第五章 AI大模型应用开发(学员专享) ​

学习目标

day01：

1. 能够说出机器学习的通用流程
2. 能够说出深度学习的Transformer机制
3. 能够说出大模型应用开发的4种技术架构
4. 能够注册阿里云百炼平台并测试大模型
5. 能够部署ollama本地大模型
6. 能够在本项目正确配置Spring AI
7. 能够编写测试方法完成同步调用和流式调用
8. 能够开发AI助手v0.3

day02

1. 能够说出什么是向量模型
2. 能够安装向量数据库PostgreSQL
3. 能够正确配置pgVectorStore并存储向量数据
4. 能够说出知识库向量化的流程
5. 能够完成知识库向量化接口
6. 能够完成命中测试接口
7. 能够实现AI助手RAG功能

day03

1. 能够说出Function Calling流程
2. 能够实现AI助手库存查询功能
3. 能够正确使用AI工作流
4. 能够使用Dify开发AI智能体

1 认识AI大模型 ​

1.1 什么是AI ​

1）定义 ​

人工智能（Artificial Intelligence，AI）是指让计算机模拟人类智能的技术，使其能够像人一样感知、学习、推理、决策，甚至创造。

AI的核心目标

• 模仿人类思维：让机器具备类似人类的思考能力（如语言理解、图像识别）。
• 解决复杂问题：帮助人类处理海量数据、优化决策（如医疗诊断、自动驾驶）。
• 自主适应环境：让机器能从经验中学习并改进（如推荐系统、智能客服）。

AI在生活中的应用

AI的分类

按能力划分

• 弱人工智能（Narrow AI）：专注于某一任务，如人脸识别、智能语音识别、知识问答。
• 强人工智能（General AI）：像人类一样全面思考。
• 超级人工智能（Super AI）：超越人类智能（科幻概念）。

按技术实现

• 规则驱动（传统AI）：依赖人工编写的规则（如早期象棋程序）。
• 数据驱动（现代AI）：通过机器学习从数据中学习规律（如ChatGPT、自动驾驶）。

ChatGPT、DeepSeek是弱人工智能还是强人工智能?

ChatGPT 和 DeepSeek 都是领先的人工智能（AI）公司推出的对话式大模型产品，chatGPT 由 OpenAI 开发

DeepSeek 由 深度求索（DeepSeek） 开发，ChatGPT 提供 免费版（GPT-3.5） 和 付费版（GPT-4），DeepSeek 目前 完全免费，并且没有强制收费计划。

ChatGPT 和 DeepSeek 是弱人工智能还是强人工智能呢？

如何区分弱人工智能、强人工智能：

ChatGPT和 DeepSeek 属于弱人工智能（Narrow AI），而非强人工智能（General AI）

2）AI的发展 ​

AI发展全景图如下：

1. 阶段一：孕育与诞生（1950s）

• 核心范式：符号主义（Symbolism AI）

• 实现智能的路径：认为智能来源于对抽象符号的逻辑推理和操作（类似于人类用语言和数学进行思考）。

• 标志性成就：

  • 1950年：艾伦·图灵提出“图灵测试”。
  • 1956年：达特茅斯会议召开，“人工智能”一词诞生。
  • 早期的AI程序可以证明数学定理、解决代数应用题。

• 局限性与影响：无法处理现实世界中模糊、不确定的问题，依赖手工编码规则，难以规模化。

1. 阶段二：知识革命与专家系统（1970s-1980s）

• 核心范式：知识工程（Knowledge Engineering）

• 实现智能的路径：“知识就是力量”。试图将人类专家的知识规则化，构建“专家系统”。

• 标志性成就：

  • 专家系统（Expert Systems） 成为商业成功的AI形式，应用于医疗诊断、化学分析等领域。
  • 出现了第一批AI公司（如Symbolics, Lisp Machines Inc.）。

• 局限性与影响：知识获取成本极高（被称为“瓶颈”），系统脆弱难以维护，最终导致第二次AI寒冬。专家（如老中医、资深机械师、顶尖律师）的很多知识是“只可意会，不可言传”的经验和直觉。他们能快速做出判断，但很难系统地、无遗漏地将其分解为“如果-那么”这样的规则。挖掘这部分知识就像采访一位大师“您是如何思考的？”，过程极其耗时且低效。

1. 阶段三：统计学习与机器学习崛起（1980s-2000s）

• 核心范式：机器学习（Machine Learning）

• 实现智能的路径：从“编程规则”转向“从数据中学习规律”。机器通过分析大量数据，自动发现其中隐藏的规律或模式，并利用这些规律来做出预测或决策，而无需为每一个具体任务进行显式的编程。

• 标志性成就：

  • 支持向量机（SVM）、随机森林等强大算法被广泛应用。
  • 1997年：IBM深蓝击败国际象棋世界冠军卡斯帕罗夫，其核心依赖的是搜索树和评估函数，但也体现了机器学习的思想。
  • 机器学习成为互联网时代的基石（搜索引擎、推荐系统、垃圾邮件过滤）。

• 特点：依赖人工进行特征工程（Feature Engineering），即由专家来设计和提取数据中对预测有用的特征。

1. 阶段四：深度学习革命（2010s至今）

• 核心范式：深度学习（Deep Learning）

• 实现智能的路径：使用包含多层层级结构（深度神经网络）的模型，自动地从原始数据中学习特征表示，无需大量的人工特征工程。

• 爆发驱动力：

  1. 大数据：互联网产生了海量的标注数据。
  2. 强算力：GPU提供了强大的并行计算能力。
  3. 算法创新：如ReLU激活函数等技巧有效训练了深层网络。

• 标志性成就：

  • 2012年：AlexNet在ImageNet图像识别竞赛中碾压传统方法，震惊世界，标志着深度学习浪潮的开启。
  • 2016年：AlphaGo击败围棋冠军李世石，深度融合了深度学习和强化学习。
  • 技术在计算机视觉、语音识别、自然语言处理等领域全面突破，达到甚至超越人类水平。

1. 阶段五：大模型与基础模型时代（2020s至今）

• 核心范式：预训练大模型（Pre-trained Large Models） / 基础模型（Foundation Models）

• 实现智能的路径：在海量无标注数据上进行自监督预训练，得到一个庞大的“基座模型”。这个模型掌握了语言的通用知识和推理能力，然后可以通过微调适配到各种下游任务。

• 标志性成就：

  • 2017年：Transformer架构论文《Attention Is All You Need》发布，成为当前所有大模型的技术基石。
  • 2018年：GPT、BERT等基于Transformer的模型出现。
  • 2020年至今：模型参数规模飞速增长，出现GPT-3、GPT-4等现象级模型。
  • 多模态大模型：模型不仅能处理文本，还能理解和生成图像、音频、视频（如DALL-E、Sora）。

• 特点：

  • 涌现能力：模型规模达到一定程度后，会产生小模型不具备的新能力（如推理、编程）。
  • “预训练 + 微调”范式成为新标准。
  • AI即服务：通过API提供模型能力，降低了AI的使用门槛。

AI的发展经历了机器学习（ML） 和 深度学习（DL） 是AI发展中的关键范式转变。“关键范式”是理解AI发展脉络的核心钥匙。它指的不仅仅是具体的技术，而是一个时代里研究者们关于“如何实现人工智能”的主流指导思想、方法论和信仰体系。

下一步我们去了解机器学习和深度学习的内容。

🔒会员方可继续阅读

试读到此结束，完整实战与源码需开通会员或购买项目，请花两分钟了解下我们

微信扫码添加

添加微信：mrt_0607（备注：预见猿份）

与服务人员沟通确认后开通会员或购买项目，即可获取本章完整内容、配套源码与资料。