
人工智能(AI,Artificial Intelligence)现在已经成为一个热词。有些人很乐观,认为人工智能无所不能;有些人很悲观,认为人工智能会对人类社会和生活产生威胁。但无论从哪个角度来说,AI将在很近的未来改变全世界已经成为一个共识。
仅在2018年上半年,就有数据显示全球范围内AI相关产业融资规模达到435亿美元,最热的地方并不在美国、欧洲、日本,而是在中国!!中国一国的融资规模就达到了317亿美元,占到了全球份额的72%。
而与投资极其火爆呈鲜明对照的是国内的AI人才急缺,当前供求比已达到1:10,缺口达500万,也就是说10个工作岗位,只有1位AI人才,严重的供不应求。
AI人才极度短缺必然导致其薪资水涨船高。根据各种报道,近年来AI相关专业应届生年薪可达50万,优秀毕业生甚至超过80万,但依然是“人才难求”,而对于做出过成功项目的超级人才,给出百万以上年薪的大厂也不在少数。
那么对于我们普通的AI小白来说,AI大概是怎么回事?为什么说AI能改变全世界?AI从哪些方面能够改变全世界?为什么AI人才这么受到市场追捧?AI人才是怎么炼成的?这几个大问题一时半会可能很难说清,但是,现在有了一张“神器”,可以让我们很快的了解相关知识。
有了这张“神器”
还来得及学习的AI知识的,可以找到学习的门径,成为AI产业的高级人才。
来不及学习的(此处应有一个痛苦的表情包,但是所有表情包都要版权,我们作为负责任的公号,不干那侵权的事,放段文字,大家脑补一下吧),可以简单了解AI,尽快磨炼自己的核心竞争力,让自己(在短期内)无法被AI取代。
以上两点都无法做到的(此处应有一个更痛苦的表情包,但还是没有,请大家再次自行脑补),可以被安排得明明白白,至少知道自己的岗位为什么就被AI取代了,当个“明白鬼”…………
这张“神器”就是
“人工智能地图”
这张图厉害了,一图全揽AI的历史与未来,可以让你了解AI的理论与应用。
这张图共分3个方面,9大方向、92个模块、389个知识点!
今天主要说说第一个方面,AI的发展历史。
概括地来说,AI发展至今的历史,可以分为三段。
1、第一阶段(20世纪50年代——80年代)。这一阶段AI刚诞生,基于抽象数学推理的可编程数字计算机已经出现,符号主义(Symbolism)快速发展,但由于很多事物不能形式化表达,建立的模型存在一定的局限性。此外,随着计算任务的复杂性不断加大,AI发展一度遇到瓶颈。
2、第二阶段(20 世纪80 年代——90 年代末)。在这一阶段,专家系统得到快速发展,数学模型有重大突破,但由于专家系统在知识获取、推理能力等方面的不足,以及开发成本高等原因,AI的发展又一次进入低谷期。
3、第三阶段(21 世纪初——至今)。随着大数据的积聚、理论算法的革新、计算能力的提升,AI在很多应用领域取得了突破性进展。现在,AI迎来了又一个繁荣时期。
在AI发展的这60年间,涌现了无数的天才人物与标志性事件,篇幅所限,小编在这里列举一二:
艾伦·图灵(Alan Turing,1912-1954),英国数学家、逻辑学家,被称为计算机科学之父,人工智能之父。图灵对于人工智能的发展有诸多贡献,提出了一种用于判定机器是否具有智能的试验方法,即图灵测试,至今每年都有图灵测试的比赛;此外,图灵提出的著名的图灵机模型为现代计算机的逻辑工作方式奠定了基础;1954年,图灵把一个泡过氰化物的苹果咬入口中,告别世界,享年41岁,而这个被咬了一口的苹果被认为是苹果公司logo的来源。
约翰·麦卡锡(John McCarthy,1927-2011),斯坦福大学人工智能实验室主任,他在1956年的达特茅斯会议上第一次提出了“人工智能”这个概念。
马尔文·明斯基(Marvin Minsky,1927-2017),曾经影响人工智能和人工神经网络界几十年的争议性天才人物,他是首批机械人手臂、世界上首位神经网络模拟器Snare、世界上最早能够模拟人类活动的机器人Robot C的创建者。
亚瑟·塞缪尔(Arthur Samuel,1901–1990),IBM先驱研究员,他在1959年提出了“机器学习”的概念,机器学习将传统的制造智能演化为通过学习能力来获取智能,推动人工智能进入了第一次繁荣期。
赫伯特·西蒙(Herbert Simon,1916~2001),他与另外两位学者在1956年成功开发了世界上最早的启发式程序“逻辑理论家”(logic Theorist)),从而使机器迈出了逻辑推理的第一步。他也是至今世界上唯一的计算机科学领域最高奖——图灵奖(1975年)与经济学领域最高奖——诺贝尔经济学奖(1978年)双料获得者。
深蓝(Deep Blue),IBM公司生产的一台超级国际象棋电脑,1997年,它击败了国际象棋冠军加里·卡斯帕罗夫。
阿尔法围棋(AlphaGo),由谷歌(Google)旗下DeepMind公司开发,2017年,它击败了围棋世界冠军柯洁。
2016 年以来,美国、英国、法国、德国、中国等国家纷纷发表了各自国家的“人工智能发展战略”,将人工智能提高到了国家竞争战略的高度!
这张神器刚一面市,就已经“洛阳纸贵”,同时有八位业内大咖鼎力推荐!
(此处是周星驰《唐伯虎点秋香》片中“八位一起,何其壮观”截图,大家脑补~~~)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01