智能程序设计（C语言）

C语言历史与人工智能

计算机学院    杨已彪

yangyibiao@nju.edu.cn

提纲

本次课(周三)分两部分:

  • 0-3 (本课件): C 简史与人工智能

  • 0-4 与 0-5: 变量与基本数据类型 (6 个小任务); 开发环境与 AI 工具

回顾周二

周二我们知道了:

  • 程序是计算机的灵魂, 程序 = 算法 + 数据

  • 计算机工作的流程: 输入 → 处理 → 存储 → 输出

  • 写程序 = 结构(顺序、判断、循环) + 数据 + 分解

  • 还动手写了自己的第一个程序 Hello, NJU!

今天: C 从哪里来、AI 为什么用 C; 随后在 0-4 开始写真正的程序!

C 的起源: 从 B 语言到 ANSI C

  • C 是 UNIX 的副产品: Thompson 先设计了小型语言 B (源自 BCPL)

  • 1971 年 Ritchie 扩展 B, 初名 NB("New B"), 分歧渐大后改名 C

  • 1973 年: UNIX 已可以用 C 重写, 语言足够稳定

  • 1978: Kernighan 和 Ritchie 合著《C程序设计语言》，成为事实标准

  • 1989: 正式标准化为 ANSI C (C89/C90)，后续 C99、C11

  • 影响力: 高效、灵活，广泛应用于系统编程、嵌入式系统

C 的影响: C++、Java、C#、Python

C 的影响不止于自身——看几门相关语言:

  • C++: 包括 C 的所有特性, 添加了类以支持面向对象编程

  • Java: 基于 C++, 继承了许多 C 特性

  • C#: 从 C++ 和 Java 派生

  • Python: 解释器与核心计算库大量用 C 实现 (为 C语言与人工智能 埋下伏笔)

C的特点与优点

语言谱系看完, 回到 C 本身:

  • 低层语言: 提供对机器级概念的访问 (字节和地址)

  • 小型语言: 有限的特性集合, 很大程度依赖标准函数库

  • 宽松包容: 高自由度, 不强制详细的错误检查

  • 优点: 效率高、可移植、灵活、功能强大、标准库、与 Linux 集成

C的缺点与应对

优点突出, 代价也明显:

  • 缺点: 程序容易隐藏错误、可能难以理解、可能难以维护
  • 应对:
    • 深入理解, 避开 C 语言的陷阱
    • 避免过于复杂的代码
    • 使用软件工具 (lint、调试器) 让程序更可靠
    • 采用一套合理的编码规范
    • 紧贴标准
什么是人工智能: 让机器模拟人的智能

C 的功过说完, 转到另一个主题——人工智能:

人工智能 (AI): 研究如何让计算机去模拟、延伸和扩展人的智能

  • 图灵测试: 机器能否像人一样思考? —— 用一场"模仿游戏"来判断
  • 身边的 AI: 人脸识别 · 机器翻译 · 自动驾驶 · 语音助手 (Siri/小爱同学) · 大语言模型 (GPT、DeepSeek)

图灵测试 (1950): 裁判在看不到对方的情况下, 通过文字对话分辨哪边是人、哪边是机器; 分不出来, 就认为机器表现出了智能。它把"机器能否思考"变成了可操作的行为判断——但会模仿 ≠ 真正理解, 这也是今天评价大模型时的常用视角。

人工智能简史

你们觉得 Siri 会'听懂人话'吗？背后其实是 语音识别 + 大语言模型

  • 1950: 图灵提出"机器能思考吗？"，图灵测试

  • 1956: 达特茅斯会议，"人工智能"正式诞生

  • 1980s: 专家系统

  • 2006~: 深度学习兴起

  • 2017~: Transformer 架构 → 大语言模型 (GPT、DeepSeek 等)

AI 的底层: C 与 C++

当我们用 Python 调用 AI 框架时, 发生了什么?

Python 前端
调用框架 API
→
C/C++ 引擎
算子调度 · 张量运算
→
数值内核
CPU: BLAS/OpenBLAS
GPU: CUDA 内核
→
结果返回
Python

  • TensorFlow / PyTorch 的核心引擎: C++ 实现; Python 层只负责"发号施令"

  • 数值计算最终落在: CPU 的 BLAS/LAPACK 内核 (经典实现为 Fortran, OpenBLAS 等用 C/汇编) 或 GPU 的 CUDA 内核 (以 C 语言为基础扩展)

  • TinyML (如 TensorFlow Lite for Microcontrollers): 用 C/C++ 编写、无动态内存, 跑在单片机上

C 是 AI 底层生态的通用接口

C 语言是 AI 底层生态的通用接口

  • 学 C 能理解张量 (Tensor): 连续内存 + 指针

  • 学 C 能理解矩阵运算: 二维数组 + 循环 + Cache 优化

  • 学 C 能理解内存管理: malloc / free

  • 学 C 才能看懂 PyTorch / TensorFlow 的"引擎"

上半场结束: 接下来动手写程序

接下来依次打开两份课件:

  • 0-4: 变量与基本数据类型 (5 个小任务: 年龄、温度、找零、字符)

  • 0-5: 开发环境与 AI 工具