WaytoAGI 背后使用的知识库模型算法是哪家的

在 WaytoAGI.com 网站，新增了智能对话功能，您可以在首页输入 AI 相关问题，系统会迅速提供答案要点和参考文章。在导航目录下，还能看到别人在问的 AI 问题。该功能的上线离不开飞书 Aily 团队的支持。

WaytoAGI 是由一群热爱 AI 的狂热爱好者、专家共同建设的开源 AI 知识库。它诞生于 2023 年 4 月 26 日，在没有任何推广的情况下，一年时间已有超过 70 万用户和超千万次的访问量。 其知识库内容丰富，覆盖 AI 绘画、AI 视频、AI 智能体等多个版块，不仅有最新的 AI 教程、工具和一线实战案例，还有开放共享的 AI 知识体系，倡导共学共创等形式，孵化了如 AI 春晚、离谱村等大型共创项目。 WaytoAGI 不仅是一个普通的 AI 技术社区，更是一个汇聚 AI 行业顶尖创作者和 KOL 的思想交流平台，社区制作的优质作品多次登上央视首页，广受好评。社群的口号是“让更多的人因 AI 而强大”，有很多学社和共学共建的活动。您打开“waytoagi.com”就可以找到社群。

WaytoAGI 是一个 AI 开源社区。在短短一年间，靠着口口相传拥有高达数千万的访问量。其知识库涵盖了 AI 领域的最新进展、教程、工具和一线实战案例，引领并推广开放共享的知识体系，倡导共学共创等形式，孵化了 AI 春晚、离谱村等大型共创项目。 WaytoAGI 不仅是一个普通的技术社区，更是一个汇聚行业顶尖创作者和 KOL 的思想交流平台，社区制作的优质作品多次登上央视首页，广受好评。 WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库，目前知识库的内容覆盖：AI 绘画、AI 视频、AI 智能体、AI 3D 等多个版块，包含赛事和活动促进大家动手实践。 离谱村是由 WaytoAGI 孵化的千人共创项目，让大家学习和接触 AI 更容易、更感兴趣。这里的参与者不分年龄层，一起脑洞和创意，都可以通过 AI 工具快速简单地创作出各种各样的作品。 “通往 AGI 之路「WaytoAGI」是一个由开发者、学者和有志人士等等参与的学习社区和开源的 AI 知识库。在这里，每个人既是知识的消费者，也是知识的创作者。它不仅是一个知识库，更是连接学习者、实践者和创新者的社区，让大家在这里碰撞思想，相互鼓舞，一同成长。

waytoagi 的知识库问答是基于 RAG 机制实现的。具体步骤如下： 1. 创建一个包含大量社区 AI 相关文章和资料的知识库，例如创建有关 AI 启蒙和信息来源的知识库，并通过手工录入的方式上传栏目的所有文章内容，然后陆续将社区其他板块的文章和资料导入到知识库中。 2. 在设计 Bot 时，添加这个知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，尽可能好地利用知识库返回的内容进行结合回答。 RAG 机制，全称为“检索增强生成”（RetrievalAugmented Generation），是一种用于自然语言处理的技术。它结合了检索和生成两种主要的人工智能技术，以提高机器对话和信息处理的能力。简单来说，RAG 机制先从一个大型的数据集中找到与当前问题相关的信息（检索），然后使用这些检索到的信息来帮助生成更准确、更相关的回答（生成）。可以把它想象成这样一个场景：当问一个很复杂的问题时，RAG 机制先去一个巨大的图书馆里找到所有相关的书籍，然后基于这些书籍中的信息来给出详细的回答。这种方法让机器在处理信息时更加精确，因为它结合了大量的背景信息和先进的语言模型的能力，使得生成的内容不仅依赖于模型本身的知识，还融入了具体、相关的外部信息，这对于提升对话 AI 的理解力和回答质量非常有帮助。

WaytoAGI 网站是一个在 AI 领域为用户提供多种功能和服务的平台，具有以下特点： 1. 和 AI 知识库对话：用户可以在此询问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，方便用户按需求找到适合的工具。 3. AI 提示词：集合了精选的提示词，可复制到 AI 对话网站使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 WaytoAGI 网站和 WaytoAGI 知识库相互关联又各自独立，旨在成为用户学习 AI 路上的好助手。它不仅是一个知识库，还是连接学习者、实践者和创新者的社区，让大家在这里碰撞思想，相互鼓舞，一同成长。 此外，它还有以下相关信息： 社区小伙伴写的介绍： 公众号：通往 AGI 之路 内置知识库 AI 助手 ，以视频普及 AI 知识 ，及时传递 AI 消息 ，知识库精选内容同步

WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库。其内容覆盖 AI 绘画、AI 视频、AI 智能体、AI 3D 等多个版块，包含赛事和活动促进大家动手实践，访问量超千万，展示了大家对 AI 的热情。 在这个知识库中，还有由其孵化的离谱村，这是一个千人共创项目，让大家学习和接触 AI 更容易、更感兴趣，参与者不分年龄层，都能通过 AI 工具创作作品。 此外，由于整个知识库内容庞大，新用户难以快速找到所需内容，传统搜索方式存在局限，所以需要采用更先进的 RAG 技术，并搭建问答机器人，在群中提供更便捷的信息检索方式。 如果您无法访问其内容，可能是网络问题、权限问题或其他技术故障，建议您检查网络连接，确认是否有相应的访问权限，或者稍后再试。

以下是一些可以建立知识库的 AI 工具和平台： 1. 飞书软件：例如“通往 AGI 之路”，您可以在飞书大群中与机器人对话获取对应的资料。 2. Coze：在“大圣：胎教级教程：万字长文带你使用 Coze 打造企业级知识库”中有相关介绍。 3. Mem：如 https://get.mem.ai/ ，它可以保存组织中每次会议的记录，并在人们开始新项目时主动建议相关的决策、项目或人员，节省时间。 4. GPT：通过 OpenAI 的 embedding API 解决方案，可以搭建基于 GPT API 的定制化知识库，但需要注意其免费版 ChatGPT 一次交互的容量限制。

以下是基于产品知识库构建智能问答助手的详细步骤： 创建知识库： 1. 以外贸大师产品的帮助文档为例进行演示。 帮助文档地址： 选择其中一个文档，如来创建知识库。 点击创建知识库。 从知识库中添加知识单元。 为了更好的检索效果，使用 Local doucuments 的方式，上传 Markdown 格式文档。首先查看文档数据格式，每个问题使用作为开头（这是 Markdown 的语法）。准备开始上传文件，至此，一个完整的知识库构建完成。 创建数据库存储用户的问答： 1. 2024.06.05 更新，对数据库不太了解的小伙伴，可以阅读。 2. 首先创建一个机器人：外贸大师产品资料问答机器人，进入到 Bot 的开发和预览页面。 3. 由于需求中需要记录下用户的问题和机器人的回答，方便进行统计用户最关心的问题然后进行优化，所以这个需求依赖数据库，将用户的每一次提问都保存到数据库中。 创建数据库。 定义数据库。 场景概述： 现代产品更新换代速度快，用户在使用产品时经常会有疑问，而且新产品的上市会伴随大量的信息和数据。利用 RAG 检索增强生成框架，能够将这些零散的信息整合成一个知识库。通过这个知识库，用户能够快速获得到需要问题的答案，极大地提升了用户体验，让用户不必再翻看厚重的说明书或漫无边际地搜索网络，省时又省力。 特别需要注意的是：文档的分片策略会严重影响查询的结果，这是当前 RAG 自身的方案原理导致的。

搭建 COZE 智能体工作流通常分为以下步骤： 1. 规划： 制定任务的关键方法。 总结任务目标与执行形式。 将任务分解为可管理的子任务，确立逻辑顺序和依赖关系。 设计每个子任务的执行方法。 2. 实施： 在 Coze 上搭建工作流框架，设定每个节点的逻辑关系。 详细配置子任务节点，并验证每个子任务的可用性。 3. 完善： 整体试运行 Agent，识别功能和性能的卡点。 通过反复测试和迭代，优化至达到预期水平。 此外，在搭建整理入库工作流时，首先新建工作流「url2table」，然后根据弹窗要求自定义工作流信息，并进行工作流全局流程设置。但关于调试飞书多维表格插件的使用方式，由于篇幅原因不在此详述。

以下是关于本地知识库系统如何利用大语言模型的相关内容： 一、部署大语言模型 1. 下载并安装 Ollama 根据电脑系统，从 https://ollama.com/download 下载 Ollama。 下载完成后，双击打开，点击“Install”。 安装完成后，将 http://127.0.0.1:11434/ 复制进浏览器，若出现相关字样则表示安装完成。 2. 下载 qwen2:0.5b 模型（0.5b 方便测试，设备充足可下载更大模型） Windows 电脑：点击 win+R，输入 cmd 点击回车。 Mac 电脑：按下 Command（⌘）+ Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，选择“终端”应用程序。 复制相关命令行并粘贴回车，等待自动下载完成。（下载久了若卡住，鼠标点击窗口，键盘点空格可刷新） 二、了解 RAG 利用大模型的能力搭建知识库是 RAG 技术的应用。在进行本地知识库搭建实操前，需对 RAG 有大概了解。大模型训练数据有截止日期，当需要依靠不在训练集中的数据时，主要通过检索增强生成 RAG 实现。RAG 应用可抽象为 5 个过程： 1. 文档加载：从多种来源加载文档，LangChain 提供 100 多种不同的文档加载器，包括 PDF 等非结构化数据、SQL 等结构化数据以及代码等。 2. 文本分割：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或“文档片”。 3. 存储：涉及将切分好的文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 4. 检索：通过某种检索算法找到与输入问题相似的嵌入片。 三、通过 Open WebUI 使用大模型 1. 首先访问相关网址，打开页面时使用邮箱注册账号。 2. Open WebUI 一般有两种使用方式： 聊天对话。 RAG 能力，可让模型根据文档内容回答问题，这是构建知识库的基础之一。 3. ChatGPT 访问速度快、回答效果好的原因： 快：GPT 大模型部署的服务器配置高。 好：GPT 大模型的训练参数多、数据更优以及训练算法更好。

利用人工智能技术搭建知识库系统可以参考以下内容： 大圣的相关文章：大圣致力于使用 AI 技术将自己打造为超级个体的程序员。其文章如也是以 AI 时代的知识库作为例子进行了讲解。 知识管理体系：知识管理体系是一套流程、工具和策略的组合，用于系统地管理个人或组织的知识资产。它包括但不限于收集信息、整理知识、分享经验、促进学习和创新。一个有效的知识管理体系通常包括以下几个关键组成部分： 知识的捕捉：收集个人或组织在日常工作和学习中产生的知识和信息。 知识的组织：通过分类、标签和索引等方式，使知识易于访问和检索。 知识的分享：促进知识在个人或组织内部的流动，增加协作和创新的机会。 知识的应用：确保知识被有效利用，以支持决策制定、问题解决和新知识的创造。 专家系统：符号人工智能的早期成就之一是专家系统——为充当某个有限问题领域的专家而设计的计算机系统。它们基于从一个或多个人类专家那里提取的知识库，并包含一个推理引擎，在此基础上进行推理。专家系统就像人类的推理系统一样，包含短期记忆和长期记忆。同样，在以知识为基础的系统中，会区分以下几个部分： 问题记忆：包含与当前要解决的问题有关的知识，如病人的体温或血压、是否有炎症等。这种知识也被称为静态知识，因为它包含了快照信息，记录着我们在当前状态下对问题的了解——即所谓的问题状态。 知识库：代表某个问题领域的长期知识。它是从人类专家那里人工提取的，不会因外部的咨询而改变。由于它允许我们从一个问题状态前往另一个问题状态，因此也被称为动态知识。 推理引擎：协调在问题状态空间中搜索的整个过程，必要时向用户提问。它还负责找到适用于每个状态的正确规则。例如，下面这个专家系统是根据动物的物理特征来判断动物的。

目前国内有多家企业在智能驾驶领域表现出色，但很难确切地说哪家是最好的。一些在智能驾驶方面具有较强实力和影响力的企业包括百度、华为、小鹏汽车、蔚来汽车等。这些企业在技术研发、实际应用和市场表现等方面都各有优势和特点。百度在自动驾驶技术的研发和测试方面投入较大，并取得了一定的成果；华为凭借其在通信和技术领域的积累，为智能驾驶提供了相关的解决方案；小鹏汽车和蔚来汽车等新兴造车势力也在智能驾驶的功能和体验上不断创新和优化。然而，智能驾驶技术仍在不断发展和演进，各企业的表现也会随着时间和市场的变化而有所不同。

目前常见的基础大模型包括： Fooocus 程序默认用到了 3 个 SDXL 的模型，分别是一个 base，一个 Refiner，和一个 LoRA。其大模型（base 和 Refiner）默认放在：Fooocus_win64_1110\\Fooocus\\models\\checkpoints；LoRA 模型默认放在：Fooocus_win64_1110\\Fooocus\\models\\loras。如果单独安装，需要下载三个模型：SDXL 基础模型：https://huggingface.co/stabilityai/stablediffusionxlbase1.0/resolve/main/sd_xl_base_1.0_0.9vae.safetensors；refiner 模型：https://huggingface.co/stabilityai/stablediffusionxlrefiner1.0/resolve/main/sd_xl_refiner_1.0_0.9vae.safetensors；LoRA 模型：https://huggingface.co/stabilityai/stablediffusionxlbase1.0/resolve/main/sd_xl_offset_examplelora_1.0.safetensors。如果部署了 SD 秋叶包，也可以共用模型（大模型和 LoRA），可在 Fooocus_win64_1110\\Fooocus\\modules\\path.py 中修改路径为秋叶包模型对应的路径。配置好后点击 run.bat 文件启动。 在大型语言模型方面，主要有以下几家：OpenAI 制作了 GPT3.5 和 GPT4，它们驱动了 ChatGPT 和微软的 Bing（在 Edge 浏览器上访问）；Google 在 Bard 的标签品牌下有各种模型；Anthropic 制造了 Claude 和 Claude 2。 每个微调工作都从一个默认为 curie 的基本模型开始，模型可以是 ada、babbage、curie 或 davinci。您可以使用 OpenAI CLI 开始微调工作，具体操作及相关注意事项如上述说明。

以下是关于 AI 浏览器的相关信息： 最佳免费选项：必应（https://www.bing.com/search?q=Bing+AI&showconv=1&FORM=hpcodx）。通常来说，付费选项中必应也是较好的。 对于儿童，来自可汗学院的 Khanmigo（https://www.khanacademy.org/khanlabs）提供由 GPT4 驱动的良好的人工智能驱动辅导。 需注意，如果打算使用人工智能作为搜索引擎，存在幻觉风险，大多数人工智能未连接到互联网。不过根据最近的一项试点研究，在某些情况下，如技术支持、决定在哪里吃饭或获得建议，必应通常比谷歌更好。 360AI 浏览器：用户浏览提效需求迫切，希望浏览器能够把深度文件、长视频自动看一遍，总结核心要点和高潮片段，从而实现学习工作效率提升。今年浏览器的很多功能被 APP 取代，要赋予浏览器新的概念，将其变成学习工具。官网地址：ai.se.360.cn

以下是一些常见的大模型及其版本： PCITransGPT 佳都科技小范围内测 API 版本。 ChineseAlpaca213B，由 yiming cui（个人开发者）开发，是个人开源的基于 Llama2 的汉化版中文模型。 360GPT_Pro 是 360 智脑的 API 升级版本 Pro。 Llama_2_13B_Chat 是 Meta 官方开源的 2 代 13B 的 Chat 版本。 此外，还有： 百川 2 大模型中的 Baichuan27BChat 版本。 360 安全大模型目前发展到 3.0 初级版本，只依赖大模型本身的能力，用于攻击事件的检测和发现，在恶意流量分析和恶意邮件检测效果方面全面超越 GPT 4。

出门问问是一家在交互问诊式 AI 领域表现出色的公司。它以生成式 AI 和语音交互为核心，为全球多个国家和地区提供 AI 智能硬件、AI 政企服务，以及面向创作者的 AIGC 工具。公司致力于打造国际领先的通用大模型，通过 AI 技术、产品及商业化三位一体发展，成为全球 AI CoPilot 的引领者。 此外，亲爱的 AI 爱好者们，以下产品均可以通过注册账号+输入 CDK（WaytoAGI），进行 VIP 兑换福利。一起用 AI 玩起来吧！

Midjourney（MJ）是一款人工智能绘图工具，它是基于Discord平台运行的。由于Midjourney的服务器架设在国外，国内用户直接访问可能会遇到一些障碍。因此，一些国内的公司或个人可能会购买Midjourney的服务，并在此基础上开发自己的用户界面，提供更符合国内用户习惯的服务，这些通常被称为“套壳”。 并非所有的MJ绘画服务提供者都是套壳公司。有些可能是直接接入了Midjourney的官方服务，而另一些可能是使用了类似的AI技术来提供服务。用户在选择使用哪家的服务时，需要注意以下几点： 1. 宣传的真实性：一些套壳网站可能会声称自己是Midjourney的中文版官网，但实际上并没有中文版官网存在。 2. 价格：根据Midjourney官方的收费标准，如果国内的服务价格过低，可能需要警惕其服务质量或真实性。 3. 试用体验：建议选择可以低成本试用的服务提供者，以验证其服务效果。 4. 售后服务：选择有客服联系方式的服务商，以便在遇到问题时能够得到及时的帮助。 至于哪家的MJ使用效果最好，这取决于个人的需求和体验。一些用户可能会根据价格、操作便利性、生成图像的质量等因素来选择服务商。由于Midjourney不断更新和改进，建议用户关注最新的用户反馈和评价，以及官方发布的信息，来做出选择。同时，也可以考虑试用几个不同的服务，亲自体验后决定哪个最符合自己的需求。

智能算法的应用场景广泛，以下为您列举一些常见的应用场景： 1. 医疗保健： 医学影像分析，辅助诊断疾病，如 X 射线、CT 扫描和 MRI 图像分析。 药物研发，加速识别潜在药物候选物和设计新治疗方法。 个性化医疗，分析患者数据以提供个性化治疗方案。 机器人辅助手术，提高手术精度和安全性。 2. 金融服务： 风控和反欺诈，识别和阻止欺诈行为，降低金融机构风险。 信用评估，帮助金融机构做出更好的贷款决策。 投资分析，分析市场数据辅助投资者做出明智决策。 提供 24/7 客户服务，回答常见问题。 3. 零售和电子商务： 产品推荐，分析客户数据推荐可能感兴趣的产品。 搜索和个性化，改善搜索结果并提供个性化购物体验。 动态定价，根据市场需求调整产品价格。 4. 制造业： 预测性维护，预测机器故障避免停机。 质量控制，检测产品缺陷提高产品质量。 供应链管理，优化供应链提高效率和降低成本。 机器人自动化，控制工业机器人提高生产效率。 5. 交通运输： 自动驾驶，提高交通安全性和效率。 交通管理，优化交通信号灯和交通流量缓解拥堵。 物流和配送，优化物流路线和配送计划降低运输成本。 无人机送货，将货物快速送达偏远地区。 6. 其他领域： 教育，实现个性化学习，为学生提供定制化学习体验。 农业，分析农田数据提高农作物产量和质量。 娱乐，开发虚拟现实和增强现实体验。 能源，优化能源使用提高能源效率。 此外，KNN 近邻算法也有多种应用场景，包括： 分类问题，如文本分类、图像识别、手写数字识别、医学诊断等。 回归问题，如房价预测、股票价格预测等。 异常检测，识别异常值或离群点。 推荐系统，基于用户兴趣相似性进行推荐。 图像分割，识别图像中的区域。 聚类分析，尤其适用于数据集中簇非明显球形或高斯分布的情况。 人工智能的应用场景还在不断扩展，未来将对我们的生活产生更加深远的影响。

围棋人机博弈有用到智能算法的功能。 早期的国际象棋对弈程序是以搜索为基础，发展出了阿尔法贝塔剪枝搜索算法。在对局开始时，由于搜索空间巨大，采用了基于案例的推理，即从知识库中寻找相似案例来决定棋步。 现代能够战胜人类棋手的对弈程序基于神经网络和强化学习。例如，DeepMind 团队开发的新算法 Deep QNetwork（DQN）可以从经验中学习。2015 年 10 月 AlphaGo 项目首次在围棋中击败人类冠军李世石，之后的 AlphaGo Zero 用新的可以自我博弈的改进算法让人类在围棋领域难以翻盘。 AlphaGO 的价值网络和策略网络以人类高手的对弈数据以及 AI 自我博弈的数据为基础进行训练，并且与蒙特卡洛树搜索有机结合，取得了突破。

算法和模型是相互关联但又有所区别的概念。 模型是对问题或现象的一种抽象表示，它描述了数据之间的关系和模式。例如，在卷积神经网络（CNN）中，其结构就是一种模型，主要用于模式识别任务。 算法则是用于解决问题或实现模型的一系列步骤和方法。在 AI 领域，算法用于训练和优化模型。比如在自然语言处理和图像识别中，某些算法能够使 CNN 在计算上更有效、更快速，从而击败大多数其他算法。 随着我们对大脑工作机制的认知加深，神经网络的算法和模型也会不断发展和进步。 同时，在确保 AI 模型的道德和伦理性方面，也涉及到一系列的算法设计和处理步骤，如数据清洗、算法设计以减少偏见和不公平性、制定道德和伦理准则、保持透明度、接收用户反馈、持续监控、人工干预以及对相关人员进行教育和培训等。 另外，生成式人工智能模型正在从根本上改变我们与计算机的关系，使其有可能成为我们的伴侣，这也对我们对关系的定义提出了新的挑战。

AI 的算法逻辑是一个复杂而广泛的概念。 最初，查尔斯·巴贝奇发明了计算机，其按照一套明确定义的程序即算法来对数字进行运算。现代计算机虽比 19 世纪的原始计算机模型先进得多，但仍遵循相同的受控计算理念。若知道实现某些目标所需的每一个步骤及其顺序，就能编写出程序让计算机按想法做事。 但有些任务无法明确编程，比如根据照片判断一个人的年龄。我们能做是因为见过很多不同年龄的人，但无法明确大脑具体通过哪些步骤完成，所以也无法编写明确程序让计算机完成。这类任务正是人工智能感兴趣的。

以下是关于 AI 视觉算法的相关内容： GPT4 Vision GPT4 Vision 是 OpenAI 高级模型 GPT4 的创新功能，于 2023 年 9 月推出，能够解释视觉内容和文本，为用户提供更丰富、更直观的交互体验。 GPT4V 模型使用带有预训练组件的视觉编码器进行视觉感知，将编码的视觉特征与语言模型对齐。它建立在复杂的深度学习算法之上，能有效处理复杂的视觉数据。 GPT4V 允许用户上传图像作为输入并询问有关图像的问题，这种任务类型称为视觉问答（VQA）。 GPT4V 的工作原理： 利用先进的机器学习技术解释和分析视觉和文本信息。 对庞大数据集进行训练，包括文本和各种视觉元素。 训练过程结合强化学习，采用两阶段训练方法，先掌握视觉语言知识，再对更小、更高质量的数据集进行微调，以提高生成的可靠性和可用性。 计算机视觉 图像分类和物体识别：将图片作为输入，输出图像的内容分类，应用于面部识别。 物体识别：不仅分类或识别物体，还检测物体是否出现在图像中。 图像分割算法：识别物体位置，并标记不同物体对应的像素点，如用于识别 X 光照射图片。 视觉追踪：检测视频中的奔跑者，并追踪其轨迹和运动方向。 自然语言处理 文本分类：识别邮箱或文本中的内容并归类，可用于情绪识别。 信息检索：输入关键字，找出相关文档。 名称实体识别：找出句子中的名称，自动提取电话、姓名、国籍等。 机械翻译：进行语言翻译。 解析与语音部分标注技术：标注句子词性，让 AI 系统找出需留意的词语。 解析器：将单词组合成短语和句子，也是一种分类标签。 语音识别：将麦克风记录的空气高速压力变化数据转化为文本。 触发词检测：识别触发词。 语音 ID 识别：通过倾听说话来识别身份。

机器学习的原理是通过分析数据和推断模型来建立参数，或者通过与环境互动、获得反馈来学习。其算法一般包括以下几种： 1. 早期阶段（1950s 1960s）：专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：专家系统、知识表示、自动推理。 3. 统计学习时期（1990s 2000s）：机器学习算法如决策树、支持向量机、贝叶斯方法等。 4. 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等。 深度学习是一种机器学习算法，使用多层神经网络和反向传播技术来训练神经网络。该领域由 Geoffrey Hinton 开创，他在 1986 年发表了关于深度神经网络的开创性论文，引入了反向传播的概念，突破了感知器的局限。2012 年，Hinton 和他的学生表明，使用反向传播训练的深度神经网络在图像识别方面击败了最先进的系统，大幅降低了错误率。 强化学习是一类用于描述和解决智能体与环境交互问题的机器学习算法。智能体通过与环境不断交互、观察环境和执行动作来学习最优策略，以达到最大化某种累积奖励的目标。强化学习通常涉及三个要素： 1. 状态：描述智能体所处的环境状态。 2. 动作：智能体可以采取的动作。 3. 奖励：智能体根据执行动作和观察结果获得的奖励。强化学习的核心思想是基于试错学习，通过尝试不同的动作并观察结果来逐步调整行为策略，以取得更高的奖励。通常，强化学习算法会利用回报或价值函数来评估行为策略的好坏，并在学习过程中不断更新和调整策略，以达到最大化累积奖励的目标。