京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12