软件
产品
一、引言
在当今社会，人工智能（AI）已成为热门话题。然而，与此同时，AI的神秘感也逐渐滋生，导致很多人对其理解模糊不清，甚至将其视为玄学。这种现象不仅阻碍了AI技术的健康发展，也为骗子提供了可乘之机。为了破除AI的神秘感，我们需要回归科学的本质，理性看待AI的发展和应用。
二、AI 是什么?
AI，全称“Artificial Intelligence”，即“人工智能”。这一概念最初在1956年的Dartmouth学会上被提出，它涵盖了让计算机模拟、延伸甚至扩展人类智能的所有理论、方法和技术。简单来说，AI就是让机器具备像人类一样思考、学习、决策和解决问题的能力，从而帮助人类处理更复杂的任务，提高工作效率和生活质量。
AI 就是人工制造出来的能够具有人脑功能的机器。人脑具有处理输入数据、存储数据、分析数据、形成知识、进行计算、逻辑推理、决策以及发出信号等多种功能，具体来说：
结绳记事，尽管是一种非常原始的记录方式，但它确实起到了帮助人脑完成记忆工作的作用。在远古时代，人们可能使用结绳来记录重要的事件、数量或其他需要记住的信息，以便在需要时能够回顾和参考。
这种方式虽然简单，但它体现了人类对于记录和存储信息的早期尝试，也是人类智能的一种延伸。随着技术的发展，我们逐渐发明了更加先进和高效的记录和存储信息的方式，如文字、纸张、电子设备等，但这些方式的核心目的仍然是帮助人脑完成记忆和思考的工作。
算盘是一种手动操作的计算工具，使用者可以通过移动珠子来“存储”计算过程中的中间结果，并通过一系列的手动操作来完成计算。因此，在这个意义上，算盘确实拥有一种原始的“存储”和“计算”能力。
机械计算机，如莱布尼茨发明的那种，则更加复杂。它们通过机械部件（如齿轮和杠杆）来执行基本的算术运算，如加减乘除。这些机械计算机可以自动执行一系列的计算步骤，并在必要时存储中间结果。因此，它们比算盘更接近现代计算机的概念。
算盘和机械计算机都可以被视为计算机发展史上的重要里程碑。它们展示了人类如何通过不断改进和创新来发展出更加先进和强大的计算工具。而现代电子计算机则是在这些早期计算工具的基础上，通过集成电子技术、编程语言和算法等先进技术而发展起来的
现代计算机相较于算盘和机械计算机，在存储容量、计算速度以及协同工作能力上都实现了巨大的飞跃。这些进步使得计算机能够承担更多、更复杂的任务，极大地扩展了它们的应用范围。而AI，作为计算机科学的一个重要分支，更是将这些能力发挥到了极致。
现代计算机的存储容量很大,例如一般的电脑硬盘都是1T的,大约有10^12个字节, 人脑大约有100亿 (10^11)个神经元，当然1个神经元对应一个字节的比较是不对的, 但是也可以看到现在的电脑硬盘的存储量(特别再考虑有好多电脑连接在一起的存储量)可能已经远远超出了人脑的记忆能力。这使得计算机能够存储和处理海量的数据，为AI的学习和推理提供了坚实的基础。同时，计算机的计算速度也远远超过了人脑，能够在极短的时间内完成复杂的计算任务。
更重要的是，现代计算机还具有分布式协同工作的能力。多台计算机可以通过网络连接起来，共同处理一个任务，实现资源的共享和协同工作。这种分布式计算的能力，使得计算机能够处理更加复杂、规模更大的问题，为AI的应用提供了更广阔的空间。
因此，可以说现在的AI已经具备了更多的人脑功能。它不仅能够处理和分析数据，还能够进行复杂的计算和推理，甚至能够模拟人类的思维和决策过程。这使得AI在各个领域都有了广泛的应用，如智能驾驶、医疗诊断、金融分析等。未来，随着技术的不断发展，AI的应用范围还将不断扩大，为人类的生活和工作带来更多便利和创新。
三、狭义AI的历史发展
狭义的人工智能（AI）特指自计算机出现以后，利用计算机技术模拟、延伸和扩展人的智能的过程及其所创造出的系统。这一部分将聚焦于电脑时代背景下的AI发展历程，展现其从技术奠基到广泛应用的演变轨迹。
自20世纪中叶，随着电子计算机的诞生，人类开始探索利用这一新兴技术模拟和扩展人的智能。这一时期，AI的研究主要集中在符号主义方法上，即通过逻辑推理和符号操作来实现智能行为。代表成果如“逻辑理论家”（Logic Theorist）程序，它展示了计算机在逻辑推理方面的潜力。
然而，AI的发展并非一帆风顺。在20世纪70年代初，由于技术瓶颈和资金削减，AI研究陷入了第一次低谷。许多研究团队解散，人才流失，AI的发展似乎陷入了停滞。
幸运的是，20世纪80年代，随着计算机技术的进步和数据的积累，AI迎来了第二次发展高潮。专家系统的广泛应用成为这一时期的标志性成就，它们在医疗、金融、地质勘探等领域发挥了重要作用。同时，连接主义的兴起也为AI的发展带来了新的思路，它强调模仿人脑的工作原理，通过建立神经元之间的联结模型来实现智能。
进入21世纪后，随着大数据和计算能力的提升，深度学习技术取得了突破性进展。这一技术通过构建多层次的神经网络模型，实现了高级的认知和决策能力，推动了AI在计算机视觉、自然语言处理、自动驾驶等领域的广泛应用。AI正深刻影响和重塑着经济社会的方方面面。
四、符号主义与专家系统的发展
符号主义（Symbolism），又称逻辑主义（Logicism）、心理学派（Psychlogism）或计算机学派（Computerism），是一种基于逻辑推理的智能模拟方法。它认为人类思维和认知过程是通过符号的运算来实现的，因此，计算机也可以通过符号操作来模拟人的智能行为。符号主义的核心观点包括：人类认知和思维的基本单元是符号；物理符号系统假设，即人和计算机都可以被看作是具备逻辑推理能力的物理符号系统；以及逻辑推理与智能模拟的重要性。
在数学推理证明方面，符号主义取得了显著成果。例如，1956年Newell和Simon等人研制的“逻辑理论家”（Logic Theorist）程序，就是一个典型的符号主义系统。该程序能够证明《自然哲学的数学原理》（Principia Mathematica）中的数学定理，展示了计算机在逻辑推理和智能模拟方面的潜力。
随着人工智能技术的发展，符号主义的方法也被广泛应用于专家系统。传统的专家系统是一种存储了大量领域知识和答案的系统，它们能够模拟专家进行决策和推理的过程。这些系统通常包含知识库、推理机和用户界面等组件，通过知识表示和推理技术来解决问题。在医疗、金融、地质勘探等领域，专家系统得到了广泛应用，并取得了显著成效。
其中，能够证明数学基本原理的产品也是专家系统的一个重要应用。这类系统不仅存储了数学中的公理、定理和规则，还能够通过内置的推理机制对新的数学命题进行机械化证明。这种能力使得它们在数学研究、教育以及软件验证等领域具有广泛的应用价值。
Lean定理证明器是数学领域专家系统的杰出代表，它凭借一种强类型、依赖类型的函数式编程语言，极大地简化了形式化数学定理和证明的编写过程，使其变得既直观又自然。这一系统不仅提供了交互式证明助手，允许用户逐步构建复杂的数学论证，还配备了丰富的数学库，涵盖了广泛的数学领域，从而展现了人工智能在逻辑推理和形式化证明方面的卓越能力。
Lean定理证明器的核心价值在于其内置的推理机制，该机制能够存储并处理数学中的公理、定理和规则，更重要的是，它能对新的数学命题进行机械化证明。这一能力使得Lean在数学研究、教育以及软件验证等多个领域都具有广泛的应用价值。
著名数学家陶哲轩选择使用Lean进行数学研究，并且积极地进行推广。与此同时，北京大学也涌现出了一批在AI for Math积极贡献的学者，如董彬、文再文、张磊等。陶哲轩充分利用了Lean的强大功能，成功进行了一系列复杂的数学推理和证明，这一应用案例不仅验证了Lean作为专家系统的有效性，更展示了AI在辅助数学研究方面的巨大潜力。
具体来说，陶哲轩使用Lean的情况体现了以下几个方面的价值：
使用Lean定理证明器进行数学研究的应用案例充分展示了AI在数学领域的重要价值，它不仅验证了Lean作为专家系统的强大功能和广泛应用价值，还预示着AI在未来数学研究和教育中的巨大潜力。然而，与基于符号主义、逻辑推理严谨的Lean不同，当前的生成式AI如ChatGPT，在处理复杂任务时可能会产生被称为“幻觉”的错误，即生成不存在的信息或事实。
这种“幻觉”现象确实具有广泛的传播效应，因为生成式AI如ChatGPT使用起来相对容易，且能够生成流畅、自然的文本，这使得它们在公众中的知名度较高。因此，当人们谈论AI时，往往会首先想到这些生成式AI，以及它们可能出现的“幻觉”错误。
然而，需要明确的是，尽管生成式AI在某些方面存在局限性，但并不能因此否定AI在数学领域和其他领域的重要价值和应用潜力。实际上，像Lean这样的逻辑推理AI在数学研究中发挥着至关重要的作用，它们的逻辑推理是非常严格的，能够为数学研究和教育提供有力的支持。
因此，我们应该全面、客观地看待AI的发展和应用。既要认识到生成式AI在某些方面的局限性，也要充分肯定像Lean这样的逻辑推理AI在数学领域和其他领域的重要价值和应用潜力。
五、AI：高效的“guessing machine”
陶哲轩曾将AI比喻为一台高效的“guessing machine”, 根据他视频里的描述, 他说到AI像一个guessing machine的时候指的就是大语言模型。他指出，尽管AI在某些方面展现出惊人的能力，但其核心原理并不复杂，而是基于高效的算法和数据处理技术。AI通过学习和分析大量数据，能够快速生成预测和决策。然而，这并不意味着它具有超自然的力量或意识，而是更像是一个强大的工具，帮助人类处理复杂的信息和问题。
大语言模型是基于深度学习技术训练的，能够理解和生成自然语言文本的AI模型。它们通过处理大量文本数据来学习语言模式，并利用深度神经网络，特别是变换器（Transformer）架构，来捕捉语言中的复杂关系和结构。在自然语言处理（NLP）领域，大语言模型取得了显著进展，广泛应用于文本生成、机器翻译、对话系统、问答系统等多种任务。
陶哲轩说AI更接近于“guessing machine”。他提到这些模型涉及到很多的组合,很多的参数, 喝多的函数复合，这些在数学都是很trivial, 甚至有些无聊。 大语言模型的预测结果受到多种因素的影响，包括数据质量、模型复杂度、算法优化程度等。在面对复杂或不明确的问题时，大语言模型可能会给出不同的答案，且这些答案并不能保证完全正确。特别是在处理需要严谨逻辑推理的任务，如证明定理或解数学题时，大语言模型的局限性尤为明显。
相比之下，像Lean这样的定理证明器是基于符号逻辑的AI系统。它们通过严格的逻辑推理和证明步骤来验证数学定理或解决数学问题。Lean等定理证明器的优势在于其严谨性和可靠性。它们能够按照预定的逻辑规则进行推理，并给出明确的证明过程。这使得定理证明器在数学研究和教育领域具有广泛应用价值。
因此，大语言模型与像Lean这样的定理证明器在AI领域具有不同的应用特点和优势。大语言模型擅长处理自然语言任务，但在需要严谨逻辑推理的任务上可能表现不佳。而定理证明器则专注于逻辑推理和证明，为数学研究和教育提供了有力的支持。这两种AI系统的差异也反映了AI领域的多样性和不断发展的趋势。
六、“guessing machine” 和 Lean 相结合
陶哲轩强调，尽管大语言模型这样的AI在某些任务上表现出色，能够生成看似合理的自然语言文本并处理多种NLP任务，但其可靠性和可预测性仍然存在不足。AI的输出结果往往高度依赖于输入数据的质量和算法的准确性。如果数据存在偏差、不完整或受到污染，或者算法本身存在缺陷和局限性，那么AI的输出结果就可能出错，甚至产生误导性的信息。
因此，我们不能盲目相信大语言模型的每一个结果，而是需要对其进行合理的验证和评估。这意味着在使用AI生成的结果时，我们应该保持审慎的态度，结合其他来源的信息和证据进行综合判断。
同时，陶哲轩也提到，尽管大语言模型可能出错，但它们仍然给我们带来了很多启发。为了弥补大语言模型在可靠性和可预测性方面的不足，我们可以考虑将其与像Lean这样的逻辑主义的人工智能相结合。Lean等定理证明器基于符号逻辑，擅长进行严格的逻辑推理和证明，能够为数学研究和教育提供有力的支持。
通过将大语言模型与逻辑主义的人工智能相结合，我们可以充分利用两者的优势，弥补各自的不足。这种结合有望推动AI技术的更大发展，并在更多领域实现更广泛的应用和更高的价值。
以数学定理的证明为例，我们可以利用大语言模型来生成可能的证明步骤或解题思路，这些步骤或思路可能基于模型对大量数学文献和知识的理解和分析。然而，由于大语言模型本质上是基于统计和预测的，其生成的证明可能并不总是严谨或正确的。
为了验证和确保证明的正确性，我们可以将逻辑主义的人工智能，如定理证明器Lean，引入到这个过程中。Lean等定理证明器能够按照严格的逻辑推理规则进行验证，确保每一步的推理都是正确的，并且最终得出的结论是有效的。
通过结合大语言模型和逻辑主义的人工智能，我们可以在数学定理的证明上实现更高的效率和准确性。大语言模型可以提供多样的解题思路和证明步骤，而逻辑主义的人工智能则可以确保这些步骤的正确性和严谨性。这种结合不仅有望在数学领域推动更多的研究和发现，还可能为其他需要严谨逻辑推理的领域，如计算机科学、物理学等，带来更大的发展和应用价值。
四、AI与数学的关系
作为数学家，陶哲轩对AI在数学领域的应用有着独到的见解。他认为，AI在形式化证明、数学定理验证等方面具有巨大潜力。通过引入形式化的证明环境，AI可以显著加速数学定理的验证过程，从而减轻数学家的负担，使他们能够更专注于深入探索和思考数学问题。
同时，AI还可以作为辅助工具，帮助数学家发现新的数学规律和定理。其强大的数据处理和模式识别能力，使AI能够在海量的数学数据中挖掘出潜在的关联和趋势，为数学研究提供新的思路和方向。
然而，陶哲轩也提醒我们，要理性看待AI在数学领域的作用。他强调，不要将“计算机辅助证明”与“不能提供理解的证明”混为一谈。虽然AI可以辅助我们进行证明，但真正的数学理解还是需要人类的智慧和洞察力。因此，AI的应用应当与人类的思考和探索相结合，共同推动数学研究的发展。
在实际应用中，我们可以充分利用大语言模型这样的AI来做出一些大胆的猜想和假设。这些猜想可能基于模型对大量数学文献和知识的理解和分析，也可能源于模型对数学问题的独特见解和创意。然而，这些猜想仅仅是一个起点，还需要经过严格的验证和证明才能被确认为有效的数学定理或规律。
在这个过程中，我们可以借助像Lean这样的逻辑主义人工智能来进行严谨的验证和证明。Lean等定理证明器能够按照严格的逻辑推理规则进行推理和验证，确保每一步的推理都是正确的，并且最终得出的结论是有效的。通过结合大语言模型和逻辑主义的人工智能，我们可以在数学领域实现更高效、更准确的定理证明和规律发现。
五、AI在其它领域的发展
AI在法律和政策领域的应用也显得尤为重要。通过AI技术，我们可以构建一个更加便捷、高效的法律和政策查询系统，使公众能够更容易地获取到相关信息。这不仅提升了公众的知情权和参与度，还有助于促进社会的公正和透明。
同时，AI还可以帮助我们对模糊不清的条文进行及时反馈。在传统模式下，一些法律或政策的表述可能存在歧义或不明确之处，这可能导致执行过程中的困扰和纠纷。而借助AI的自然语言处理和数据分析能力，我们可以更快速地识别出这些问题，并将其反馈给立法者和政策制定者，以便他们及时进行修订和改进。
除了上述应用，AI还可以在其他方向上发挥重要作用。例如，AI公务员的概念逐渐受到关注。通过训练AI模型来处理一些常规性的行政工作和公共服务，我们可以减轻公务员的工作负担，提高行政效率。AI公务员可以协助处理文件、回答问题、提供咨询等，为公众提供更加便捷和高效的服务体验。这也是AI技术在政府管理和公共服务领域的一个重要应用方向。
当前社会上存在的对AI的过度炒作和误解，我们呼吁要理性看待AI的发展。AI作为一种技术工具，其核心目的应当是服务于人类，而不是取代人类。我们需要深入关注AI技术的实际应用价值和社会影响，确保其发展方向与人类的根本利益相一致，推动其健康、可持续地发展。
为了实现这一目标，我们需要采取多方面的措施。首先，科研人员和开发者应当注重AI技术的实用性，确保其能够真正解决社会问题，提升人类生活质量。其次，政府和企业也应当承担起责任，加强对AI技术的监管和引导，防止其被滥用或误用。
同时，我们也强调了科普教育的重要性。提高公众对AI的认知水平是消除误解和炒作的关键。通过科普教育，我们可以让更多的人了解AI的科学本质、工作原理以及应用价值，从而更加理性地看待AI的发展。这不仅有助于消除社会对AI的恐惧和抵触情绪，还能激发更多人对AI技术的兴趣和探索精神。
AI的软件种类繁多，涵盖了多个领域和用途，为各种应用场景提供了丰富的解决方案。以下是一些常见的AI软件类型及其代表：
AI创作与设计工具, 如 Pixso AI; AI绘画工具：如Fotor AI Art Generator、boardmix AI、DALL-E 2等; AI写作工具：如Jasper AI、Sudowrite、Writesonic等。
AI视频工具：如Jurilu AI; AI音频工具：如Clone voice-CV; AI抠图工具：如Pixso中的AI抠图插件。
数学建模与科学计算软件: 如北太天元、MATLAB, 虽然北太天元和MATLAB本身是数学软件，用于算法开发、数据可视化、数据分析以及数值计算，但它也广泛应用于AI领域，特别是在机器学习、深度学习、控制设计、信号处理与通讯等方面。北太天元和MATLAB的工具箱和函数库为研究人员和工程师提供了强大的支持，使他们能够轻松地将AI集成到各种工作流程中。
生成式AI大模型工具, 如chatGPT, 文心一言。
AI的软件工具种类繁多，功能各异，为不同领域和行业提供了强大的支持和解决方案。无论是创作与设计、辅助工作、分析与优化还是数学建模与科学计算，AI软件都在发挥着越来越重要的作用。
七、结论
综上所述，AI并非玄学或超自然力量，而是基于科学原理和技术发展的产物。我们需要破除AI的神秘感，理性看待其发展和应用。通过加强科普教育、提高公众认知、推动技术创新等方式，我们可以更好地利用AI为人类服务，推动社会的进步和发展。
参考文献：
p.s. 有人问生成式AI 像西医还是像中医? 逻辑主义AI像西医还是像中医?
实际上这个问题有点陷阱, 西医和中医都在不断发展. 如果我们化验看到一个人感染了A病毒,然后使用一种药物杀死A病毒, 我觉得中医不必固守望闻问切四种检查手段,也可以使用现带的工具, 也可以使用现代的药物. 我觉得生成式AI更像早期的医学, 由于还不知道特别具体的原因, 但是一个病人抬进来, 给出一个决定总比犹豫不决不好, 于是就生成了一个药方. 由于,我对我们的中医的古代发展更了解, 下面发一些发散性的联想.
《本草纲目》是李时珍历经艰辛编纂而成的药物学巨著，它广泛收集了历代本草学著作和民间验方，对药物知识进行了全面的整理和分类。这种对知识的深耕细作，与生成式AI在训练过程中需要学习并理解大量数据以生成新知识的过程颇为相似。两者都依赖于对已有知识的深入挖掘和再创造，从而生成具有新价值的内容。
在分类体系上，《本草纲目》所采用的独特五行部类分类法，不仅体现了古代哲学思想，也极大便利了读者对于药物知识的查阅和使用。这种精细的分类体系，与生成式AI在处理数据时所需的分类和组织能力有着异曲同工之妙。无论是对于药物还是对于数据，分类都是为了更好地管理和利用知识，以便在需要时能够迅速准确地找到所需信息。
同时，在探索未知方面，《本草纲目》与生成式AI都展现了对未知领域的勇敢探索精神。李时珍在编纂过程中，不仅整理了已有的药物知识，还通过实践验证和猜测探索了许多新药方。这种对未知的探索和猜测验证的精神，与生成式AI在尝试生成新内容时的行为不谋而合。生成式AI在生成新内容时，也会结合已有的知识和模式来创造新的、可能之前不存在的信息。这种对未知的探索和创新精神，是两者共同拥有的宝贵财富。
然而，当我们被问及生成式AI更像西医还是中医时，实际上这个问题有点陷阱。因为无论是西医还是中医，它们都在不断发展和完善。中医的望闻问切与现代医学的化验、影像检查等手段并非水火不容，而是可以相辅相成。同样，生成式AI与逻辑主义AI也并非对立的两极，而是可以相互借鉴、共同发展的。
在这个快速发展的时代，我们更应该注重不同领域之间的交流与融合。就像中西医结合能够为患者提供更全面、更个性化的治疗方案一样，生成式AI与逻辑主义AI的结合也将为人工智能领域带来更多的创新和突破。生成式AI以其强大的知识生成和创新能力，可以为逻辑主义AI提供更多的数据和灵感；而逻辑主义AI则以其严谨的推理和判断能力，为生成式AI提供更准确、更可靠的指导。
因此，无论是中医还是西医，无论是生成式AI还是逻辑主义AI，它们都是人类智慧的结晶，都有其独特的价值和贡献。我们应该以开放的心态去接纳和融合不同的思想和技术，共同推动人类社会的进步和发展。在这个充满可能性的时代，让我们携手前行，共同探索未知的领域，创造更加美好的未来。
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删
技术文档
推荐好文
155-2731-8020
