Applications of artificial intelligence

欢迎来到 AI 的世界！

你好！今天我们要探索计算机科学中最令人兴奋的领域之一：人工智能（AI）的应用。别担心，这听起来可能像科幻小说，但我们会将其拆解成简单、贴近现实的概念。读完这些笔记后，你将了解电脑如何从大数据（Big Data）中“学习”，以及机器学习（Machine Learning）如何帮助它们像人类一样（嗯，几乎！）做出决定。让我们开始吧！

1. 基础：大数据 (Big Data)

在 AI 变得聪明之前，它需要大量信息，我们称之为大数据。你可以把大数据想象成一座规模庞大且扩张速度极快、人类根本读不完的图书馆。从技术层面来说，大数据是指那些规模太大或太复杂，传统数据处理软件无法处理的数据集。

大数据的三个 V (The Three Vs)

要判断某个事物是否属于“大数据”，我们可以观察三个 V。这里有一个简单的记忆方法：

1. 容量 (Volume)：指数据的总量。我们说的不是几 GB，而是 TB 或 PB 等级的数据。
类比：如果一般数据集是一桶水，大数据的“容量”就是整片海洋。

2. 速度 (Velocity)：指数据产生和处理的速度。
例子：想想 Twitter (X)。每秒钟都有成千上万条推文发布。数据正源源不断地“串流”进来。

3. 多样性 (Variety)：指数据呈现多种不同的格式，而不仅仅是电子表格中整齐的行列。它包含视频、电邮、传感器数据和语音记录等。
记忆小撇步：想象一个“综艺节目”——里面有歌手、舞者和喜剧演员。大数据同样包含照片、文字和声音。

快速复习：为什么我们要在乎？

传统数据库（如带有表格和键值的关系型数据库）在处理大数据时会遇到困难，因为它们并非为处理如此庞大的多样性或速度而设计。然而，AI 系统却能利用这些特性蓬勃发展！

重点摘要： 大数据由庞大的容量、高速的速度和广泛的多样性定义。它是推动 AI 的“燃料”。

2. 机器学习 (Machine Learning, ML)

机器学习是 AI 的一个子集。程序员不需要编写成千上万条“如果-那么”(If-Then) 的规则，而是让电脑利用算法 (Algorithms) 从数据中找出规律并自行制定规则。它从经验中“学习”。

考试中你需要知道两种主要的机器学习方式：

A. 监督式学习 (Supervised Learning)

在监督式学习中，电脑会接收“已标记 (Labeled)”的数据。这意味着电脑同时看到了输入信息和正确答案。
例子：你向电脑展示 1,000 张猫的图片和 1,000 张狗的图片，并告诉它哪些是猫，哪些是狗。最终，当你展示一张新图片时，它就能自行识别出猫的特征。

类比： 这就像学生跟随老师学习，老师会检查作业并提供标准答案。

B. 非监督式学习 (Unsupervised Learning)

在非监督式学习中，电脑接收到的数据没有标签也没有答案。它必须自行找出规律，并根据相似性将数据分组。
例子：你给电脑成千上万名超市顾客的购物数据。它可能会注意到一组人买了很多婴儿奶粉和尿布，而另一组人买了很多高级芝士和红酒。它在没有预设目标的情况下，自动将顾客“聚类 (Clusters)”分成不同类别。

类比： 这就像一个幼儿在玩形状积木时，自然地将圆形的放在一堆，正方形的放在另一堆。

避免常见错误：

别搞混这两者！只要记住：监督式 = 有老师/有标签。非监督式 = 没有老师/自行寻找隐藏规律。

重点摘要： 机器学习让电脑通过识别规律来提升任务表现。监督式使用已标记数据，而非监督式则在未标记数据中自行建立结构。

3. 人工神经网络 (Artificial Neural Networks, ANN)

这听起来很复杂，但别担心！人工神经网络只是一种模拟人脑运作方式的软件。它由多层“神经元”（实际上就是数学函数）组成。

神经网络的结构

一个 ANN 通常包含三个主要部分：

1. 输入层 (Input Layer)：原始数据进入系统的地方（例如图片的像素）。
2. 隐藏层 (Hidden Layers)：进行“思考”的地方。可以有多个隐藏层，它们通过对数据应用权重 (Weights) 来处理信息。
3. 输出层 (Output Layer)：最终的结果或预测（例如“这张图片有 98% 的几率是猫”）。

它们如何学习？（权重与阈值）

神经元之间的每个连接都有一个权重。权重就是一个数字，用来告诉网络该特定信息的重要性。在训练过程中，如果网络犯了错，它会稍微调整这些权重，直到得出正确答案。这个过程称为训练 (Training)。

你知道吗？ 这就是 Siri 或 Alexa 等语音助手理解你的方式！它们利用神经网络将你声音的声波转化为文字，然后再转化为指令。

重点摘要： 神经网络利用输入层、隐藏层和输出层来模拟大脑。它们使用权重来确定数据的重要性，并通过训练不断进步。

4. AI 的现实应用

了解了“原理”后，让我们看看“应用”。在考试中，你可能会被要求讨论这些应用：

1. 医疗保健：AI 分析医学影像（如 X 光片）的速度比人类快得多，能更早发现癌症等疾病迹象。这使用了监督式学习和神经网络。
2. 金融：银行利用 AI 来检测欺诈行为。如果你突然在另一个国家花费了 5,000 美元，AI 会注意到这个规律不符合你平时的消费容量或多样性，并将其标记为异常。
3. 自动驾驶车辆：自动驾驶汽车利用来自传感器的大数据（速度）和神经网络，即时识别停车标志、行人和其它车辆。

最后快速复习箱

- 大数据： 高容量、高速度、高多样性。
- 机器学习： 监督式（有标签）vs 非监督式（无标签）。
- 神经网络： 输入层 → 隐藏层 → 输出层；使用权重。
- AI 目标： 执行通常需要人类智慧才能完成的任务。

恭喜你读完这一章！如果神经网络背后的数学看起来有点神秘，别担心——在 AS Level 阶段，最重要的是理解这些概念、3 个 V 以及学习类型。你一定行的！