AI Agent从无到有2:从图灵测试到具身智能的演进之路

【愚公系列】《AI Agent技术、应用与商业》002-Al Agent的发展历程 在科技迅猛发展的今天,人工智能(AI)已成为推动各行各业变革的重要力量。其中,智能代理(AI Agent)作为AI技术的一个重要分支,正逐渐走入我们的生活并改变我们的工作方式。那么,智能代理的发展历程究竟是怎样的呢?从最初的规则驱动系统到如今的深度学习与强化学习,智能代理的演变不仅反映了技术的进步,也展现了人类对智能化的不断追求。在这篇文章中,我们将带您回顾智能代理的发展历程,探讨其背后的技术突破与应用创新,以及未来可能的发展方向。让我们一起走进这个充满潜力与挑战的领域,领略智能代理如何塑造我们的未来。 阅读详情

纲要

  • 图灵测试:AI 的起点与智能标准的哲学奠基
    • 行为等价原则与实用主义范式
    • 从对话模拟到现代大语言模型的延续
  • AI 发展的六个阶段
    • 符号主义
    • 知识工程与专家系统
    • 机器学习
    • 深度学习
    • 大模型时代
    • 具身智能与 AI Agent
  • 深度学习时代的四大技术支柱
    • RNN
    • CNN
    • LSTM
    • GAN
  • Transformer 与注意力机制
    • 自注意力的计算范式
    • 并行化优势与长程依赖建模
  • 主流大模型家族对比
    • GPT 系列
    • Claude 系列
    • Gemini 系列
    • MoE 架构
  • AI Agent:定义、定位与核心工作循环
    • AI Agent 与机器人的关系
    • 最小化 Agent 实现骨架
    • 典型工程目录结构
  • 结语与展望

图灵测试:AI 的起点与智能标准

1950 年,艾伦·图灵在其开创性论文《计算机器与智能》中提出了一项影响深远的评估方法,后被称为“图灵测试”。其核心思想并非探究机器是否具备内在意识,而在于一个可观察、可验证的行为标准:若人类测试者通过纯文本对话无法可靠地区分对方是人还是机器,则该机器应被认定为具备智能。

这一命题规避了“机器能否真正思考”的哲学争论,转而锚定一个更具备操作性的工程问题——能否让机器在自然语言交互中达到与人类不可区分的水平。从这个角度来看,图灵测试为 AI 确立了一条实用主义的发展路径,我们今天所面对的 GPT‑4、Claude 等大语言模型在本质上仍是这一范式的延续。

值得注意的是,即便当前最先进的对话模型,在长时间的复杂对话中仍可能暴露出逻辑不一致、事实性幻觉或模式化回应等问题,这表明完整通过图灵测试仍是一个未竟的目标。

AI 发展的六个阶段

纵观 AI 七十年演进历程,可以归纳出六个具有里程碑意义的阶段。下图以时间线方式呈现了这一螺旋上升的技术轨迹:

1950s 符号主义萌芽 1970s 知识工程 / 专家系统 1980s 机器学习算法兴起 2000s 深度学习突破 2017 Transformer 开启大模型时代 2023+ 具身智能与 AI Agent AI 发展阶段

符号主义(1950s–1960s)

1957 年,Newell 和 Simon 提出的通用问题求解器(General Problem Solver)首次尝试用计算机模拟人类通用的逻辑推理过程。1958 年,McCarthy 发明 Lisp 语言,为符号运算提供了强有力的工具;1965 年,Robinson 提出的归结原理为自动定理证明奠定了逻辑基础。这一时期的 AI 以符号逻辑和规则匹配为核心,本质上是人工编码的知识系统,其智能水平受限于规则覆盖范围,难以处理不确定性或不完备信息。

知识工程与专家系统(1970s–1980s)

1972 年 Prolog 语言的诞生显著提升了知识表示与推理的便捷性。1976 年,Newell 和 Simon 提出的物理符号系统假说为这一方向提供了理论支撑。1980 年,Digital Equipment Corporation 部署的 R1(XCON)专家系统成功完成了计算机配置任务,证明了 AI 在垂直领域的商业价值。该阶段的核心假设是:智能来源于领域知识,专家系统因而成为主流范式。然而,知识获取的瓶颈、规则冲突的复杂性以及维护成本的高企,导致该方向在 80 年代末期进入低谷期。

机器学习时代(1980s–1990s)

1986 年,Rumelhart 等人重新推广了反向传播算法,为多层神经网络的训练提供了可行路径,这一算法至今仍是深度学习的基石。1989 年,LeCun 提出的卷积神经网络在手写数字识别上展现了早期潜力。1997 年,IBM 深蓝战胜国际象棋世界冠军 Kasparov,这是 AI 首次在复杂智力博弈中超越人类顶尖水平。此阶段标志着 AI 从规则驱动向数据驱动的根本性转变。

深度学习时代(2000s–2010s)

2006 年,Hinton 提出深度信念网络,正式拉开了深度学习革命的序幕。2012 年,AlexNet 在 ImageNet 图像识别竞赛中以显著优势夺冠,引发了 GPU 加速神经网络训练的热潮。2016 年,AlphaGo 击败李世石,证明了深度强化学习在复杂策略空间中的强大能力。深度学习的产业化进程由此全面加速。

大模型时代(2017–至今)

2017 年,Vaswani 等人提出的 Transformer 架构彻底改变了序列建模的范式,通过完全摒弃循环结构,实现了并行化训练与长程依赖的有效建模。2018 年,GPT‑1 展示了预训练语言模型的强大潜力;2022 年 ChatGPT 的发布成为技术出圈的关键节点。“预训练 + 微调”范式全面取代了传统的任务专属模型,参数规模、涌现能力与多模态融合成为技术迭代的核心指标。

从大模型到具身智能与 AI Agent

当前阶段可视为 AI 的第三次跃迁。与以往不同,这一阶段的标志性特征是 AI 开始脱离纯数字环境,通过与物理世界的交互闭环实现自主学习与动态适应。AI Agent 在这一体系中扮演“大脑”的角色,负责感知、规划、工具调用与动作执行。传统工业机械臂只能执行预编程的固定轨迹,而内置 Agent 的机器人具备环境感知与实时决策能力,能够在非结构化场景中自主调整行为。未来五至十年,这类具身智能体将逐步渗透至制造、服务、家庭等广泛场景。

深度学习时代的四大技术支柱

在大模型崛起之前,深度学习领域已发展出多种经典神经网络架构,为后续的规模扩展与能力涌现提供了理论与工程基础。

RNN(循环神经网络)

RNN 通过循环连接保留序列中的历史信息,其设计思想非常直观:当前时刻的隐状态是当前输入与上一时刻隐状态的函数。这种结构使其天然适合文本、语音、时间序列等变长序列数据的建模。

import numpy as np

class SimpleRNNCell:
    def __init__(self, input_size, hidden_size):
        self.W_x = np.random.randn(hidden_size, input_size) * 0.01
        self.W_h = np.random.randn(hidden_size, hidden_size) * 0.01
        self.b = np.zeros((hidden_size, 1))

    def forward(self, x, prev_hidden):
        # x: (input_size, 1), prev_hidden: (hidden_size, 1)
        hidden = np.tanh(np.dot(self.W_x, x) + np.dot(self.W_h, prev_hidden) + self.b)
        return hidden

CNN(卷积神经网络)

CNN 模拟了生物视觉系统的分层处理机制:底层卷积核检测边缘与纹理,高层卷积核组合为形状与语义概念。这种局部连接与权值共享的设计大幅减少了参数量,使其在图像识别、目标检测等视觉任务中表现卓越。

import numpy as np

def conv2d(input_matrix, kernel, stride=1):
    # input_matrix: (H, W), kernel: (kH, kW)
    H, W = input_matrix.shape
    kH, kW = kernel.shape
    out_H = (H - kH) // stride + 1
    out_W = (W - kW) // stride + 1
    output = np.zeros((out_H, out_W))

    for i in range(out_H):
        for j in range(out_W):
            region = input_matrix[i*stride:i*stride+kH, j*stride:j*stride+kW]
            output[i, j] = np.sum(region * kernel)
    return output

LSTM(长短期记忆网络)

LSTM 通过引入门控机制来解决 RNN 在长序列中的梯度消失问题。其核心结构包括遗忘门、输入门、输出门与细胞状态,使得网络能够有选择地保留或丢弃历史信息,适用于机器翻译、长文本生成等需要长期依赖的任务。

import numpy as np

def lstm_step(x, h_prev, c_prev, params):
    # x: (input_size, 1), h_prev: (hidden_size, 1), c_prev: (hidden_size, 1)
    W_f, W_i, W_o, W_c, b_f, b_i, b_o, b_c = params

    f = sigmoid(np.dot(W_f, np.vstack((h_prev, x))) + b_f)   # 遗忘门
    i = sigmoid(np.dot(W_i, np.vstack((h_prev, x))) + b_i)   # 输入门
    c_tilde = np.tanh(np.dot(W_c, np.vstack((h_prev, x))) + b_c)
    c = f * c_prev + i * c_tilde                              # 细胞状态更新
    o = sigmoid(np.dot(W_o, np.vstack((h_prev, x))) + b_o)   # 输出门
    h = o * np.tanh(c)

    return h, c

GAN(生成对抗网络)

GAN 由一个生成器与一个判别器构成,二者通过零和博弈的方式共同进化。生成器力图生成足以欺骗判别器的假样本,判别器则努力区分真伪。这一框架在图像生成、超分辨率、风格迁移等领域取得了令人瞩目的成果。

import numpy as np

def gan_training_step(generator, discriminator, real_batch, noise, optimizer_g, optimizer_d):
    # 训练判别器:最大化真实样本预测概率,最小化生成样本预测概率
    fake_batch = generator(noise)
    d_loss_real = -np.mean(np.log(discriminator(real_batch) + 1e-8))
    d_loss_fake = -np.mean(np.log(1 - discriminator(fake_batch) + 1e-8))
    d_loss_total = d_loss_real + d_loss_fake
    optimizer_d.update(d_loss_total)

    # 训练生成器:最大化判别器对生成样本的预测概率
    fake_batch = generator(noise)
    g_loss = -np.mean(np.log(discriminator(fake_batch) + 1e-8))
    optimizer_g.update(g_loss)

    return d_loss_total, g_loss

Transformer 与注意力机制

Transformer 架构的核心创新在于完全摒弃了 RNN 的循环结构,转而采用自注意力机制对序列中所有位置之间的依赖关系进行直接建模。这使得训练过程可以完全并行化,同时解决了长序列中的长程依赖问题。

自注意力机制的计算过程可概括为:将输入序列通过线性变换得到 Query、Key 与 Value 矩阵,然后通过 Query 与 Key 的点积计算注意力权重,最后对 Value 进行加权求和。

import numpy as np

def scaled_dot_product_attention(Q, K, V):
    # Q, K, V: (seq_len, d_k)
    d_k = Q.shape[-1]
    scores = np.matmul(Q, K.T) / np.sqrt(d_k)
    attention_weights = np.exp(scores) / np.sum(np.exp(scores), axis=-1, keepdims=True)
    output = np.matmul(attention_weights, V)
    return output, attention_weights

几乎全部现代大语言模型(GPT、Claude、Gemini 等)均基于 Transformer 或其变体构建,注意力机制已成为大规模预训练模型的通用基础组件。

主流大模型家族对比

模型系列开发商核心特点适用场景
GPT 系列OpenAI通用型能力均衡,多模态支持(GPT‑4o),代码生成与推理能力突出对话、编程、内容创作、复杂推理
Claude 系列Anthropic强调安全对齐与可控性,遵循指令的准确性高,幻觉率相对较低企业级问答、内容审核、安全敏感场景
Gemini 系列Google原生多模态设计(文本、图像、音频、视频),与 Google 生态深度集成多模态理解、搜索引擎增强、云服务集成
MoE 架构多厂商混合专家模型,推理时仅激活部分专家,兼顾性能与效率高吞吐量推理、部署成本敏感场景

AI Agent:定义、核心循环与工程实现

什么是 AI Agent

AI Agent 是一种具备自主感知、规划、工具调用与动作执行能力的智能实体。与传统的单轮对话模型不同,Agent 拥有短期与长期记忆、可扩展的工具集以及多步推理链条。用户仅需提供一个高层目标,Agent 便能够自主完成任务分解、信息检索、代码编写、API 调用等复杂工作流。

AI Agent 与机器人的关系

在具身智能的语境中,AI Agent 充当机器人的“数字大脑”。传统机器人依赖预设的固定程序,而 Agent 可通过传感器实时获取环境信息,调用视觉模型与语言模型进行联合推理,并生成运动控制序列。Agent 与双足人形机器人、机械臂等物理实体的结合,构成了新一代具身智能体的基础架构。

核心工作循环

AI Agent 的典型工作流程遵循“感知 → 规划 → 行动 → 观察”的闭环结构:

是

否

接收任务 / 感知环境

信息抽取与记忆更新

规划与推理

是否需要工具

选择并调用工具

收集工具返回结果

生成最终响应 / 执行动作

环境反馈

最小化 AI Agent 实现

以下是一个基于 Python 的极简 Agent 骨架,演示了“思考‑行动‑观察”循环的核心逻辑:

import openai

# 模拟搜索引擎工具
def search_tool(query: str) -> str:
    # 实际生产环境可接入 SerpAPI、Google Search API 等
    return f"关于 '{query}' 的搜索结果:示例结果 A,示例结果 B"

SYSTEM_PROMPT = """
你是一个智能助手,可以调用外部工具来获取信息。
如果需要搜索最新信息或查询未知知识,请输出格式:
ACTION: search(query)
否则请直接回答用户的问题。
"""

def agent_loop(user_input: str, max_steps: int = 3) -> str:
    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
    current_input = user_input
    step = 0

    while step < max_steps:
        messages.append({"role": "user", "content": current_input})
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=messages,
            temperature=0
        )["choices"][0]["message"]["content"]

        if response.startswith("ACTION:"):
            action_line = response[len("ACTION:"):].strip()
            if action_line.startswith("search"):
                query = action_line[len("search"):].strip("()")
                result = search_tool(query)
                current_input = f"工具返回结果:{result}\n请根据该信息继续回答。"
                step += 1
                continue
        # 无动作或动作执行完毕,返回最终回答
        return response

    return "经过多次尝试,未能完成任务。"

典型 Agent 项目目录结构

在实际工程中,Agent 系统通常需要将记忆管理、工具编排、提示词模板、模型调用等模块进行解耦,推荐采用以下目录结构:

agent_project/
├── agent/
│   ├── __init__.py
│   ├── core.py               # Agent 主循环与调度逻辑
│   ├── memory.py             # 短期与长期记忆管理
│   ├── tools.py              # 工具封装(搜索、代码执行、API 调用等)
│   └── prompt_templates/     # 各类提示词模板
├── models/
│   └── llm.py                # 大模型接口封装(兼容 OpenAI / Anthropic 等)
├── config/
│   └── settings.yaml         # 模型参数与工具配置
├── main.py                   # 启动入口
├── requirements.txt
└── README.md

该模块化设计便于对每个组件进行独立测试与替换,同时也为未来向边缘设备(如机器人、嵌入式系统)部署提供了良好的可移植性。

展望

从图灵测试的行为主义标准,到 Transformer 对语言建模范式的根本性重塑,再到 AI Agent 在数字与物理两个维度的同步落地,智能革命已完成了从思想实验到工程实践的完整跨越。当前正处于一个关键转折点:大语言模型提供了强大的语义理解与推理能力,Agent 框架赋予其自主决策与工具调用的执行闭环,而具身机器人则为智能体打开了物理世界的交互接口。

理解 AI Agent 的设计范式已成为大模型应用开发与机器人系统集成的基础功课。这不仅关乎技术风口的更迭,更深刻影响着人机协作的未来形态——正如图灵所构想的那样,机器正在逐步具备理解真实世界并解决实际问题的能力,而我们正处于亲手构筑这一未来的进程中。

官方文档

参考链接

总结

本文系统梳理了 AI Agent 从理论起源到工程实践的全链路技术栈,涵盖以下核心要点:

  • 图灵测试:奠定了以行为等价为标准的实用主义智能评估范式,成为后续对话系统与 LLM 的哲学基石。
  • AI 发展六阶段:从符号主义、专家系统、机器学习、深度学习、大模型到具身智能与 Agent,每一阶段的技术突破(反向传播、CNN、Transformer 等)均为当前 Agent 能力提供了累积支撑。
  • 深度学习四大支柱:
    • RNN:序列建模的基础,通过循环连接保留上下文。
    • CNN:局部连接与权值共享,适用于视觉特征提取。
    • LSTM:门控机制解决长程依赖,擅长长序列处理。
    • GAN:生成对抗博弈,用于高质量内容生成。
  • Transformer 与注意力:自注意力机制实现并行化与长程建模,是 GPT、Claude、Gemini 等现代大模型的核心架构。
  • 主流大模型对比:GPT(通用全能)、Claude(安全对齐)、Gemini(原生多模态)、MoE(混合专家,兼顾效率与效果)。
  • AI Agent 核心机制:感知 → 规划 → 工具调用 → 执行 → 反馈的闭环工作流,具备记忆、推理与工具集成的能力。
  • 工程实现要点:模块化目录结构(core、memory、tools、prompt templates、LLM 封装),以及基于 Python 的极简 Agent 循环骨架。
构建AI Agent的认知图灵测试系统 构建AI Agent的认知图灵测试系统的主要目的是评估AI Agent的认知能力,以判断其是否能像人类一样进行思考和交互。传统的图灵测试主要关注AI能否在对话中表现得像人类,而认知图灵测试系统则更侧重于评估AI Agent的认知能力,如理解复杂问题、推理、学习和适应新环境等。本系统的范围涵盖了从测试框架的设计、测试用例的生成到测试结果的评估和分析。它可以应用于各种类型的AI Agent,包括聊天机器人、智能助手、自主决策系统等。 阅读详情

相关推荐

AI Agent: AI的下一个风口 从智能体到具身智能

1. 背景介绍 1.1 人工智能简史 人工智能(Artificial Intelligence, AI) 的概念可以追溯到上世纪50年代,图灵测试的提出标志着人工智能领域的正式诞生。自此,人工智能经历了数次发展浪潮,从早期的符号主义到连接主义,再到如今的深度学习,每一次的技术突破都推动着人工智能迈向新的

AGI×大数据,开启智能时代的认知跃迁;解码AGI,赋能数据驱动的智能革命。 450

【AI演进史】从图灵测试到Agent时代:一部人工智能的跌宕七十年

繁荣与寒冬交替:每 10—15 年一个周期,当前正处于 2022 年起的繁荣期中段。路线之争决定生死:符号主义、连接主义、统计学习、深度学习,每一代范式都曾被前一代压制。算力是物理底座:从 LISP 机到 GPU 到国产芯片,谁掌握算力谁就定义时代。开放生态长存:从 LISP 开源到 PyTorch 到 GLM-5.2 MIT 协议,开放始终是技术扩散的加速器。对开发者而言,重要的不是预测未来,而是理解当下处于周期的哪个位置。

RisunJan的博客 3256

CVE-2017-7921漏洞深度解析:海康设备明文密码泄露原理与七层防御

网络摄像头安全本质上是嵌入式Web服务安全,其核心在于身份认证机制是否健全。CVE-2017-7921并非传统远程执行漏洞,而是因信任错位导致的未授权API暴露——`/Security/users/1`接口绕过Session校验,直接返回admin明文密码。该问题根植于安防设备早期‘物理隔离+前端可控’的设计假设,在P2P、云平台等新场景下全面失效。技术价值在于揭示了轻量级HTTP服务中路径级访问控制缺失的普遍风险;典型应用场景包括ONVIF协议接管、Telnet后门登录及NVR侧横向移动。本文基于DS-2

weixin_33324197的博客 404

AI发展简史:从图灵到ChatGPT5分钟看懂人工智能进化路 |AI认知启蒙篇 |第2篇

2027年的趋势是AI会变得越来越像一个"真正的助理"——你只需要说一句"帮我准备下周的客户提案",它就能自己去查资料、做分析、写初稿、排版美化,全程不需要你一步一步盯着。2026年初,OpenAI把GPT-5的迭代一路推进到了GPT-5.4,上下文窗口(你可以理解为AI一次能"记住"多少内容)扩大到了100万Token——简单说就是你可以把一整本几十万字的书丢给它,它能全部读完、记住、然后回答你的问题。也许不久的将来,AI不只是帮你写周报的工具,还可能是帮你做家务、送快递、甚至陪伴老人的"实体助手"。

乐想屋 669

新手必看:LiteRadio 2c SE遥控器从开箱到飞行的完整指南(附常见问题解答)

本文为新手提供LiteRadio 2c SE遥控器的完整使用指南,涵盖从开箱到首飞的20个关键步骤。详细介绍了遥控器的功能设置、与无人机的对频技巧以及首飞注意事项,帮助用户快速掌握飞行控制,避免常见错误。特别适合无人机初学者阅读。

weixin_29209801的博客 382

一文带你弄懂thermal governor IPA

当current temp < target temp时,使用k_pu,当current temp >= target temp时,使用k_po。如果current_temperature = switch_on_temp时,则k_p = k_pu,这时Pmax。如果current_temperature = target_temp时,则k_p = k_po,这时Pmax。2、解析dts,获得switch_on_temp和target_temp。3、初始化k_pu/k_po/k_i/k_d的常数。

yxw0609131056的博客 1248

人工智能发展简史:从图灵测试到 GPT-5

人工智能发展简史摘要 人工智能发展历经多个关键阶段:1950年代图灵提出测试标准,1956年达特茅斯会议正式确立AI学科。1980年代专家系统兴起,1997年深蓝击败国际象棋冠军。2006年深度学习元年开启,2012年AlexNet引爆深度学习革命。2017年Transformer架构问世,奠定大模型基础。2018年GPT-1和BERT相继发布,开启预训练模型时代。2020年后GPT-3、ChatGPT等大模型涌现,推动AI进入生成式新时代。从符号主义到深度学习,AI发展呈现"理论突破-技术实现-

在渔村里看AI,偶尔捕点新鲜的。 4423

避开这5个坑!用MATLAB做核密度估计时90%人会犯的错误

本文详细解析了使用MATLAB进行核密度估计时常见的5个高频错误,包括三维数据可视化、带宽参数优化、大数据量处理、核函数选择及版本兼容性问题。特别针对核密度估计中的关键参数带宽(bandwidth)提供了数据驱动的优化策略,帮助用户提升分析精度与效率。

jenkins8butler的博客 278

AI不是从天而降,它经历了七十年三起三落:通过图灵测试读懂AI

AI 早已渗透进了我们工作、生活和学习的方方面面,但你可能对它还是一无所知。前面的文章《》和《》,我们了解了 AI 的本质与局限,熟悉了 AI 的基础概念,这篇文章,我们回顾一段 AI 的历史,更进一步的了解 AI。

hAvL5Yjza的博客 274

Unity Tilemap瓦片动态缩放:保持网格尺寸不变的三种实现方案

本文详细探讨了在Unity中实现Tilemap瓦片动态缩放同时保持网格尺寸不变的三种核心方案。针对编辑器静态调整、整体风格化处理及运行时动态控制等不同场景,分别解析了直接修改瓦片属性、调整Tilemap Renderer材质参数以及使用SetTransformMatrix与Matrix4x4矩阵变换的实践方法、优缺点及选型指南,为2D游戏开发提供灵活高效的视觉与交互解决方案。

grass的博客 628

2026年寒武纪数字IC笔试试卷带答案

本文摘要: 该数字IC设计测试卷包含单选题(30分)、波形分析题(15分)、多选题(30分)三类客观题,覆盖时序约束、半导体工艺、状态机、数制转换、同步复位等核心知识点。重点考察:1)跨时钟域处理(如异步FIFO、格雷码应用);2)时序分析(建立/保持时间、时钟约束指令);3)低功耗设计技术(时钟门控、DVFS);4)寒武纪MLU架构特性(张量核、混合精度计算)。解析强调工程实践要点,如异步复位需同步释放、建立时间违例与频率的关联性等。试题难度梯度明显,既包含基础概念辨析(如Moore/Mealy状态机),

Open 224

深度解读:智能体2.0 AI Agent多推演进

Agent已经不再是冰冷的代码集合体,而是当代具有生命的数字智能体。你了解Agent的变化吗?它开始只是优化生活效率的助手,现在是重塑产业格局的商业引擎。当Agent开始理解“创造”本身的意义,究竟是人类驯化了智能,还是智能重塑了人性

月亮永悬不落,剑指巅峰 1万+

利用Python爬虫采集京东商品评论情感分析案例(含完整代码)

在电商蓬勃发展的今天,商品评论蕴含着巨大的商业价值。本文以京东商品评论为研究对象,系统介绍如何使用Python构建一个完整的评论采集与情感分析系统。文章涵盖京东反爬机制分析、动态请求模拟、评论数据解析、中文文本预处理、基于SnowNLP和深度学习的情感极性分类、以及可视化展示等完整技术链路。所有代码均基于2025-2026年最新可用接口编写,并提供可直接运行的完整源码。全文力求详实,总字数逾八千字,适合Python数据分析从业者、电商运营人员及自然语言处理初学者参考实践。目录摘要第一章 引言。

2201_76125261的博客 88

人工智能初探

数千年来,我们一直试图理解我们是如何思考的?(即仅仅少量的物质怎能感知、理解、预测和操作一个远大于自身且比自身复杂的多的世界) 人工智能(artificial intelligence),简称AI: 我们不仅试图理解智能实体,而且试图构建智能实体。 什么是人工智能? 我们沿着两个维度排列AI的八种定义: 顶部的定义关注思维过程与推理,而底部的定义却强调行为; 左侧的定义根据与人类表现的逼真度来衡量成功与否,而右侧的定义依靠一个成为“合理性”的理想的表现量来衡量。一个系统若能基于已知条件“正确运行”

zeros的博客 1277

Codex,Copilot 是什么

GitHub Copilot是什么 **GitHub Copilot** 是一款由 **GitHub** 和 **OpenAI** 合作开发的 **AI 代码辅助工具**,它基于 **OpenAI Codex 技术**,能够根据上下文自动生成代码建议,大幅提升编程效率

ZhangJiqun&191cm&85kg 6867

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

AI通过视频图灵测试,Anthropic靠安全对齐冲刺2万亿

视频图灵测试是衡量AI动态视觉理解与物理因果推理能力的关键基准,它要求模型在观看真实视频后回答超越简单描述的问题,理解运动轨迹、遮挡变换和异常事件背后的原因。相比文字对话,视频包含光照、物体交互与时间序列信息,无法靠符号匹配蒙混过关,因此被视为AI从感知走向理解的分水岭。其技术价值在于,通过时空因果表示与动态推理,模型开始看懂真实世界的运行规律,为工业质检、安防监控、视频内容结构化等场景提供了可直接调用的多模态能力。与此同时,资本市场将安全对齐视为下一代AI基础设施中最稀缺的资产,并给出更具想象力的估值锚点

weixin_29057065的博客 209

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

从大语言模型到AGI:世界模型与AI Agent的技术演进路径

人工智能正从基于统计模式的大语言模型,向具备认知与规划能力的通用人工智能演进。其核心原理在于构建能够理解物理世界运作规律的内部世界模型,并结合分层规划与推理能力,使AI从被动的内容生成转向主动的目标达成。这一技术演进催生了AI Agent等新型应用架构,它们通过整合多模态感知、任务分解与工具调用,在自动化编程、智能决策、具身机器人等场景中创造实际工程价值。当前,以世界模型和规划能力为代表的技术方向,正推动AI突破幻觉瓶颈,迈向更可靠、更通用的智能系统。

weixin_30315905的博客 517

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

人工智能---简史

—————————————————————————————————————————————————————— 写在前面:        好久不见,各位朋友们。从去年夏日的知了刚刚爬上树梢到现在相距上次发布博文已经一年有余,真的是一段相当长的时间。在此期间,非常抱歉我没有给各位及时的回复,同时也非常感谢各位仍旧能够关注,并且留下宝贵的评论以及建议。接下来的日子,计划继续加入算法,大数据等人工智能...

y-yg的博客 2691

人工智能大模型演进之路:从GPT-3到AI Agent,探索未来发展的无限可能!

文章系统介绍了人工智能背景和大模型发展历程,解析了规模定律和涌现能力等核心原理。从GPT-3到ChatGPT再到多模态大模型,展示了AI的快速演进,分析了思维链推理等能力突破及幻觉问题、架构缺陷等挑战。未来发展方向包括效率革命、多模态融合和AI Agent等。

weixin_55154866的博客 928

人工智能(AI)概述,一篇文章让你搞懂AI人工智能

《人工智能的演进与未来》摘要:人工智能从1950年图灵测试的提出,到1956年达特茅斯会议正式命名,经历了符号主义、专家系统、机器学习等发展阶段。2000年后,随着GPU算力提升和大数据积累,深度学习技术取得突破,以AlphaGo、GPT系列为代表的人工智能实现爆发式发展。如今,AI已广泛应用于自然语言处理、计算机视觉等领域,并持续向多模态方向演进。文中还介绍了ImageNet数据集、英伟达GPU等关键技术突破对AI发展的推动作用,以及DeepSeek等新兴AI企业的创新发展。文章最后提供了AI学习资源包信

2401_84204207的博客 1855

人工智能定义

——参考文献《人工智能:一种现代的方法》   在学习人工智能(aritificial intelligence)的时候,首先要考虑,什么是智能。 人类的智能,即我们在试图理解人是如何思考的。是通过模型吗?又是什么样的模型?如何建立的呢? 人类智能的存在,使我们可以通过少量的物质,感知、理解、预测和操控一个远大于自身且比自身复杂的多的世界。 而人工智能发展的起因,个人理解为是为了辅助人类认...

swift_life的博客 1万+

深度解读:智能体2.0 AI Agent多推演进_ai agent 2.0

Prompt模式就是把大模型当做工具来调用。大模型最初兴起时,Prompt工程把大模型当成一种编程语言来看待。人们通过描述角色技能、任务关键词、任务目标以及背景,来让大模型生成对应的文本格式Prompt工程的万能公式:角色+角色技能+任务核心关键词+任务目标+任务背景+任务范围+任务解决与否判定+任务条件+输出格式/输出数量。

HUANGXIN9898的博客 1034

AI 是如何火起来的?——从图灵测试到大模型时代的完整脉络

回顾历史,AI 经历了三次浪潮、两次寒冬,为什么偏偏在 2022 年底之后真正“火”起来了?第一,算法突破。Transformer 架构和“预训练+微调”范式的成熟,让大规模语言模型成为可能。模型规模越大、数据越多,能力越强,而且这种“规模效应”在达到某个临界点后会出现质变——这就是所谓的“涌现能力”。第二,算力爆发。GPU、TPU 等专用芯片的飞速发展,加上云计算基础设施的完善,让训练千亿级参数的大模型成为可能。虽然训练成本高昂,但头部玩家已经能够承受。第三,数据红利。

斌味代码的博客 225
上一篇: AI Agent从无到有1:核心概念、主流框架与系统化学习路径
下一篇: AI Agent从无到有3:智能体核心架构与工程范式解析
Wang's Blog
博客等级 码龄12年 7440粉丝 2427原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值