂的小白也能变成AI概念的糕手，糕手，糕糕手😎

一：区分AI技术与AI应用

神经网络是机器学习的一部分，这里作例子

AI 的应用有：自然语言处理（NLP）、计算机视觉、自动驾驶、语音识别等。而机器学习、大语言模型等是实现这些应用的技术手段。
AI 的应用 就像是 餐馆的菜单，上面有不同的菜肴（如自然语言处理、计算机视觉等），这些菜肴是顾客需要的服务或产品。

而 **机器学习、大模型就像是 厨师的烹饪方法和工具，它们是实现这些菜肴所用的手段。**你可以用机器来完成 NLP 任务，也可以用神经网做。

二：ChatGPT、DeepSeek是什么东西？

我们已经知道AI有不同的应用，而ChatGPT与DeepSeek都是NLP领域的大型语言模型（Large Language Model, LLM）。（NLP中文意思：自然语言处理。不要忘了哦）
这又引出了新问题：NLP是什么？大型语言模型又是什么？

NLP是什么？

翻译人类语言让计算机听懂就是NLP，其中重点是听懂，而不是你说“吃饭了嘛”，计算机也说“吃饭了嘛”。计算机明白了你在问它吃没吃饭，于是计算机回答：我是机器不需要吃饭😅，或者我打算过一会儿再吃（充电）🔋。

很难想象，没思想的计算机怎么能听懂有思想的人说的话🤔，这其实是个困扰了几十年的问题。

阶段	时间范围	技术特点	代表方法/模型	应用举例
规则驱动阶段	1950s–1980s	基于人工编写规则，语言学为主	句法规则、词典匹配	早期机器翻译、图灵测试
统计学习阶段	1990s–2010	依赖大规模语料，采用统计与概率模型	N-gram、HMM、CRF	情感分析、搜索引擎、拼写纠正
神经网络阶段	2010–2017	引入深度学习，提升语言理解建模能力	Word2Vec、RNN、LSTM、Seq2Seq	智能问答、语音识别
预训练大模型阶段	2018至今	采用Transformer架构，模型参数大规模增长	BERT、GPT、T5、ChatGPT、DeepSeek等	多任务通用语言处理、对话系统

上面这表AI做的，时间范围可能有问题，但阶段没问题

规则驱动阶段：意思就是让机器明白主谓宾定状补、什么名词动词名词短语……但很显然，套一万个规则也难以让一台只会010101的机器明白你在说什么。
统计学习阶段：这时候，科学家们将统计学引入来解决问题。将人们日常对话收集成库（语料库），通过统计发现对话数据中的规律来实现计算机“理解”人说的话。
- 在第三小结，会构建一个简单的N-Gram模型，让你大概知道什么是模型与统计学习阶段是在干什么。所以先别急。
神经网络阶段：科学家们发现统计效果很好后，扩大了语料库，加入了矩阵、向量计算（这不是本文重点，但可以是下一篇）和人工设计特征（早期有，后期减少），计算机硬件发展为该阶段的提供算力支持。
预训练大模型阶段：
- 先说大模型，大模型就是有参数量大（亿级甚至千亿级）、数据量大、算力需求高特点的神经网络模型。
- 预训练：就像是一个体育比赛的人，不管这个人参与什么体育项目，先把体能练好了，再训练具体项目。

阶段	目的	数据类型	示例任务
预训练	学通用语言能力	无标注语料	预测遮盖词、下一个词等
微调	学任务特定能力	有标注数据	分类、翻译、问答等

大型语言模型是什么？

你应该已经知道了，大型语言模型是一种大模型。

三：一个基础NLP模型实现：N-Gram模型

-Gram 模型是一种基于统计的语言模型，其核心思想是：一个词（或字）出现的概率，只依赖于它前面的 n−1n-1n−1 个词（或字），用来解决已知的上下文生成合理的文本问题。
工作原理：
- 将文本序列拆分为连续的 N 个词（或字）的组合，称为“N-Gram”。
- 通过统计语料中各个 N-Gram 出现的频率，估计下一个词（或字）出现的概率。
计算公式
模型流程
- 收集语料
- 切分为 N-Gram
- 统计每种 N-Gram 出现频率
- 根据频率计算概率
- 根据历史词语预测下一个词

from collections import defaultdict, Counter
import random
# 第一步：创建语料库
corpus = [
    "我早上去了图书馆",
    "我早上听了一节英语课",
    "我中午看了一部电影",
    "我中午睡了一会儿",
    "我晚上写了一篇作文",
    "我晚上复习了功课",
]

# 第二步：分词函数（按字分词，这里只是按照字符分词）
def split_words(text):
    return [char for char in text]


# 第三步：统计Bigram词频(Bigram 是一个N-Gram 模型中的特例，其中N=2，即考虑连续的两个词或字符的组合。) 
bigram_freq = defaultdict(Counter)
for sentence in corpus:
    words = split_words(sentence)
    for i in range(len(words) - 1):
        first, second = words[i], words[i+1]
        bigram_freq[first][second] += 1
# 打印词频率
# print("打印词频率")
# for first, counter in bigram_freq.items():
#     freq_list = [f"{second}：{freq}" for second, freq in counter.items()]
#     print(f"{first}: [{', '.join(freq_list)}]")


# 第四步：计算Bigram概率（转为概率分布）
bigram_prob = {}
for first, counter in bigram_freq.items():
    total = sum(counter.values())
    bigram_prob[first] = {second: count / total for second, count in counter.items()}
# print("词频概率为：", bigram_prob)


# 第五步：根据前缀生成下一个字
def predict_next_char(prev_char):
    if prev_char not in bigram_prob:
        return None
    candidates = list(bigram_prob[prev_char].items())
    chars, probs = zip(*candidates)
    return random.choices(chars, probs)[0]


# 第六步：输入前缀，生成文本
def generate_text(start_char, length=10):
    result = [start_char]
    current = start_char
    for _ in range(length - 1):
        next_char = predict_next_char(current)
        if not next_char:
            break
        result.append(next_char)
        current = next_char
    return ''.join(result)

# 示例
print(generate_text("我"))