书城首页 › 涉及近代 › 哲学思想 › 智能进化:从逻辑推理到大模型的AI技术发展史
涉及近代·哲学思想

智能进化:从逻辑推理到大模型的AI技术发展史

正版保障多仓发货48小时内发货2-3天送达可开发票
¥57.87 定价 ¥79.90 7.2折 立省 ¥22.03
现货库存 14 件 全新
商品参数
书名
智能进化:从逻辑推理到大模型的AI技术发展史
作者
温正 编著
出版社
化学工业出版社
出版时间
2026-09-01
ISBN
9787122509444
货号
1204493805
品相
全新
分类
涉及近代·哲学思想
购物车(0)
商品参数
书名
智能进化:从逻辑推理到大模型的AI技术发展史
作者
温正 编著
出版社
化学工业出版社
出版时间
2026-09-01
ISBN
9787122509444
货号
1204493805
品相
全新
分类
涉及近代·哲学思想
作者简介▼

无

目录▼

第1篇 人工智能的起源与早期发展

第1章 人工智能的诞生:从逻辑推理到初代神经网络 002

1.1 图灵测试与AI概念的提出 002

1.1.1 图灵机的设计与计算理论的基石 002

1.1.2 图灵测试的哲学与技术意义 004

1.2 早期专家系统的应用:Dendral与MYCIN 006

1.2.1 Dendral的知识工程与化学分析应用 006

1.2.2 MYCIN在医疗诊断中的逻辑推理 007

1.3 感知机模型的起源与局限性 008

1.3.1 感知机的原理与线性分类问题 009

1.3.2 XOR问题与感知机研究的暂停 011

1.4 神经网络的首次爆发:Hopfield网络与BP算法 012

1.4.1 Hopfield网络的动态系统模型 013

1.4.2 BP算法的提出与多层网络的训练 015

1.5 冷战时期的AI应用与研究瓶颈 017

1.5.1 军事领域的AI探索:语言翻译与控制系统 017

1.5.2 经费削减与“AI寒冬”的到来 018

第2章 机器学习的兴起:从统计到算法 022

2.1 机器学习基础:线性回归与决策树的应用 022

2.1.1 线性回归的基本原理与应用场景 022

2.1.2 决策树的划分标准与信息增益 024

2.2 支持向量机与核方法的突破 028

2.2.1 SVM的数学几何直观与最大间隔原理 028

2.2.2 核方法的引入与非线性问题的解决 030

2.3 贝叶斯理论与概率图模型的引入 032

2.3.1 贝叶斯定理基本原理与实际应用 033

2.3.2 马尔可夫链与隐马尔可夫模型 034

2.4 集成学习方法:Bagging、Boosting与Random Forest 037

2.4.1 Bagging的并行架构与随机森林实现 037

2.4.2 Boosting的逐步优化与Adaboost算法 039

2.5 数据驱动的学习:机器学习的应用场景拓展 041

2.5.1 从数据到模型:语音识别的崛起 041

2.5.2 图像分类任务中的机器学习应用 043

第3章 深度学习的萌芽:早期多层网络的探索 049

3.1 神经网络的复兴:从BP算法到多层感知机 049

3.1.1 BP算法的导数链规则与误差反向传播 050

3.1.2 多层感知机的架构与非线性激活函数 052

3.2 卷积神经网络(CNN)的首次应用:LeNet与图像识别 055

3.2.1 卷积操作与局部感受野 056

3.2.2 LeNet的架构与手写数字识别应用 057

3.3 递归神经网络(RNN)与时间序列建模 060

3.3.1 RNN的循环结构与梯度爆炸问题 060

3.3.2 时间序列预测的应用实例 062

3.4 自编码器与生成模型的早期尝试 063

3.4.1 自编码器的对称结构与数据压缩 063

3.4.2 生成对抗网络的雏形:能量模型探索 067

3.5 深度学习困境:梯度消失与计算资源瓶颈 068

3.5.1 梯度消失的数学分析与激活函数改进 068

3.5.2 硬件与数据限制对模型扩展的影响 069

第2篇 深度学习的崛起与大模型的发展

第4章 深度学习的崛起:从AlexNet到现代架构 074

4.1 AlexNet的革命性突破:ImageNet挑战赛的胜利 074

4.1.1 ImageNet数据集的构建与关键意义 074

4.1.2 AlexNet的双GPU架构与ReLU激活函数 077

4.2 Dropout、Batch Normalization等优化策略的提出 081

4.2.1 Dropout的随机失活机制与正则化效果 082

4.2.2 Batch Normalization的归一化过程与训练加速 084

4.3 ResNet与Inception:深度学习网络结构的演进 085

4.3.1 ResNet的残差连接与深层网络的优化 086

4.3.2 Inception模块的并行卷积与参数优化 088

4.4 LSTM与GRU:序列数据建模的强化 091

4.4.1 LSTM的门控机制与长时依赖问题的解决 091

4.4.2 GRU的简化架构与性能对比 095

4.5 深度学习在计算机视觉与语音识别中的应用爆发 097

4.5.1 图像分类、目标检测与分割的全面发展 097

4.5.2 语音识别系统的深度学习解决方案 102

第5章 大数据时代:AI与数据的共生关系 106

5.1 数据的规模与质量对AI的影响 106

5.1.1 数据规模对模型性能的提升作用 106

5.1.2 数据清洗与特征工程对模型优化的关键性 108

5.2 数据清洗与标注:高质量数据集的构建 110

5.2.1 噪声数据的清洗 110

5.2.2 数据标注的自动化与众包 112

5.3 开源数据集:CIFAR-100、IMDb与COCO 114

5.3.1 CIFAR-100图像分类数据集 114

5.3.2 COCO数据集的多任务目标与使用场景 116

5.3.3 IMDb影评情感数据集 121

5.4 数据驱动AI的应用案例:广告、推荐与搜索引擎 123

5.4.1 推荐系统中的用户画像与特征提取 123

5.4.2 搜索引擎中的文本索引与排序优化 128

5.5 数据隐私与伦理问题:大数据时代的挑战 130

5.5.1 数据隐私保护的技术方法与法律框架 130

5.5.2 数据歧视与伦理问题的社会影响 131

第6章 自然语言处理的跃迁:从统计方法到Transformer 135

6.1 统计语言模型与词嵌入方法:从n-gram到Word2Vec 135

6.1.1 n-gram语言模型的原理与应用 135

6.1.2 Word2Vec的连续词袋模型与Skip-gram方法 137

6.2 Attention机制的提出与Seq2Seq架构的演化 138

6.2.1 Attention机制的原理与直观理解 139

6.2.2 Seq2Seq架构及其翻译任务中的应用 146

6.3 Transformer的诞生:Attention Is All You Need 149

6.3.1 Transformer架构的编码器与解码器模块 150

6.3.2 多头注意力与位置编码 154

6.4 BERT与GPT的单、双向语言建模 158

6.4.1 BERT的掩码语言模型与预训练过程 159

6.4.2 GPT的自回归建模与生成任务应用 161

6.5 NLP应用的广泛落地:翻译、问答与生成式AI 165

6.5.1 神经网络机器翻译的演进与产业应用 165

6.5.2 生成式AI在内容创作与对话系统中的应用 166

第7章 大模型的诞生:从预训练到微调 173

7.1 预训练模型的理论基础与优势 173

7.1.1 预训练-微调范式的提出与应用扩展 173

7.1.2 模型迁移学习的理论与实例 176

7.2 GPT系列与生成式AI模型的发展 178

7.2.1 GPT系列模型的规模增长与能力提升 178

7.2.2 大语言模型在文本生成任务中的具体实现 180

7.3 BERT、T5与多任务学习的实现 183

7.3.1 T5模型的文本转化框架与多任务适配 183

7.3.2 多任务学习对预训练模型性能的提升 185

7.4 微调与迁移学习:让模型适应特定任务 187

7.4.1 微调方法的分类:冻结层与增量训练 187

7.4.2 迁移学习在医学文本与法律分析中的应用 188

7.5 模型规模与性能的权衡:参数量的意义 190

7.5.1 参数规模对模型推理能力的影响 190

7.5.2 模型压缩与性能优化 192

第3篇 AI的技术融合与未来展望

第8章 AI硬件的突破:计算力与能效优化

8.1 GPU的崛起与并行计算在AI中的应用 196

8.1.1 GPU的架构特点与矩阵运算优化 196

8.1.2 CUDA编程模型在AI计算中的应用 198

8.2 TPU与ASIC:专用AI硬件的出现 200

8.2.1 TPU的加速逻辑与Google AI的部署 200

8.2.2 ASIC硬件的垂直优化与低功耗优势 201

8.3 云计算与分布式训练技术的发展 202

8.3.1 云端AI计算简介 203

8.3.2 分布式训练中的数据并行与模型并行 205

8.4 模型压缩与量化:剪枝、蒸馏与低精度计算 207

8.4.1 模型剪枝与知识蒸馏理论简介 207

8.4.2 低精度计算对推理性能的优化效果 210

8.5 算力与AI发展的相辅相成 213

8.5.1 算力规模对AI研究进展的推动作用 213

8.5.2 算力、算法与数据的动态平衡 215

第9章 跨模态与多模态的融合:视觉、语言与感知 218

9.1 多模态学习的理论基础:信息的联合表示 218

9.1.1 跨模态学习:嵌入与对齐 218

9.1.2 模态间的共享表示 222

9.2 图像与文本结合的应用:CLIP与DALL·E 224

9.2.1 CLIP的对比学习架构与跨模态任务 224

9.2.2 文生图模型:DALL·E 229

9.3 视觉-语言任务:VQA与跨模态检索 231

9.3.1 VQA任务:视觉与语言融合技术 231

9.3.2 跨模态检索模型架构 234

9.4 多模态感知的应用:自动驾驶与智能家居 236

9.4.1 自动驾驶中的多传感器融合技术 236

9.4.2 智能家居场景中的多模态AI应用 245

9.5 跨模态的未来挑战与研究方向 248

9.5.1 模态不平衡问题与数据稀缺性解决方案 248

9.5.2 跨模态研究的伦理与隐私问题 250

第10章 人工智能的未来:从技术突破到社会影响 253

10.1 强人工智能的技术路径与哲学争议 253

10.1.1 从窄人工智能到通用人工智能 253

10.1.2 强人工智能的伦理困境与哲学讨论 258

10.2 人工智能伦理:公平性与透明性 260

10.2.1 算法偏见检测与矫正技术 260

10.2.2 透明性与可解释性 262

10.3 AI在工业、医疗与教育中的前瞻应用 265

10.3.1 工业领域中的智能自动化 265

10.3.2 AI辅助医疗诊断支持 266

10.3.3 AI辅助教育事业 272

10.4 人机协作的未来:增强智能的潜力 273

10.4.1 人工智能与人类认知的互补关系 273

10.4.2 增强智能在工作场景中的应用 274

10.5 可持续发展与人工智能的长期影响 276

10.5.1 AI可持续发展:能源消耗与环境影响 276

10.5.2 可持续AI的研究趋势 277

附录 人工智能发展时间线 281

文摘▼

本书循序渐进地揭示了人工智能的技术演进与实际应用。首先从人工智能的早期理论入手,介绍了感知机、神经网络及深度学习的关键节点,并结合统计语言模型和自然语言处理中的实际案例,解析了技术如何从理论走向实践。随后聚焦于大模型时代的突破,深入探讨Transformer架构的出现及其后续模型(如BERT、GPT)的应用,同时延伸至微调与迁移学习的核心技术和多任务学习的实践价值。最后结合硬件进步和多模态学习的发展,探讨了人工智能如何在社会伦理、透明性与人机协作中与人类社会共存。

本书能够帮助读者全面了解人工智能从起源到未来的发展脉络,掌握核心技术与前沿动态。通过系统化的结构和清晰的叙述,为人工智能研究者、从业者和爱好者搭建了学习路径,既可以作为入门的理论指引,也能够启发读者思考人工智能技术的社会价值和未来潜力。

¥57.87
🛒购物车