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
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12