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
人工智能和机器学习的区别
人工智能和机器学习的区别主要体现在以下几个方面: 1. 范畴:机器学习是人工智能的一个子领域。 2. 学习方式:机器学习通过输入数据训练模型,使计算机在没有明确编程的情况下学习。模型可以是监督的(使用标记的数据从过去的例子中学习并预测未来的值),也可以是无监督的(专注于发现原始数据中的模式)。 3. 复杂程度:深度学习是机器学习的一个子集,使用人工神经网络处理更复杂的模式,可使用标记和未标记的数据进行半监督学习。 4. 应用目的:人工智能是一个更广泛的目标,旨在让机器展现智慧;机器学习则是实现这一目标的一种手段,让机器自动从资料中找到公式。 5. 技术手段:生成式人工智能是人工智能的一个子集,试图学习数据和标签之间的关系以生成新内容;而机器学习主要通过训练模型来实现学习和预测。
2024-11-21
什么是人工智能?
人工智能(Artificial Intelligence)是一门令人兴奋的科学,旨在使计算机表现出智能行为,例如完成人类擅长的任务。 最初,查尔斯·巴贝奇发明计算机用于按明确程序运算。现代计算机虽更先进,但仍遵循受控计算理念。然而,有些任务如根据照片判断人的年龄,无法明确编程,因为我们不清楚大脑完成此任务的具体步骤,这类任务正是人工智能感兴趣的。 人工智能分为 ANI(artificial narrow intelligence 弱人工智能)和 AGI(artificial general intelligence)。ANI 只能做一件事,如智能音箱、网站搜索、自动驾驶等;AGI 则能做任何人类能做的事。 机械学习是让电脑在不被编程的情况下自己学习的研究领域,是学习输入输出的从 A 到 B 的映射。 数据科学是分析数据集以获取结论和提示,输出通常是幻灯片、结论、PPT 等。 神经网络/深度学习有输入层、输出层和中间层(隐藏层)。
2024-11-21
人工智能诈骗成功多个案例
以下是为您整合的相关内容: 拜登签署的 AI 行政命令要求最强大的 AI 系统开发者与美国政府分享安全测试结果等关键信息。依照《国防生产法》,开发对国家安全、经济安全、公共卫生和安全构成严重风险的基础模型的公司,在训练模型时必须通知联邦政府,并分享所有红队安全测试的结果。国家标准与技术研究所将制定严格的标准进行广泛的红队测试,国土安全部将把这些标准应用于关键基础设施部门并建立 AI 安全与保障委员会,能源部和国土安全部也将处理 AI 系统对关键基础设施以及化学、生物、放射性、核和网络安全风险的威胁。同时,商务部将制定内容认证和水印的指导,以明确标记 AI 生成的内容,联邦机构将使用这些工具让美国人容易知道从政府收到的通信是真实的,并为私营部门和世界各地的政府树立榜样。 关于 AI 带来的风险,包括:AI 生成和传播的虚假信息可能破坏获取可靠信息的途径以及对民主机构和进程的信任;AI 工具可能被用于自动化、加速和放大高度针对性的网络攻击,增加恶意行为者的威胁严重性。 大型语言模型等技术进步带来了变革性发展,在经济和社会领域有诸多应用,例如能自动化写代码、用于交通应用、支持基因医学等,但也存在隐私风险等问题。
2024-11-20
人工智能诈骗
以下是关于人工智能诈骗的相关信息: 拜登签署的 AI 行政命令中提到,要保护美国人免受人工智能带来的诈骗和欺骗,商务部将为内容认证和水印制定指导方针,以清晰标注人工智能生成的内容。联邦机构将使用这些工具,让美国人容易知晓从政府收到的通信是真实的,并为全球的私营部门和政府树立榜样。 欧洲议会和欧盟理事会规定,特定旨在与自然人互动或生成内容的人工智能系统,无论是否符合高风险条件,都可能带来假冒或欺骗的具体风险。在特定情况下,这些系统的使用应遵守具体的透明度义务,自然人应被告知正在与人工智能系统互动,除非从自然人角度看这一点显而易见。若系统通过处理生物数据能识别或推断自然人的情绪、意图或归类,也应通知自然人。对于因年龄或残疾属于弱势群体的个人,应考虑其特点,相关信息和通知应以无障碍格式提供给残疾人。
2024-11-20
人工智能诈骗
以下是关于人工智能诈骗的相关信息: 拜登签署的 AI 行政命令中提到,要保护美国人免受人工智能带来的诈骗和欺骗,商务部将制定内容认证和水印的指导方针,以清晰标注人工智能生成的内容。联邦机构将使用这些工具,让美国人容易知晓从政府收到的通信是真实的,并为全球的私营部门和政府树立榜样。 欧洲议会和欧盟理事会规定,特定旨在与自然人互动或生成内容的人工智能系统,无论是否符合高风险条件,都可能带来假冒或欺骗的具体风险。在特定情况下,这些系统的使用应遵守具体的透明度义务,自然人应被告知正在与人工智能系统互动,除非从自然人角度看这一点显而易见。若系统通过处理生物数据能识别或推断自然人的情绪、意图或归类,也应通知自然人。对于因年龄或残疾属于弱势群体的个人,应考虑其特点,相关信息和通知应以无障碍格式提供给残疾人。
2024-11-20
人工智能诈骗技术
以下是关于人工智能诈骗技术的相关内容: 欧洲议会和欧盟理事会规定,某些人工智能系统采用潜意识成分或其他操纵欺骗技术,以人们无法意识到的方式颠覆或损害人的自主、决策或自由选择,可能造成重大伤害,特别是对身体、心理健康或经济利益产生不利影响,此类系统应被禁止。例如脑机界面或虚拟现实可能促进这种情况发生。同时,若人工智能系统利用个人或特定群体的特殊状况实质性扭曲个人行为并造成重大危害也应被禁止。若扭曲行为由系统之外且不在提供者或部署者控制范围内的因素造成,则可能无法推定有扭曲行为的意图。 拜登签署的 AI 行政命令要求最强大的人工智能系统开发者与美国政府分享安全测试结果等关键信息。依照《国防生产法》,开发对国家安全、经济安全或公共卫生和安全构成严重风险的基础模型的公司,在训练模型时必须通知联邦政府,并分享所有红队安全测试的结果。商务部将为内容认证和水印制定指导方针,以明确标记人工智能生成的内容,联邦机构将使用这些工具让美国人容易知晓从政府收到的通信是真实的,并为私营部门和世界各国政府树立榜样。 关于人工智能相关危害的可争议性或补救途径的评估中,提到了一系列高水平风险,如人工智能生成和传播的虚假信息可能破坏获取可靠信息的途径以及对民主机构和进程的信任。人工智能工具可被用于自动化、加速和放大有针对性的网络攻击,增加恶意行为者的威胁严重性。
2024-11-20
AI发展史
AI(人工智能)的发展有着悠久的历史,其起源最早可追溯到上世纪: 1. 1943 年,心理学家麦卡洛克和数学家皮特斯提出机器的神经元模型,为后续的神经网络奠定基础。 2. 1950 年,计算机先驱图灵最早提出图灵测试,作为判别机器是否具备智能的标准。 3. 1956 年,在美国达特茅斯学院,马文·明斯基和约翰·麦凯西等人共同发起召开达特茅斯会议,“人工智能”一词被正式提出,并作为一门学科确立下来。 此后近 70 年,AI 的发展起起落落: 1. 早期阶段(1950s 1960s):有专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期(1970s 1980s):包括专家系统、知识表示、自动推理。 3. 统计学习时期(1990s 2000s):出现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、循环神经网络等得到发展。 当前 AI 前沿技术点包括: 1. 大模型,如 GPT、PaLM 等。 2. 多模态 AI,如视觉 语言模型(CLIP、Stable Diffusion)、多模态融合。 3. 自监督学习,如自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习,如元学习、一次学习、提示学习等。 5. 可解释 AI,包括模型可解释性、因果推理、符号推理等。 6. 机器人学,涵盖强化学习、运动规划、人机交互等。 7. 量子 AI,如量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 过去的其他 AI 更多应用于完成人脸识别等分类判断任务,而生成式 AI 的诞生让人们看到其在写文章、画画、写歌等方面展现出类似人类的创作交流能力。
2024-11-11
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