一. 项⽬背景

从1994年接⼊互联⽹⾄今，中国互联⽹的发展历经了PC时代、移动互联⽹时代，尤其是在移动互联⽹时代进⾏了⼤量的海量数据、技术积累，以及硬件算⼒的巨⼤提升，之前不温不⽕的⼈⼯智能，伴随着ChatGPT的横空出现，迎来了今天AI的爆⽕，各种⼤模型、智能体应⽤等如⾬后春笋版涌现出来，AI在更进⼀步进⼊普通⼈的⽣活。现在各个⼚商也在积极拥抱AI，作为程序员我们决不能停留在简单使⽤DeepSeek、ChatGPT这种⼤模型级别的产品，⽽应该去学习⼤模型应⽤背后的相关技术，将模型接⼊到我们程序中来，让AI为⾃⼰服务，提⾼⽣产效率。本项⽬就带领⼤家从底层学习如何接⼊⼤模型，这也是进⾏⼤模型开发的第⼀步。
本项⽬⽬标旨在：

•  掌握⼤模型相关的⼀些基础知识
•  掌握官⽹提供⼤模型的API接⼝的学习
•  掌握C++下远程接⼊⼤模型思路及技术实现
•  掌握C++下本地接⼊⼤模型的思路及技术实现
•  开发⼀套语⾔聊天⼤模型应⽤

二.名词解释

【模型 - Model】

此处模型专指AI领域的模型。可以简单理解成⼀个从⼤量数据中学习规律、⽤于进⾏预测的数学函数，只是该函数参数巨多、⽆⽐复杂。可以简单类⽐成⼀个正在学说话的⼩孩。
⼩孩通过⽿朵输⼊海量的语⾳数据，⽐如：家⼈的⼝头教学、⽇常⽣活对话、读绘画本，通过眼睛去认识各种物品，⽐如家庭⽇⽤品、交通⼯具、动物、花花草草等，⼩孩通过⼤⼈的⽿传⾝教不断学习成⻓，慢慢地就能听懂⼤⼈的指令，甚⾄模仿⼤⼈⾏为等，建⽴起⾃⼰的语⾔规则。
⽐如他发现，我们经常将"吃"和"饭饭"、"⽔果"连在⼀起，"睡觉觉"和"床"连在⼀起，
当给孩⼦说：宝宝太晚了，我们⼀起上床_____
宝宝就会说：睡觉觉~~~

---

【⼤模型 - Large Model】

⼤模型就是AI⾥的超级学霸，参数巨多、知识量爆炸的AI模型，像吃了百科全书+全⽹数据的“六边形战⼠”。⼀个既能看懂你的照⽚（视觉），⼜能听懂你的指令（语⾳），还能⽤⽂字回答你的模型，就是⼤模型。⼤体现在：

•  参数海量：GPT-3有1750亿个参数，⽽早期模型参数不到⼀百万。
•  训练数据恐怖：吃掉整个互联⽹⽂本(书籍、论⽂、⽹⻚、代码...)
•  训练⼀次GPT-3 ≈ 190万度电(够5000个家庭⽤1年)

---

【⼤语⾔模型 - Large Language Model - LLM】
⼤语⾔模型就是AI界的"超级话痨"，是⼀个吃掉整个互联⽹的⽂本，能读会写、知识渊博的AI⼤脑，专⻔处理⼈类语⾔，⽐如聊天、协作、翻译、编程等，但可能会胡说⼋道。将整个互联⽹的数据喂给⼤模型后，⼤模型会通过神经⽹络分析词语之间的关系，例如将"猫"、"喵喵
叫"、"⽑茸茸"词归类到⼀起，但是它并不理解，当⼈类在提问的时候它会推测出最可能得回答。
⼤模型的局限性

•  可能会出现"幻觉"
•  没有真正"理解"
• 偏⻅与安全⻛险

目前主流的大语言模型中，OpenAI于2025年8月正式发布的GPT-5、Google的推理强模型Gemini 2.5 Pro、Anthropic首款混合推理模型Claude 3.7 Sonnet、深度求索的DeepSeek-V3.2（其V4也已发布预览版）、阿里的Qwen3系列，以及字节跳动的Doubao-Seed-1.6等

---

【提⽰词 - Prompt】

给AI的任务说明书，告诉AI要做什么、怎么做的指令。

【提⽰词设计三要素】

• ⻆⾊设定Role

"你是⼀个具有⼗年以上C++后端开发的架构师，请帮我设计类似微信的聊天软件"
问题描述

•  任务描述Task

"⽤200字总结导致拖延症原因"

•  格式约束Format

"请按要点分条列出，每条不超过15字"

---

【上下⽂ - Content】

AI在对话或任务中临时记住的信息，像⼈类聊天时不会突然失忆，能联系前后⽂理解意思。

⽤⼾：推荐⼀部科幻电影
AI：《星际穿越》
⽤⼾：为什么推荐这部？
AI（结合上下⽂）：因为它的硬核科学设定和感⼈⽗⼥情...

大语言模型并不会记住所有上下文信息，当对话超出其上下文窗口时，最早的部分会被丢弃，就像内存满了自动覆盖旧数据一样。例如，GPT-4的上下文窗口为128K tokens，大约对应10万个英文字词

---

【token】

token 是模型⽤来表⽰⾃然语⾔⽂本的基本单位，可直观理解为“字”或“词”；通常 1 个中⽂词
语、1 个英⽂单词、1 个数字或 1 个符号计为 1 个 token。
不同模型中关于token的计算⽅式可能稍有差异。下⾯是DeepSeek官⽹中关于公布的token的计算⽅式以及收费：

---

三.DeepSeek、ChatGPT、Gemini使⽤

3.1 产品和模型

DeepSeek、ChatGPT、Gemini并不是⼤模型，⽽是基于某个⼤模型开发出来的⼤模型应⽤产品。
⼤模型具有⼤量参数(数⼗亿甚⾄百亿)的⼈⼯智能模型，它学习了海量知识，掌握了理解⾃然语⾔、逻辑推理、写作、编程等底层通⽤能⼒，是⼀个拥有巨⼤潜⼒的"⼤脑"。
⼤模型产品是基于具体⼤模型开发出来的应⽤或服务，这些产品将⼤模型的能⼒封装成⽤⼾友好的界⾯或⼯具，提供给最终⽤⼾进⾏使⽤。⽐如DeepSeek官⽹提供的能和⽤⼾聊天的⽹⻚服务，实际就是DeepSeek-V4模型装上了⼀个聊天界⾯，让⽤⼾低成本使⽤⼤模型提供的服务，你问⼤模型问题，⼤模型将理解你的问题后将⾃⼰回答输出给你。
⽐如：DeepSeek是深度求索公司开发的，基于DeepSeek-V4模型的产品。

3.2 deepseek使⽤

deepseek官⽹：DeepSeek | 深度求索
以前打开DeepSeek官⽹，显⽰如下⻚⾯

DeepSeek当前最新版本（截至2026年7月31日）

当前DeepSeek的主力是V4系列。

对比项	DeepSeek-V4-Pro	DeepSeek-V4-Flash
定位	旗舰推理模型，性能最强	轻量高效模型，性价比最高
总参数/激活参数	1.6T / 49B	284B / 13B
上下文窗口	100万Token（标配）	100万Token（标配）
架构	MoE + 混合注意力（CSA/HCA）	MoE + 混合注意力（CSA/HCA）
推理模式	Non-think / Think High / Think Max	Non-think / Think High / Think Max
性能定位	逼近闭源前沿模型（如GPT-5.5），差距约3-6个月	推理能力接近Pro版，但纯知识任务稍弱
价格（输出/百万Token）	平时$0.87，高峰$1.74	平时$0.28，高峰$0.56
适用场景	复杂推理、Agent任务、长文档处理、高难度编程	实时对话、高频调用、函数调用、成本敏感场景

V4-Pro是“满血旗舰”，V4-Flash是“高性价比轻量版”，两者都标配100万Token超长上下文。

① 深度推理模式和快速响应模式开关，默认未选中为快速响应模式，选中之后切换到深度思考模式。
② 未选中时仅使⽤模型预训练知识，开启后可获取最新信息，注意联⽹搜索模式下不⽀持上传⽂件。
③ 未选中时⽆法上传⽂件，仅通过⽂本输⼊和模型交互，开启后⽀持上传PDF、Word、Excel等⽂件，模型会读取⽂件内容并根据内容回答问题，⽬前暂不⽀持图⽚。
④ 输⼊⽤⼾提⽰词之后，发送给模型，让模型思考回答
⑤ 开新⼀轮对话。⽐如切换⼀个新话题、当对话边的混乱，模型开始"胡⾔乱语"时。
⑥ ⽀持会话管理。可以点击任意⼀条之前的会话记录，快速回到该次会话中，继续之前会话，就想看书时返回之前章节⼀样。会话名称⼀般是第⼀次问题的开头命名。

---

3.3 ChatGPT

官⽹：https://openai.com/

ChatGPT，从名字中看Chat是聊天的意思，GPT是什么意思？
GPT是 Generative Pre-trained Transformer 的缩写。
Generative(⽣成式) : 它能⽣成内容(⽂字、代码图像等)，不是简单检索
Pre-trained(预训练) ： 在⼤模型⽂本数据上先进⾏通⽤训练，再针对具体任务做微调
Transformer : ⼀种深度学习框架，是⽬前⼤语⾔模型的核⼼技术，擅⻓处理序列数据，⽐如⾃然语⾔。
GPT就是基于深度学习框架的⼀种⼤语⾔模型系列，⽐如：GPT-4、GPT-5。ChatGPT就是基于GPT模型的聊天式⼈⼯智能助⼿，是⼀个产品。
GPT-4可以处理⽂字和图⽚输⼊，刚开始主要是⽂字版(GPT-4-turbo)，后来逐步开放图像输⼊，⽐如识别图⽚中⽂字、分析图表等，但输出主要是⽂字。GPT-5是⼀个完整的多模态模型，输⼊可以是⽂字、图⽚、⾳频、视频帧等，输出可以是⽂字、语⾳、甚⾄可以配合Sora⽣成视频。

① 使⽤ChatGPT搜索：选中之后会先调⽤"联⽹搜索"获取⽹⻚，再把结果交给ChatGPT进⾏总结和会话
② 与ChatGPT交谈：标准聊天模式，主要⽤来对话、问答、写作、编程等
③ 研究：⾃动查资料并⽣成结构化且带引⽤的研究报告
④ Sora：Sora是⽣成视频的模型，输⼊⽂字即可⽣成视频内容，和GPT系列不同

3.4 Gemini

官网：https://gemini.google.com/app

gemini翻译过来是双⼦座，双⼦座标志是两个并排站⽴的⼈物，象征则会⼆元性、合作以及强⼤的⼒量。Google在开发Gemini时，将Google DeepMind和Google Research的"Brain"团队合并，这两个团队的合作被视为"双⼦"，共同致⼒于打造这个野⼼勃勃的多模态AI模型。

还有⼀个说法是致敬NASA(美国国家航空航天局)的双⼦座计划，该计划是阿波罗登⽉计划之前的关键⼀步，旨在测试宇航员⻓时间太空⻜⾏和太空对接等技术，这项开创性计划的巨⼤努⼒和对未来成功的奠定，与开发⼤语⾔模型的艰难任务产⽣了共鸣，因此团队使⽤了"Gemini"名字。

① 上传⽂件，⽀持⽂本、图⽚、视频等不同格式⽂件，让⼤模型进⾏理解并进⾏各种操作，⽐如总结⽂档关键内容，分析表格数据等
② Deep Research：对问题进⾏更深⼊、全⾯的信息检索和分析，⼀般在处理复杂或专业性强的问题时⾮常有⽤
③ 图⽚⽣成：根据⽤⼾的提⽰词，Gemini会使⽤Imagen模型⽣成⼀幅符合描述的图⽚
④ 创建⽂档和应⽤：启⽤之后Gemini会根据⽤⼾输⼊需求，使⽤Canvas⽣成⽂档初稿，⽤⼾可以实时调整和优化
⑤ 像⼀个私⼈导师，能⽤多种⽅式来辅助学习，⽐如总结提炼核⼼要点、⽣成学习材料等。
⑥ ⽀持语⾳输⼊
⑦ 发起新⼀轮对话和临时对话，临时对话不会显⽰在会话记录中，临时会话系统仅保留72⼩时；发起新⼀轮对话会开启⼀个全新的聊天会话
⑧ 模型切换，模型切换功能目前支持Gemini 2.5 Flash和Gemini 2.5 Pro，其中Flash版主打高性价比与低延迟，适合实时交互、大规模分类等高频简单任务；Pro版则作为旗舰推理模型，专攻复杂编程、深度逻辑推理和多步骤Agent任务。不过需要留意的是，随着2026年5月谷歌发布Gemini 3.5 Flash，新的Flash版本在数学和知识类等多项基准测试中已反超Gemini 2.5 Pro，仅在编程任务上2.5 Pro仍保持微弱优势，因此如果追求最新性能表现，升级至3.x系列可能是更优选择。
⑨ ⽀持会话管理

---

四. 为什么学习通过API使⽤⼤模型

既然各个⼤模型⼚商已经提供了类似DeepSeek、ChatGPT、Gemini这样的⼤模型服务了，开箱即⽤⾮常⾹，在⽇常学习⼯作中已经收获颇丰，为什么还要学习⼿动接⼊⼤模型？
我认为有以下⼏点原因：

• 了解更多⼤模型知识，提⾼⾃⼰竞争⼒使⽤官⽅⼤模型服务就像开⻋，会操作就⾏，⽬的是到达终点；调⽤API就像学习汽⻋原理、保养和改装，能让你造出更适合任务的专⽤⻋，甚⾄将发动机装到⻜机、轮船上。前者是⼤模型产品的使⽤者，后者已经摇⾝成为⼤模型应⽤的创造者。
•  构建⾃⼰的应⽤API允许你将⼤模型的"⼤脑"与你⾃⼰的程序、⽹站、数据库等连接起来，实现通⽤机器⼈⽆法完成的任务，解锁⽆限可能性。⽐如：开发智能编程助⼿提⾼⽇常开发效率、构建⾃动化⼯作流(⾃动处理邮件、⽣成报告、分析数据等)、构建垂直领域应⽤(为法律、医疗、教育等领域开发专业的问答⼯具)
• 职业发展⼤模型应⽤越来越⼴泛，许多公司都在将⼤模型能⼒渐渐接⼊到⾃⼰的产品中，在AI原⽣应⽤开发领域，⼤模型应⽤开发相关岗位也越来越多，会使⽤API集成⼤模型的能⼒，能让你在求职中更具竞争⼒，更好的适应⾏业的发展趋势。
• 学术研究有些考研的学⽣，研究的课题可能和⼈⼯智能相关，掌握API接⼊⼤模型技术后，可以为⾃⼰量⾝定制⼤模型应⽤以进⾏实验和数据分析，验证⾃⼰的研究假设。

因此，作为⼀名计算机专业的学⽣，或者将来从事计算机⽅向开发⼯作，学习通过API⽅式使⽤⼤模型是⾮常有价值的，不仅能帮助你更好地理解和使⽤⼤模型，还能给未来职业发展打下坚实基础。

---

五. 项⽬演⽰

本项⽬是带领⼤家从零⼿搓各种⼤模型接⼊的SDK，在此基础上，实现⼀个智能⽹⻚版的AI聊天助⼿。该应⽤⽬前⽀持以下功能：

•  获取会话列表
•  新建会话
•  获取⽀持模型
•  发送消息
•  获取指定会话的历史聊天记录
•  删除会话

【主界⾯】

【模型选择】

⽬前已接⼊DeepSeek、gpt-4o-mini、gemini-2.0-flash模型，以及deepseek-r1:1.5b的本地接⼊，学习之后同学们也可以接⼊其他更多模型。

【开始会话】

【本地接⼊DeepSeek】

---

六. 项⽬架构

系统架构图说明如下：
应⽤层：⽤⼾使⽤ChatSDK库来封装⾃⼰的应⽤层服务，⽐如实现智能聊天机器⼈

ChatSDK：封装⼤模型管理库，包括⼤模型管理、Session管理以及数据存储。

•  ⼤模型管理：负责管理并接⼊各种不同⼤模型，⽬前已接⼊deepseek-v3、gpt-4o-mini、gemini-2.0-flash等云端⼤模型；⽀持接⼊本地⼤模型，并向外提供统⼀接⼝，⽤⼾可以通过提供的接⼝接⼊⾃⼰需要⼤模型。
•  会话管理：⽀持会话管理，⽤⼾可以获取获取会话列表、历史消息等
•  数据存储层：⽀持会话记录的持久化存储，⽅便查看历史会话。

三⽅服务：对于接⼊的云端模型，最终由ChatSDK将⽤⼾消息转发给三⽅服务器，模型回复后将结果返回给应⽤层。对于本地部署⼤模型，ChatSDK会将⽤⼾消息发送给本地安装的Ollama服务器，由Ollama服务器和三⽅模型服务器对接，Ollama将模型的回复返回给ChatSDK，由ChatSDK将结果返回给应⽤层。

---

下⾯是本项⽬中使⽤的第三⽅库和⼯具：

---

七.AI知识科普

1. ⼈⼯智能概念

⼈⼯智能，即Artificial Intelligence，简称AI，是计算机科学的⼀个分⽀，旨在让计算机或机器能模仿⼈类的思维和⾏为，能看、能听、能说、能学习、能决策，从⼀个简单的命令执⾏者，变成⼀个可以感知、理解、推理、学习等服务与⼈类的"智慧"伙伴。
为了让机器具有⼈⼯智能的能⼒，需要先让机器看更多的资料去学习，⾃⼰总结规律，最后具备预测的能⼒。
⽐如想要教计算机智能地识别狗。

可以按照下⾯步骤来：

•  ⼈⼯提取特征：你需要像⼀个⽼师⼀样，先告诉机器，"要看⼀只狗，你主要检查是否有⼀个湿润的、突出的⿊⾊或棕⾊的⿐⼦、⽿朵的形状和位置、尾巴的⻓度和姿态(翘起、摇摆、卷起)、有没有胡须、眼睛的形状、⽑发的⻓度和纹理"等特征
•  选择模型：选择⼀个合适的机器学习模型
•  训练：把准备好的"狗"和"⾮狗"的图⽚喂给模型，每张图⽚都⽤定义好的特征(湿⿐⼦、胡须等)描述好
•  预测：模型学习后，看到新图⽚，就会去检查这些预设的特征，然后判断，如果符合狗的特征则就是狗。

上⾯的⽅式就是机器学习，给模型看图⽚让它⾃⼰学。但有⼀定局限性，因为模型是基于⼈⼯提取的特征学习的，如果⼀张狗的图⽚是侧⾯的看不到胡须，或者⽿朵折起来了，机器可能就认不出来。

那如果不⽤⼈⼯提取特征，⽽是：

•  端到端学习：把最原始的像素数据(即图⽚本⾝)和标签("这是狗"、"这不是狗")直接扔给⼀个叫做神经⽹络模型
•  ⾃动提取特征：神经⽹络结构⾮常复杂，有很多层(深度)，它会⾃⼰从像素中，由低到⾼、由抽象到具体地⾃动学习出狗的特征：

底层：选学会认识⼀些边缘、⻆落、颜⾊
中层：组合底层特征，学会识别纹理、形状、眼睛、⽿朵
⾼层：结合中层特征，最终形成"狗脸"、"狗的⾝体"等抽象概念

• 预测：训练好后，它看到新的图⽚，就会动⽤⾃⼰学到的这⼀套从简单到复杂的特征(层级体系)来进⾏判断

这个就是深度学习。对于侧⾯、遮挡、奇怪姿势的狗，深度学习模型因为它⾃⼰学习的特征更丰富、更本质，所以识别能⼒通常远强于传统机器学习⽅法。
所以，想要让机器像⼈⼀样去识别狗的图⽚，可以通过看海量图⽚学习，即机器学习，⽽完成这个任务最有效的⽅式就是深度学习。现在⼤家所看到的酷炫的AI应⽤，⽐如⼈脸识别、语⾳助⼿、⾃动驾驶等，背后都是AI--->ML-->DL的技术在发挥作⽤。
因此⼀个机器，如果学习⼤量的数据之后，具备推理预测能⼒时，我们就可以认为该机器具备⼈⼯智能的能⼒。
⽽现在ChatGPT、DeepSeek等，都是基于Transformer架构的神经⽹络模型，投喂海量的数据(⽹⻚、书籍、⽂章)等供模型学习，让模型构建⾃⼰的知识库，并具备思考、推理、决策能⼒，最终成为现在ChatGPT、DeepSeek等⼈⼯智能⼤语⾔模型产品。

最左边是输入，最右边是输出，中间经过很复杂的AI信息处理给你想要的结果，就是你直接看的答案

---

2. ⼈⼯智能发展史

在更早的时期，在⼈类的想象和对机器的向往中，已经埋下了⼈⼯智能的影⼦和思想萌芽。⽐如战国时期《列⼦汤问》中就收录了⼀⽚⽂章《偃师献技》

偃师带来了⼀个他制造的“倡者”（即歌舞艺⼈）。这个假⼈能够⾃如地唱歌跳舞，动作姿态与真⼈⽆异。甚⾄在对周穆王的妃⼦眉⽬传情时，惹得穆王⼤怒，认为偃师⽤真⼈欺骗他。偃师为了证明，⽴刻将这个假⼈拆解，展⽰其内部完全是由⽪⾰、⽊头、胶漆、以及⿊、⽩、丹、⻘等颜料构成的机关⼈偶。周穆王这才惊叹道：“⼈之巧乃可与造化者同功乎？”

---

• AI兴起(1941 - 1956)：⼈⼯智能诞⽣

• 1936年：阿兰·图灵（Alan Turing）发表了《论可计算数及其在判定问题中的应⽤》，为⼈⼯智能的理论基础奠定了重要⼀步。
•  1943年，神经学家沃伦·⻨卡洛克和数学家沃尔特·⽪茨在1943年提出了⼈⼯神经元模型，⽤数学⽅法模拟⽣物神经元⽹络，证明简单的神经⽹络可以实现基本的逻辑功能

假设你现在是⼀名⼤⼆或⼤三的学⽣，已经将⽐特⼀个⽅向的课程系统学完，并做出⼀两个项⽬，
⽼师推你找实习，⽽你感觉⾃⼰没有复习好，知识点忘记了，在犹豫是否要找实习。假设将催同学
找实习的事情交给⼈⼯神经⽹络模型决策，那就需要先输⼊给模型⼀些信号(X)和权重(W)，⽐如：

i. x1 = 知识储备现状：同学学完【C语⾔ + 数据结构 + C++ + 操作系统 + ⽹络 + 数据库，且还做过⼩项⽬权重w1 = +7，极强正权重，因为这些技能是企业所需要的，能够找实习的资本
ii. x2 = 实习经历：同学找实习欲望不⾼，但实习经历⾮常重要
权重w2 = +8，实习经历企业⾮常认可，尤其是⼤⼚实习经历，能⼤⼤提⾼简历通过率
iii. x3 = 时间窗⼝优势：⼤⼆或⼤三，正是找暑期实习的⻩⾦阶段
权重w3 = +9，暑期实习表现好很容易转正，直接解决就业，避免挤秋招
iv. x4 = ⾃我怀疑、惰性拖延阻⼒：感觉⾃⼰没有复习好，知识点忘记
权重w4 = -5，拖延是⾏动最⼤的敌⼈，知识点忘记是正常的，⽽通过⾯试检测⾃⼰成⻓是
⾮常快激活函数阈值设定为15。将所有输⼊权值求和后，总分超过15，这个神经元就被激活，输出去找实习的决定

---

⼈⼯神经元模型的核⼼部分

• 输⼊：就像树突，接收来⾃外界或其他神经元的信息
•  权重：每个输⼊都有⼀个权重，代表这个输⼊的重要程度。学习的过程，主要就是调整这些权重⼤⼩的过程。
•  求和：把每个输⼊对应权值全部加起来
•  激活函数：检查求和后的总值是否超过某个"阈值"，超过就产⽣响应；否则就不响应，以实现"开关"特性。
•  输出：就向轴突，将决策结果(0或1)传递出去，给下⼀个神经元

这个模型成为了后来所有⼈⼯神经⽹络和深度学习的基⽯

---

1950年，艾伦图灵在其《计算机与智能》论⽂中提出注明的"图灵测试"

 场景设置：有⼀个测试者(⼈类)，和两个被测试对象，其中⼀个被测试对象是真⼈，另⼀个是⼀
个计算机程序（AI）。这两个对象在⼀个看不⻅的房间⾥，测试者测试者只能通过电脑屏幕与
他们⽤⽂字交流。

•  游戏⽬标：测试者的任务就是通过⼀系列提问和对话，最终判断出哪个是真的⼈，哪个是机器。
•  获胜条件：如果测试者经常错误地将机器判断为⼈，或者说机器成功“欺骗”了测试者，那么我们就说这台机器通过了图灵测试

⽐如：你向两个房间提问1234567 + 7654321 等于多少？
A房间会话你：等于8888888
B房间回答你：我现在不想算
你现在能区分清那个房间时机器，哪个房间时真⼈吗？

如果⽆法区分，那这台机器就通过了图灵测试。图灵的想法很实⽤：别管它内部是怎么运作的，只要它的⾏为表现得和⼈⼀样智能，我们就当它是智能的。
1956年图灵的这篇⽂章以“机器能够思考吗？”为题重新发表

---

1956年，在美国达特茅斯学院汇聚了那个时代最聪明的⼀批⼈，他们坐在⼀起开了个会，会议主题是"试图让机器精确模拟学习或其他智能⾏为"，该次会议也被称作"AI的宪法会议"，约翰·⻨卡锡⾸次提出"⼈⼯智能"⼀词。

---

AI早期成功(1956 - 1974)

• 1959年，亚瑟·塞缪尔开发了⾸个⾃学习程序-西洋跳棋程序，并引⼊了“机器学习”这⼀概念

• 1966年，约瑟夫·魏岑保姆开发了⼀个能⼒处理⾃然语⾔的聊天程序ELIZA，据说是第⼀个能够尝试图灵测试的程序，展⽰了机器和⼈类⾃然语⾔交流的可能性。

号称⼼理治疗师，⽐如：
你说：我很烦恼
ELIZA：你会经常烦恼吗？
ELIZA⽤程序的⽅式模拟提问，形成⼀种⼼理咨询的效果，其实就是模式匹配，号称⼼理治疗师。
虽然简单，但是给⼈感觉机器很懂我。

---

• 1970年，第⼀个拟⼈机器⼈WABOT-1在⽇本早稻⽥⼤学建成。它由⼀个肢体控制系统、视觉系统和⼀个对话系统组成。

⾸次将视觉、触觉、移动和对话能⼒整合到⼀个拟⼈化的平台上。它确⽴了“⼈形机器⼈”作为⼀个综合性研究领域的地位

---

• AI第⼀次寒冬：神经⽹络预冷，研究经费减少(1974 - 1980)

上世纪60年代末到70年代初，⼈⼯智能开始从⾼峰⾛向低估，因为早起雄⼼勃勃的AI项⽬没有兑现，政府和资⽅对AI的耐⼼逐渐耗尽，⼤笔研究经费被削减甚⾄叫停：
• 机器翻译碰壁
• ⼤西洋彼岸质疑
• 军⽅撤资
• 学术批评
上述原因交织在⼀起，导致70年代中期AI研究陷⼊停滞，AI项⽬被砍，研究经费锐减，年轻⼈才专项爱过你别的领域，只有少数学者在坚守阵地。

---

• AI复兴与第⼆次寒冬(1980 - 1993)

AI领域出现复苏的迹象主要是由于：
• 专家系统在⼯业界的成功应⽤
• 机器学习思想兴起

---

专家系统就是模拟⼈类专家决策的计算机系统，它把专家的知识和经验编程规则存进电脑⾥，然后向专家⼀样分析问题并给出建议。

专家系统的核⼼组成：
• 知识库：类似专家的⼤脑，⾥⾯存储了许多"如果-那么"的规则和专业知识
• 推理机：类似专家的思维过程。它负责提问、根据⽤⼾回答去知识库查找匹配规则，进⾏逻辑推理并得出答案
• ⽤⼾界⾯：和系统对话的窗⼝

但好景不⻓专家系统的局限性逐渐暴露，他们的开发和维护成本⾼，需要专家不断提供规则，⽆法⾃动学习新知识；其次系统脆弱，⼀旦遇到超出规则范围的情况可能犯荒唐的错误。
随着微型计算机性能提升，性能逐渐超越运⾏专家系统的AI⼯作站，⼤量AI创业公司在短时间内破产或被收购，兔⼦⼈兴趣转移，到1993年前后超过300加AI公司关⻔，迎来了AI的第⼆次寒冬。
庆幸的是AI技术并未⽌步不前，⽽在其他领域悄然发展，⽐如：数据挖掘、⼯业机器⼈、语⾳识别、搜索引擎都在90年代获得突破性进展。

1991年，互联⽹的出现使在线连接和数据共享成为可能，⽆论你是谁，⽆论你在哪⾥。由于数据是⼈⼯智能的燃料，这在以后将被理解为⼈⼯智能的⼀个关键时刻

---

• AI崛起：深度学习理论和⼯程突破(1993年⾄今)

 1997年，IBM的深蓝(Deep Blue)战胜了国际象棋冠军卡斯帕罗夫，成为⾸个在标准⽐赛时限内击
败国际象棋世界冠军的电脑系统。

---

• 2000年，⿇省理⼯学院的⾟西娅-布雷泽尔开发了Kismet，⼀种能够识别并模拟⼈类情绪的机器⼈。

---

• 2006年，杰弗⾥·⾟顿等⼈发表重要论⽂《Reducing the dimensionality of data with neuralnetworks（⽤神经⽹络降低数据维数）》，提出了深度置信⽹络（Deep Belief Network），为深度学习的发展奠定了基础。杰弗⾥·⾟顿也被称为深度学习教⽗。

---

•  2006年，英伟达推出CUDA(统⼀计算架构)，GPU开始⽤于解决商业、⼯业以及科学⽅⾯的复杂计算，GPU与深度学习结合，模型的训练速度有了数量级的提升

---

• CPU(中央处理器)：像是⼀个博学的⽼教授。他⾮常聪明，什么复杂任务都能处理，⽐如操作系统、办公软件，但⼀次只能处理⼀两件事(核⼼数少)。让他去数⼀亿粒⽶，他会数得很精确，但速度⾮常慢。
•  GPU(图形处理器)：最初是为游戏和图形渲染设计的。它像是⼀万名⼩学⽣。每个⼩学⽣都不如⽼教授聪明，只能执⾏⾮常简单的指令(⽐如算术题)。但让他们同时去数⼀亿粒⽶，每⼈分⼀点，瞬间就数完了

AI计算（尤其是深度学习）的本质是什么？
就是海量的、⾼度重复的矩阵乘法和加法。⽐如，识别⼀张猫的图⽚，需要将数百万个像素值与神
经⽹络中数百万个参数进⾏乘法和加法运算。这个过程不需要⼀个"⽼教授"去深度思考，恰恰需
要"⼀万名⼩学⽣"同时进⾏简单的计算。GPU的并⾏计算架构完美匹配了AI计算的需求。
更重要的是英伟达还发明了CUDA(Computer Unified Device Architecture，统⼀计算机架构)，构
建了⼀整个AI⽣态系统。CUDA是⼀个软件平台，它允许程序员和研究⼈员⽤熟悉的编程语⾔(如
C++、Python)直接调⽤GPU的强⼤算⼒来进⾏通⽤计算。

今天所有震撼世界的AI产品，如ChatGPT、Sora等，它们的训练和运⾏都完全依赖与数万甚⾄数⼗万颗GPU组成的超级计算机，没有这个算⼒基础，当前的⼤模型就不可能存在。英伟达是AI时代
的“卖铲⼈”。当全世界都在疯狂淘⾦（开发AI）时，英伟达提供了最好⽤、⼏乎是唯⼀的“铲
⼦”（GPU+CUDA），从⽽成为了整个浪潮中最⼤的赢家之⼀。

---

•  2012年，⾕歌"Google Brain"项⽬的研究⼈员吴恩达、杰夫·迪恩等⼈，也捣⿎了⼀个神经⽹络（10亿参数），⽤来训练对猫的识别。他们⽤16000个CPU核⼼构建了⼀个巨⼤的神经⽹络，在没有任何先验知识的情况下，仅仅通过观看YouTube视频，就⾃发地识别出了“猫”。这个实验让⼯业界第⼀次⼤规模地看到了深度学习的惊⼈潜⼒。

---

• 2015年，Google Brain团队正式发布TensorFlow机器学习框架，提供了⼀整套⽤⼾构建和训练机器学习模型的⼯具、库和社区资源，由于其通⽤性和强⼤功能，被⼴泛应⽤于计算机视觉、⾃然语⾔处理、语⾳处理、推荐系统等。TensorFlow作为基础⼯具基⽯，其应⽤领域⼏乎涵盖了AI的⽅⽅⾯⾯。2017年，Google AI团队在论⽂《Attention Is All You Need》中⾸次提供了Transformer模型架构，论⽂发布后其参考实现代码⻚随之公开，并迅速被纳⼊TensorFlow、PyTorch等框架的官⽅库和教程中。Transformer 的诞⽣，为后续⼏乎所有⼤型语⾔模型提供了最基础也最关键的架构蓝图。现在DeepSeek、ChatGPT、Gemini基本都是基于Transformer实现的。AlphaGo战胜⼈类顶尖围棋选⼿

---

•  2022年11⽉30⽇，ChatGPT发布，彻底突破科技圈，它提供了⼀个及其简单、⾃然、免费的聊天界⾯，任何⼈⽆需技术背景，都能直接与其互动。它能写诗、写代码、解数学题、编故事，回答各种问题，震惊了⽆数⼈。⽤⼾们开始在各种社交平台，病毒式分享⾃⼰与ChatGPT对话的惊⼈截图，短短5天内，ChatGPT的⽤⼾就图⽚100万。此后，各⼤科技公司（Google、微软、Meta、亚⻢逊以及中国的百度、阿⾥、深度求索等）全部加速⼊场，发布了各⾃的竞品（如Gemini、Claude、LLaMA、⽂⼼⼀⾔、通义千问、DeepSeek等），将这场热潮持续推⾼，形成了今天我们看到的“百模⼤战”格局。

---

3. AI相关岗位

适合绝⼤学⽣的AI开发岗位基本是AI应⽤开发。

---

4. 程序员是否会被ai取代

同学们平时在看新闻或刷视频时应该会看到，⼀些博主在视频中演⽰说：

•  某款AI编程IDE写代码⾮常丝滑，⾃⼰⼀⾏代码不写就完成了某个应⽤
•  不懂任何代码，通过向AI输⼊提⽰词，完成某个应⽤
•  AI替代程序员真的要来了，公司20%的代码已由AI⽣成，公司计划裁员...
•  AI来了，程序员天踏了；AI当⽴、编程已死...

看到这些帖⼦或视频之后，不知道同学们是否感觉：还没有毕业，就感觉失业了，渐渐就开始摆烂了

【DeepSeek认为】

【ChatGPT认为】

【Gemini认为】

---

中国科普⽹的⼀⽚⽂章：http://www.kepu.gov.cn/newspaper/2024-03/15/content_183874.html

以后得事情谁也不好说，先顾好眼前少点焦虑：打得过就⼤，打不过就加⼊，你可能就业的不是AI相关领域，但是你不能不懂AI相关技术。