
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
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10