《Linux操作系统编程详解》《笔试/面试常见算法：从基础到进阶》《Python干货分享》
🎬 艾莉丝的简介：
文章目录
- 1 ~> 人工智能发展历史
- 1.1 AI 兴起阶段（1941~1956）
- 1.1.1 图灵机（Turing Machine）
- 1.1.2 人工神经元模型（MP 神经元）
- 1.1.3 图灵测试
- 1.1.4 人工智能术语诞生：达特茅斯会议
- 1.2 AI 早期成功（1956~1974）
- 1.2.1 西洋跳棋自学习程序
- 1.2.2 ELIZA 聊天程序
- 1.2.3 WABOT-1 拟人机器人
- 1.3 AI 第一次寒冬（1974~1980）
- 1.4 AI 复兴与第二次寒冬（1980~1993）
- 1.4.1 专家系统
- 1.5 AI 崛起时代（1993 年至今）
- 1.5.1 深蓝 DeepBlue
- 1.5.2 AlphaGo
- 1.5.3 GPU 与 CUDA 算力革命
- 1.5.4 Transformer 架构
- 1.5.5 ChatGPT 与百模大战
- 2 ~> AI 产业与职业影响
- 2.1 AI 相关岗位分类
- 2.1.1 AI 算法开发岗
- 2.1.2 AI 应用开发岗
- 2.1.3 提示词开发（Prompt Engineering）
- 2.2 AI 与程序员职业关系
- 2.2.1 核心结论
- 2.2.2 AI 擅长的工作
- 2.2.3 AI 固有限制
- 2.2.4 对程序员群体的影响
- 2.2.5 现实建议
- 结尾
1 ~> 人工智能发展历史
1.1 AI 兴起阶段（1941~1956）
1.1.1 图灵机（Turing Machine）
图灵机是艾伦・图灵 1936 年在《论可计算数及其在判定问题上的应用》中提出的抽象计算模型，由无限长纸带、读写头、状态转移规则构成，可以模拟任意算法的计算流程，是现代计算机与可计算性理论的理论根基。
图灵机属于数学抽象模型，并非物理硬件。
1.1.2 人工神经元模型（MP 神经元）
1943 年沃伦・麦卡洛克、沃尔特・皮茨提出 MP 人工神经元模型，是神经网络与深度学习的底层基础。
工作原理：
- 输入：接收外部或其他神经元传来的信号
- 权重：每一路输入配置权重，权重调整就是模型学习的过程
- 求和：加权累加全部输入
- 激活函数：对比阈值，超过阈值输出 1 激活，否则输出 0
- 输出：将结果传递给下一级神经元
MP 神经元仅支持线性可分问题，无法处理异或这类非线性问题，这也是早期神经网络发展受限的根源。
1.1.3 图灵测试
1950 年艾伦・图灵发表《计算机器与智能》提出图灵测试，用来评判机器是否具备智能。
测试规则：
- 人类测试者仅通过文字，同时和真人、机器两个对象对话
- 如果测试者无法稳定分辨机器与人类，则判定机器通过图灵测试
- 评判只看外部行为表现，不关注内部实现逻辑
图灵被称为 “计算机科学之父”；“人工智能之父” 一般指约翰・麦卡锡，他创造了 “人工智能” 这个专业术语。
1.1.4 人工智能术语诞生：达特茅斯会议
1956 年达特茅斯会议，约翰・麦卡锡首次提出 “人工智能”，标志 AI 正式成为独立学科。
麦卡锡同时发明 LISP 语言，该语言长期作为 AI 研究的主流编程语言。参会核心人员包括马文・明斯基、克劳德・香农等学者。
1.2 AI 早期成功（1956~1974）
1.2.1 西洋跳棋自学习程序
1959 年亚瑟・塞缪尔开发西洋跳棋自学习程序，首次提出机器学习概念，被称为 “机器学习之父”。
程序依靠自我对弈迭代棋力，引入评估函数、α-β 剪枝技术，后续击败人类跳棋选手。
1.2.2 ELIZA 聊天程序
1966 年约瑟夫・魏岑鲍姆开发 ELIZA，属于最早的自然语言对话程序，模拟心理治疗师对话逻辑。
底层仅依靠关键词模式匹配 + 模板替换，并不真正理解语义，只会反问引导用户输出更多内容。
1.2.3 WABOT-1 拟人机器人
1970 年日本早稻田大学发布 WABOT-1，世界首台全尺寸人形机器人，集成视觉感知、肢体运动、简单日语对话模块，可以识别障碍物，测算距离方位。
1.3 AI 第一次寒冬（1974~1980）
早期 AI 项目无法兑现宣传预期，政府、资本削减研究经费，AI 研究进入停滞阶段。
主要诱因：
- 机器翻译项目落地失败
- 算力不足，搜索存在组合爆炸问题
- 单层神经网络能力被理论证明存在上限
- 社会对 AI 预期严重高于技术实际能力
大批科研人才转向其他方向，神经网络领域进入长时间沉寂。
1.4 AI 复兴与第二次寒冬（1980~1993）
1.4.1 专家系统
专家系统属于知识驱动型 AI，把行业专家的经验固化成规则，依靠规则完成诊断、分析、决策任务。
核心组件：
- 知识库：存储大量 if-then 形式的领域规则
- 推理机：匹配知识库规则完成逻辑推导
- 用户交互界面
# 专家系统前向推理伪代码classExpertSystem:def__init__(self):self.knowledge_base=[]# 存储(条件, 结论)规则列表self.facts=set()# 当前已知事实集合defadd_rule(self,condition,conclusion):self.knowledge_base.append((condition,conclusion))defforward_chaining(self):changed=Truewhilechanged:changed=Falseforcond,resinself.knowledge_base:ifcond.issubset(self.facts)andresnotinself.facts:self.facts.add(res)changed=Truereturnself.facts固有缺陷：
- 无法自主学习新知识
- 规则维护成本极高
- 超出预设知识库范围就会失效，系统鲁棒性差
第二次寒冬诱因：专家系统维护成本持续走高，日本第五代计算机项目失败，商业落地收益不及预期，经费再度收缩。
1.5 AI 崛起时代（1993 年至今）
1.5.1 深蓝 DeepBlue
1997 年 IBM 深蓝战胜国际象棋世界冠军卡斯帕罗夫。
技术路线：依靠极大极小搜索、α-β 剪枝，搭配人类手工调优的评估函数、开局残局库。本质是暴力搜索叠加人工领域知识，不属于机器学习。
1.5.2 AlphaGo
2016 年谷歌 AlphaGo 击败李世石，2017 年击败柯洁。
核心技术：卷积神经网络评估棋盘、自我对弈强化学习、蒙特卡洛树搜索。围棋搜索空间极大，暴力搜索不可行，证明深度学习在复杂博弈场景的巨大潜力。
1.5.3 GPU 与 CUDA 算力革命
CPU：适合复杂逻辑串行任务，核心数量少，如同博学的教授。 GPU：大量轻量计算核心，擅长大规模并行简单运算，适合深度学习海量矩阵乘加运算。
| 特性 | CPU | GPU |
|---|---|---|
| 核心数 | 几个～几十个 | 几千个 |
| 计算模式 | 串行 + 少量并行 | 大规模并行 |
| 适用场景 | 复杂逻辑控制 | 简单重复计算 |
| 延迟 | 低 | 高 |
CUDA：英伟达 2007 年推出，提供编程接口，允许 C++/Python 直接调用 GPU 做通用计算，是现代深度学习生态的底层基石。大模型训练需要成千上万规模的 GPU 集群提供算力支撑。
1.5.4 Transformer 架构
2017 年论文《Attention Is All You Need》提出 Transformer，依靠自注意力机制，能够捕获序列任意位置依赖关系，摆脱 RNN 串行限制，训练并行度大幅提升，是 ChatGPT、Gemini 等全部主流大模型的基础架构。
# 缩放点积自注意力伪代码defscaled_dot_product_attention(Q,K,V,d_k,mask=None):# Q 查询矩阵，K 键矩阵，V 值矩阵scores=Q @ K.transpose(-2,-1)/(d_k**0.5)ifmaskisnotNone:scores=scores.masked_fill(mask==0,-1e9)attn_weight=scores.softmax(dim=-1)output=attn_weight @ Vreturnoutput,attn_weight1.5.5 ChatGPT 与百模大战
2022 年 11 月 30 日 ChatGPT 正式发布，5 天用户破百万。
关键技术：大规模预训练、指令微调、RLHF 人类反馈强化学习。
ChatGPT 引爆全球生成式 AI 浪潮，国内外厂商纷纷推出同类大模型，形成 “百模大战” 行业格局。
2 ~> AI 产业与职业影响
2.1 AI 相关岗位分类
2.1.1 AI 算法开发岗
岗位定位：AI 底层算法研究开发，普遍要求硕士以上学历。
工作内容：模型算法创新、论文复现、模型调优；需要扎实的线性代数、概率论、深度学习理论功底。门槛高，普通本科生直接就业难度大。
2.1.2 AI 应用开发岗
岗位定位：面向业务做 AI 工程落地，是普通学生最容易切入的岗位。
工作内容：调用大模型 API，开发 AI 业务软件；RAG 知识库搭建，模型部署、业务系统集成；不需要从零训练大模型，侧重工程能力。
2.1.3 提示词开发（Prompt Engineering）
岗位定位：编写、优化提示词，引导大模型输出符合业务要求的结果。
核心技能：Few-shot、CoT 思维链等提示范式，上下文调试、模型输出评估。
完全独立的提示词全职岗位数量很少，更多是 AI 应用开发者的配套技能。
2.2 AI 与程序员职业关系
2.2.1 核心结论
AI 不会完全取代程序员；熟练使用 AI 工具的程序员，会取代不会使用 AI 工具的程序员。
AI 定位是编程辅助工具，等价于 IDE、搜索引擎，提升开发者生产力，而非替代者。
2.2.2 AI 擅长的工作
可以高效完成样板代码、简单重复编码、简单 bug 修复等模式匹配类任务。把重复性工作交给 AI，人类聚焦系统设计、业务梳理、方案评估。
2.2.3 AI 固有限制
- AI 幻觉问题：会生成看似合理但是错误的代码，存在逻辑 bug、安全风险，甚至法律风险，输出必须人工审核
- 面对复杂系统问题容易前后矛盾，方案循环，缺少完整系统架构思维
- 无法完成：代码维护调试、业务需求协商、团队协作、技术方案权衡取舍
2.2.4 对程序员群体的影响
- 初级程序员：重复 CRUD 编码工作会被 AI 冲击；从业多年仍然只做简单重复业务编码的人员风险最高
- 中高级程序员：AI 属于效率工具，释放人力，把精力投入架构设计、复杂问题拆解、技术选型
2.2.5 现实建议
减少 AI 带来的就业焦虑，夯实计算机底层基础；即便不从事 AI 方向，也需要掌握 AI 工具的使用。
结尾
uu们，本文的内容到这里就全部结束了，艾莉丝在这里再次感谢您的阅读！
|
结语：希望对学习Linux相关内容的uu有所帮助，不要忘记给博主“一键四连”哦！
往期回顾：
【AI大模型接入SDK】人工智能核心概念与人工智能发展史
🗡博主在这里放了一只小狗，大家看完了摸摸小狗放松一下吧！🗡 ૮₍ ˶ ˊ ᴥ ˋ˶₎ა
