直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

人工智能发展史

回答

人工智能作为一个领域始于二十世纪中叶。最初,符号推理流行,带来了如专家系统等重要进展,但因从专家提取知识并以计算机可读形式表现及保持知识库准确性的任务复杂且成本高,在很多情况下不适用,导致 20 世纪 70 年代出现“人工智能寒冬”。

随着时间推移,计算资源变便宜,数据增多,神经网络方法在计算机视觉、语音理解等领域展现出卓越性能,过去十年中,“人工智能”常被视为“神经网络”的同义词。

在创建国际象棋计算机对弈程序方面,早期是以搜索为基础,发展出阿尔法-贝塔剪枝搜索算法。搜索策略在对局结束时效果好,但开始时搜索空间大,后采用基于案例的推理,即通过知识库中相似案例决定棋步。能战胜人类棋手的现代对弈程序基于神经网络和强化学习,通过与自己对弈从错误中学习,学习速度比人类快。

AI 技术发展历程包括:早期阶段(1950s - 1960s)有专家系统、博弈论、机器学习初步理论;知识驱动时期(1970s - 1980s)有专家系统、知识表示、自动推理;统计学习时期(1990s - 2000s)有机器学习算法如决策树、支持向量机、贝叶斯方法等;深度学习时期(2010s - 至今)有深度神经网络、卷积神经网络、循环神经网络等。

内容由 AI 大模型生成,请仔细甄别(powered by aily)

参考资料

人工智能简介和历史

人工智能作为一个领域始于二十世纪中叶。最初,符号推理非常流行,也带来了一系列重要进展,例如专家系统——能够在某些有限问题的领域充当专家的计算机程序。然而,人们很快发现这种方法无法实现应用场景的大规模拓展。从专家那里提取知识,用计算机可读的形式表现出来,并保持知识库的准确性,是一项非常复杂的任务,而且因为成本太高,在很多情况下并不适用。这使得20世纪70年代出现了“人工智能寒冬”([AI Winter](https://en.wikipedia.org/wiki/AI_winter))。随着时间的推移,计算资源变得越来越便宜,可用的数据也越来越多,神经网络方法开始在计算机视觉、语音理解等领域展现出可与人类相媲美的卓越性能。在过去十年中,“人工智能”一词大多被用作“神经网络”的同义词,因为我们听到的大多数人工智能的成功案例都是基于神经网络的方法。我们可以观察一下这些方法是如何变化的,例如,在创建国际象棋计算机对弈程序时:

人工智能简介和历史

早期的国际象棋对弈程序是以搜索为基础的——程序尝试估计对手在给定棋步数量下可能走的棋步,并根据在几步棋内所能达到的最佳位置选择最佳棋步。这带来了[阿尔法-贝塔剪枝](https://en.wikipedia.org/wiki/Alpha%E2%80%93beta_pruning)搜索算法的发展。搜索策略在对局即将结束时效果很好,因为此时搜索空间对应的棋步可能性局限在非常小的范围内。然而在对局刚刚开始时,搜索空间非常巨大,需要考虑通过学习人类棋手之间的现有对局来改进算法。随后的实验采用了[基于案例的推理](https://en.wikipedia.org/wiki/Case-based_reasoning),即程序在知识库中寻找与当前棋局位置非常相似的案例,以此来决定自己的棋步。能够战胜人类棋手的现代对弈程序都基于神经网络和强化学习,程序通过长时间与自己的对弈,从自己的错误中学习,以此来学会下棋,这与人类学习下棋的过程非常相似。不过,计算机程序可以用更少的时间下更多的棋,因此学习速度更快。✅对人工智能玩过的其他游戏做一个小调研。同样,我们可以看到创建“会说话的程序”(可能通过图灵测试)的方法是如何变化的:

问:AI的技术历史和发展方向,目前最前沿的技术点有哪些

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(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

其他人在问
如何学习生成式人工智能?
以下是学习生成式人工智能的一些建议: 1. 了解 AI 基本概念: 阅读「」部分,熟悉 AI 的术语和基础概念,包括人工智能的主要分支(如机器学习、深度学习、自然语言处理等)以及它们之间的联系。 浏览入门文章,了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅: 在「」中,找到为初学者设计的课程,特别推荐李宏毅老师的课程。 通过在线教育平台(如 Coursera、edX、Udacity)上的课程,按照自己的节奏学习,并有机会获得证书。 3. 选择感兴趣的模块深入学习: AI 领域广泛(比如图像、音乐、视频等),根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧,它上手容易且很有用。 4. 实践和尝试: 理论学习之后,实践是巩固知识的关键,尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享,欢迎实践后的分享。 5. 体验 AI 产品: 与现有的 AI 产品进行互动,如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人,了解它们的工作原理和交互方式。 此外,台湾大学李宏毅教授的生成式 AI 课程也是很好的学习资源。该课程主要介绍了生成式 AI 的基本概念、发展历程、技术架构和应用场景等内容,共分为 12 讲,每讲约 2 小时。通过学习本课程,您可以掌握生成式 AI 的基本概念和常见技术,能够使用相关框架搭建简单的生成式模型,了解生成式 AI 的发展现状和未来趋势。课程的学习内容包括: 1. 什么是生成式 AI:生成式 AI 的定义和分类、生成式 AI 与判别式 AI 的区别、生成式 AI 的应用领域。 2. 生成式模型:生成式模型的基本结构和训练方法、生成式模型的评估指标、常见的生成式模型及其优缺点。 3. 生成式对话:生成式对话的基本概念和应用场景、生成式对话系统的架构和关键技术、基于生成式模型的对话生成方法。 4. 预训练语言模型:预训练语言模型的发展历程和关键技术、预训练语言模型的优缺点、预训练语言模型在生成式 AI 中的应用。 5. 生成式 AI 的挑战与展望:生成式 AI 面临的挑战和解决方法、生成式 AI 的未来发展趋势和研究方向。 学习资源包括: 1. 教材:《生成式 AI 导论 2024》,李宏毅。 2. 参考书籍:《深度学习》,伊恩·古德费洛等。 3. 在线课程:李宏毅的生成式 AI 课程。 4. 开源项目:OpenAI GPT3、字节跳动的云雀等。 学习方法可以根据个人情况进行选择和调整。
2024-11-08
什么是生成式人工智能?
生成式人工智能是一种能够生成新内容的人工智能技术。生成的内容可以是多模式的,包括文本、图像、音频和视频等。它能够在给出提示或请求时,帮助完成各种任务,例如文档摘要、信息提取、代码生成、营销活动创建、虚拟协助和呼叫中心机器人等。 生成式人工智能通过从大量现有内容(如文本、音频、视频等)中学习进行训练,训练的结果是一个“基础模型”。基础模型可用于生成内容并解决一般性问题,还可以使用特定领域的新数据集进一步训练,以解决特定问题,从而得到一个量身定制的新模型。 Generative AI 可以应用于广泛的场景,如文档摘要、信息提取、代码生成、营销活动创建、虚拟协助、呼叫中心机器人等。 此外,Google Cloud 提供了多种工具,如 Vertex AI 这一端到端机器学习开发平台,帮助开发人员构建、部署和管理机器学习模型。 Gen AI/Generative AI 是“生成式人工智能”的正式称呼,而 AIGC 指的是由人工智能生成的内容的创作方式,实际上是 Generative AI 的应用结果。
2024-11-08
如何使用必应的人工智能搜索功能
使用必应的人工智能搜索功能可以参考以下内容: 必应是获取信息和学习东西的一个选择,有免费和付费选项。对于一些特定情况,如技术支持、决定吃饭地点或获取建议,必应可能比谷歌更好。 但使用人工智能作为搜索引擎存在幻觉风险,使用时需谨慎。 对于提升AI搜索引擎的准确度,关键因素包括挂载的上下文信息密度和基座模型的智能程度。 在联网检索前,可先对用户的 query 进行意图识别,判断是否需要联网,以节省搜索成本和提升效率。例如,对于一些有标准答案的数学、编程或生活常识问题,可不联网检索,直接用大模型训练好的知识库进行回答。 可利用如 Perplexity.AI 等工具的强大搜索功能获取信息,启用 Pro 功能能获得更专业和深入的搜索结果。通过微软的 Bing 搜索引擎等具备联网搜索功能的工具,也能快速搜集大量相关资料。
2024-11-08
我记得你有发布过google人工智能落地的案例
以下是为您整合的相关内容: Google 最近发布了 185 个全球企业生成式 AI 应用案例,涵盖客户服务、员工管理、代码开发、数据分析、安全管理和创意领域。案例展示了 AI 如何优化客户体验、提升员工效率、加速代码处理、改善数据分析、增强安全性及简化创意生产。详情可参考:《》 Coze 汽车售后服务知识库 Bot 旨在提升服务顾问和维修技师的专业水平和维修效率。该 Bot 通过提供标准化解决方案,辅助车辆故障分析和检查,弥补专业知识不足和技术支持文档标准化问题。主要目标是提升服务质量,减少对技师经验的依赖,为汽车售后服务提供智能化支持。详情可参考:《》
2024-11-06
怎么做人工智能
实现人工智能主要有以下几种方法: 1. 自上而下的方法(符号推理):模拟人类通过推理来解决问题的方式,包括对人类知识的提炼并用计算机可读的形式表示,开发在计算机内部模拟推理的方法。人们在推理时知道自己的思考步骤,可将此过程形式化转化为计算机程序。但从人类专家提取知识可能困难,有些任务如根据照片判断年龄无法简化为对知识的操作。 2. 自下而上的方法(神经网络):模拟人脑的结构,由大量称为神经元的简单单元组成。每个神经元的行为取决于输入数据的加权平均值,可通过提供训练数据来训练神经元网络解决问题,类似于新生儿通过观察学习。 3. 多智能体系统(multiagent):基于大量简单智能系统的相互作用,复杂的智能行为可由此产生。 4. 进化方法或遗传算法:基于进化原理的优化过程。 此外,人工智能是研究如何使计算机表现出智能行为,例如做人类擅长的事。最初计算机用于按明确程序运算,而对于像根据照片判断年龄这类无法明确解法的任务,正是人工智能感兴趣的。在金融、医学和艺术等领域,人工智能都能带来益处。
2024-11-04
人工智能的定义
人工智能是一门研究如何使计算机表现出智能行为的科学。最初,计算机遵循着明确的程序和算法进行受控计算。但对于一些任务,如根据照片判断一个人的年龄,我们无法明确其解法和步骤,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。 “智能”的概念没有明确的定义。阿兰·图灵提出了图灵测试,将计算机系统和真人进行比较,若人类评审员在文本对话中无法区分真人和计算机系统,则认为该计算机系统是“智能”的。 在相关研究中,对于智能、人工智能和人工通用智能的定义存在多种观点和定义方式,但都存在问题或争议。例如,有以目标为导向的定义、围绕技能获取效率展开的定义等,但各自都有局限性。
2024-11-03
AI的整个发展史,有没有AI相关综述,让我阅读一下
以下是为您提供的关于 AI 发展史及相关综述的内容: 1. 《机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命》:涵盖了 AI 进化史的多个方面,包括前神经网络时代、Machine Learning 的跃迁、开启潘多拉的魔盒等,文章较长,约 22800 字,阅读前可先观看一段 Elon Musk 和 Jack Ma 在 WAIC 2019 关于人工智能的对谈视频。 2. 对于初学者: 微软的 AI 初学者课程《Introduction and History of AI》: AI for every one(吴恩达教程): 大语言模型原理介绍视频(李宏毅): 谷歌生成式 AI 课程: ChatGPT 入门: 如果您是新手学习 AI,可参考以下学习路径指南: 1. 了解 AI 基本概念:阅读「」熟悉术语和基础概念,浏览入门文章了解 AI 历史、应用和发展趋势。 2. 开始 AI 学习之旅:在「」中找到为初学者设计的课程,可通过在线教育平台(如 Coursera、edX、Udacity)按自己节奏学习并获取证书。 3. 选择感兴趣的模块深入学习:AI 领域广泛,如图像、音乐、视频等,可根据兴趣选择特定模块深入学习。
2024-09-16
AI发展史
AI 的发展历程大致如下: 1. 早期阶段(1950s 1960s):出现了专家系统、博弈论以及机器学习的初步理论。 2. 知识驱动时期(1970s 1980s):专家系统、知识表示和自动推理得到发展。 3. 统计学习时期(1990s 2000s):出现了机器学习算法,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、循环神经网络等技术兴起。 早在 1945 年,Alan Turing 就考虑用计算机模拟人脑,设计了 ACE(Automatic Computing Engine 自动计算引擎),这被视为机器智能的起源。随着对大脑工作机制认知的增加,神经网络的算法和模型也不断进步。例如,CNN 的结构基于两类细胞的级联模型,在计算上更高效、快速,在自然语言处理和图像识别等许多应用中表现出色。每次对大脑工作机制的更多了解,都推动着神经网络的发展。
2024-09-07
AI发展史
AI 的发展历程大致如下: 1. 早期阶段(1950s 1960s):出现了专家系统、博弈论以及机器学习的初步理论。 2. 知识驱动时期(1970s 1980s):专家系统、知识表示和自动推理得到发展。 3. 统计学习时期(1990s 2000s):机器学习算法如决策树、支持向量机、贝叶斯方法等兴起。 4. 深度学习时期(2010s 至今):深度神经网络、卷积神经网络、循环神经网络等成为主流。 早在 1945 年,Alan Turing 就考虑用计算机模拟人脑,设计了 ACE(Automatic Computing Engine 自动计算引擎),这被视为机器智能的起源。随着对大脑工作机制认知的增加,神经网络的算法和模型也不断进步。例如,CNN 的结构基于两类细胞的级联模型,在计算上更高效、快速,在自然语言处理和图像识别等许多应用中表现出色。
2024-09-02
AI发展史
AI 的发展历程主要包括以下几个阶段: 1. 早期阶段(1950s 1960s):出现了专家系统、博弈论以及机器学习的初步理论。 2. 知识驱动时期(1970s 1980s):重点在于专家系统、知识表示和自动推理。 3. 统计学习时期(1990s 2000s):机器学习算法如决策树、支持向量机、贝叶斯方法等得到发展。 4. 深度学习时期(2010s 至今):深度神经网络、卷积神经网络、循环神经网络等成为主流。 早在 1945 年,Alan Turing 就考虑用计算机模拟人脑,并设计了 ACE(Automatic Computing Engine 自动计算引擎)。这被视为机器智能的起源。 在神经网络方面,CNN 的结构基于两类细胞的级联模型,在计算上更高效、快速,在自然语言处理和图像识别等许多应用中表现出色。每次对大脑工作机制的更多认知,都会推动神经网络的算法和模型向前发展。
2024-09-02
ai的发展史
AI 的发展历程大致如下: 1. 早期阶段(1950s 1960s):包括专家系统、博弈论、机器学习初步理论等。 2. 知识驱动时期(1970s 1980s):以专家系统、知识表示、自动推理为主要特点。 3. 统计学习时期(1990s 2000s):出现了机器学习算法,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、循环神经网络等技术得到广泛应用。 人工智能作为一个领域始于二十世纪中叶,最初符号推理流行并带来重要进展,如专家系统。但因从专家提取知识并转化为计算机可读形式复杂且成本高,20 世纪 70 年代出现“人工智能寒冬”。随着计算资源变便宜、数据增多,神经网络方法在计算机视觉、语音理解等领域展现出色性能,过去十年“人工智能”常被用作“神经网络”的同义词。 此外,还有关于 AI 进化史的相关内容,如前神经网络时代、Machine Learning 的跃迁、开启潘多拉的魔盒;软件 2.0 的崛起,包括软件范式的转移和演化、Software 2.0 与 Bug 2.0;面向智能的架构,如 Infrastructure 3.0、如何组装智能、智能架构的先锋;一统江湖的模型,如 Transformer 的诞生、基础模型、AI 江湖的新机会;现实世界的 AI,如自动驾驶新前沿、机器人与智能代理;AI 进化的未来,如透视神经网络、千脑理论、人工智能何时能通用等。
2024-08-19
机器学习发展史
机器学习是人工智能的一个分支,其发展有着清晰的脉络,从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点。机器学习在近 30 多年已发展为多领域科际集成,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。 在 Deep Learning 理论和数据集的加持下,2012 年以来深度神经网络算法开始大爆发,出现了卷积神经网络(CNN)、递归神经网络(RNN Recurrent Neural Network)和长短期记忆网络(LSTM Long ShortTerm Memory)等。例如,CNN 的结构基于两类细胞的级联模型,在计算上更有效、快速,在自然语言处理和图像识别等应用中表现出色。递归神经网络是较高层的神经元直接连接到较低层的神经元。 日本的计算机研究员福岛邦彦根据人脑中视觉的运作方式,创建了一个人工神经网络模型。该架构基于人脑中两种类型的神经元细胞,称为简单细胞和复杂细胞,它们存在于初级视觉皮层中,负责处理视觉信息。简单细胞检测局部特征,如边缘;复杂细胞汇总简单细胞在一个区域内产生的结果,逐级识别得到完整结果。
2024-08-08