[版权申明] 非商业目的注明出处可自由转载 出自：shusheng007
AI技术概述与发展趋势
AI的概念与核心技术
人工智能（AI）是通过计算机系统模拟人类智能行为的技术集合，其核心包括机器学习（ML）、深度学习（DL）、自然语言处理（NLP）、计算机视觉（CV）等领域。近年来，生成式AI（如GPT系列、Stable Diffusion）和多模态模型（如DALL·E、Gemini）的突破，使得AI能够生成文本、图像、语音甚至视频内容，极大拓展了应用场景。
例如，生成式AI通过预训练模型（如ChatGPT）实现了通用化能力，开发者无需深入机器学习理论即可调用其API完成复杂任务。这一特性使得AI成为“平民化”开发工具，加速了企业智能化转型。
AI的未来发展方向
下面是ChatGpt给出的预测：
1. 自主智能与智能代理
未来的AI将从“工具”向“自主代理”转变，这类系统能够独立规划任务、执行多步骤操作，从而在办公自动化、软件工程、客户服务等领域发挥巨大作用。业内普遍认为，AI代理是生成式AI下一个重要的应用方向
2. 多模态与超个性化
随着技术的进步，AI正逐步打破仅处理单一数据类型的局限。多模态模型将整合文本、图像、语音、视频等多种信息，使人机交互更加自然、智能；同时，超个性化技术将帮助企业提供更加定制化的服务，满足个体需求
3. 边缘智能与低功耗部署
为了应对实时性和成本的挑战，未来AI将更多地向边缘设备延伸，实现在手机、物联网设备甚至家居产品上高效、低延迟的运算，从而推动普及与应用
4. 量子人工智能与新算法突破
量子计算的引入有望极大提升AI在复杂问题求解上的能力。此外，结合强化学习、混合专家模型（MoE）等新算法的不断突破，将使AI在推理和创造性任务上获得更大进步
5. 安全、伦理与治理
随着AI技术影响范围的扩大，其潜在的风险与伦理问题日益受到关注。未来的发展方向中，将建立更完善的监管框架、伦理标准和安全措施，以确保AI在造福社会的同时不会带来负面影响
6. 跨行业深度融合与应用创新
AI技术将进一步渗透到医疗、金融、法律、制造业、自动驾驶等各个领域，通过与传统产业的深度融合，推动产业升级和商业模式创新
AI主流开发生态
说起这个，还的首推人家Python，这几年绝对是当红炸子鸡。我个人认为这货这么火，主要是得益于其长期积累的包罗万象的工具库，跟着出了很多杀手级的框架，例如：PyTorch/TensorFlow/LangChain/LlamaIndex...
不过Java也是有机会的，毕竟其在企业级应用领域还是扛把子的存在，那企业服务要集成AI自然而然的也会想到Java。无论如何啊，我们讲的都是在应用层，而且行业的概念都是相通的，如果java实在是没有机会转到Python也会很顺利
核心概念
首先声明，这些概念背后都有着非常复杂和高深的领域知识，这里只是做了一些浅薄的讲解，目的是为了能从应用层面来更好的使用他们，还有一点就是，本人也是二把刀，也是在不断地学习中...
AI模型（Model）
模型可以简单理解为是一个魔盒，你揭开盖子放进入一块石头，等一会再打开拿出来有可能就变成一块金子了。如果用数学的概念来说，模型就是一个功能特别强大的函数，你给它一个input，它还你一个output。
我们现在接触比较多的有:
Large Language Model (LLM）, 大语言模型。例如Chat-GPT, deepseek等
Image Generation Model，图形生成模型。
Embedding Moel。 用于将文本，图形等等转化为向量（vector）的模型
...
Prompts
上面提到AI模型就是一个魔盒，你放入一个东西它就会产出一个东西。那个这个Prompts就是解决放入的是什么，以什么方式放的问题。例如同样是一块石头，你竖着放魔盒给你一块金子，你横着放魔盒给你一泡屎...
这块大家应该花时间学习一下，虽然模型在朝着自然语言交互的方向不断进化，但是你提问的方式至始至终都会很重要。这就像你平时与人交流，如何提高交流的效率怎么重视都不为过。
Embeddings
简单来说，它是一float数组，例[0.638, 0.795, -0.994,...] ，也叫vector(向量) 。那这个数组怎么生成的呢？它就是通过我们前面说的`beddings Model` , 你把一段文本，图片，音视频什么就给你生一个vector。 vector有一个特别重要的信息就是维度（dimension），数组的长度就是维度。例如OpenAi的Embedding模型生成ector的维度就是1536
那至于是怎么生成的那道道就多了，有各种算法，我也不太懂。这里有一篇扫盲的文章讲的特别好，推荐阅读：primer-llm-embedding
，有兴趣的或者工作学习中遇到了再深入学习。
对于我们来说，Embedding主要用在 Retrieval Augmented Generation (RAG)的情景中。当文本转化为Vector后，就可以进行语义查找了，而不是全文比较查找了。例如"I love cuihuaNiu forever"转化为Vector后变为[0.333,0.9455,0.2234,0.13334，...]，当我们查询cuihuaNiu的信息时，就可以先将cuihuaNiu转化为Vector，然后进行语义查询，查询到以后再转化为文本。
Token
Token是大语言模型处理文本时的最小语义单元，目前大模型收费都是基于Token的，输入输出都收费，输出费用更高。Token是经过相关算法划分的，例如BPE（Byte-Pair Encoding）与WordPiece（BERT采用）。
一个token的表现形式有很多，例如：模型是一个token，我是一个token，一个。 是一个token...
每种大模型的语义窗口是不一样的，有的竟然能达到丧心病狂的100万token。也就是说100万token以内的语义它都能记住，你在开头说王二狗喜欢吃煎饼果子，中间输入了一本小说，然后末尾你再问他王二狗喜欢吃啥，它还记得！
我们需要知道中英文Token换算比例：
Tool Calling
这是一个极其强大的功能！！！
如果你让DeepSeek帮你在丑团上定个外卖，Deepseek需要做什么呢？首先你的告诉他你要吃啥，送到哪里，然后调用丑团外卖服务平台来完成下单。 调用丑团外卖服务下单这个过程就是Tool Calling。
AI竟然会使用工具了？要知道人与动物最大的区别是人会使用工具！现在AI会使用工具了，那人类离被奴役的日子还远吗？如果现在不采取措施，以后最好的结局也许就是一部分命硬的被圈养在野生自然保护区内... 希望人类的未来是光明的。
SpringAI Tool Calling 如下图所示：
多说一句，这个功能需要大模型去支持，有的大模型不支持。
Retrieval Augmented Generation（RAG）
这又是一个比较重量级的功能，特别是在企业应用中
首先，大语言模型训练所使用的数据是有截止日期的，此日期后产生的数据它是不知道的。其次训练的数据集也是有限的，例如你在8岁那年偷看隔壁李寡妇洗澡这件事只要没出现在互联网上，大模型是铁定不知道的，有人问它的时候它会一脸茫然。每个企业都有自己的私有数据，俗称数据资产，所以说AI要想在企业级应用中发挥作用，必须能利用这些私有数据。
目前有两个方式：
使用企业的私有数据对现有模型进行训练
在调用时将企业的私有数据提供给模型
二者结合
其中第二种就是我们这里谈论的Retrieval Augmented Generation（RAG）。
SpringAI的Retrieval Augmented Generation流程图如下
总体来说RAG是比较复杂的，但是只要明白它的目标和策略，剩下的都是战术。
目标：在请求时将Context数据与问题一起提交给大模型，让大模型可以基于你提供的Context数据来回答问题。
策略：先将数据处理好，然后存起来，请求时再查出来。如图所示，整个RAG分两步。
等到我们单门讲RAG时再详谈。
SpringAI简介
OenAI，DeepSeek等开发出了GPT大模型，这些通用大语言模型瞬间颠覆了人类以往的认知，所以各行各业都想利用他们产生价值。于是这些大模型厂商开始对外提供服务，最常见的就是以API的形式。所以说对于我们来说，AI开发和调用第三方服务的API没有啥区别，例如下面是DeepSeek的API
调用deepseek-r1模型API：
curl --location 'https://api.deepseek.com/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: ••••••' \
--data '{
"model": "deepseek-reasoner",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "小孩不爱写作业怎么办？"
}
],
"stream": false
}'可见其就是个HTTPS的Post请求，我将其设定为一个助手（You are a helpful assistant），然后问他"小孩不爱写作业怎么办？"。回答如下：
`{
"id": "5c2bcfcd-fb92-401f-a47b-cfbe2d7a3de3",
"object": "chat.completion",
"created": 1743340773,
"model": "deepseek-reasoner",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "孩子不爱写作业是许多家长面临的挑战，以下是分步解决方案，帮助您有针对性地引导孩子...",
"reasoning_content": "嗯，用户问的是小孩不爱写作业怎么办，这个问题挺常见的。..."
},
"logprobs": null,
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 17,
"completion_tokens": 909,
"total_tokens": 926,
"prompt_tokens_details": {
"cached_tokens": 0
},
"completion_tokens_details": {
"reasoning_tokens": 332
},
"prompt_cache_hit_tokens": 0,
"prompt_cache_miss_tokens": 17
},
"system_fingerprint": "fp_5417b77867_prod0225"
}
由于我使用的是deepseek-r1推理模型，所以返回值里面有"reasoning_content"这个属性。使用deepseek-v3也差不多，就是在request时换个模型名称，然后response中没有推理相关的属性了
request
curl --location 'https://api.deepseek.com/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: ••••••' \
--header 'Cookie: HWWAFSESID=f10421b478ccdf4acce; HWWAFSESTIME=1742911657329' \
--data '{
"model": "deepseek-chat",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "小孩不爱写作业怎么办？"
}
],
"stream": false
}'response：
{
"id": "5e509db2-d841-4570-952c-478273fe1ad9",
"object": "chat.completion",
"created": 1742912114,
"model": "deepseek-chat",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "孩子不爱写作业是许多家长面临的常见问题，但通过理解原因、耐心引导和建立合适的习。"
},
"logprobs": null,
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 15,
"completion_tokens": 666,
"total_tokens": 681,
"prompt_tokens_details": {
"cached_tokens": 0
},
"prompt_cache_hit_tokens": 0,
"prompt_cache_miss_tokens": 15
},
"system_fingerprint": "fp_3d5141a69a_prod0225"
}如上可见，就是简单的API调用。但是要将其集成到现有的服务中却需要解决大量的问题，例如如何实现Tool calling， 如何实现RAG，如何实现聊天的memory，如何切换不同的模型等等问题
SpringAI的愿景就是要将这些繁杂的步骤抽象成一套标准流程，屏蔽掉其中的细节，进而协助我们对现有服务高效的实现AI赋能。
总结
本篇介绍了AI的基础概念，下篇开始实践，敬请关注
源码
一如既往，你可以在Github上找到相应的源码：