生成式AI发展里程碑

GenAI 全称 Generative AI，即生成式 AI。它是一种基于深度学习技术，利用机器学习算法从已有数据中学习并生成新的数据或内容的 AI 应用。其工作原理是通过大规模的数据集训练深度神经网络模型，学习各种数据的规律和特征，从而实现对输入数据的分析、理解和生成。 生成式 AI 为游戏、娱乐和产品设计等应用提供了新颖且有创意的解决方案，如自动写作、虚拟现实、音乐创作等，甚至协助科学研究开辟了新的可能性。目前典型的 GenAI 包括 OpenAI 推出的语言模型 ChatGPT、GPT4、图像模型 DALLE 以及百度推出的文心一言、阿里云推出的通义千问等。 虽然生成式 AI 是一种非常强大的技术，能够应用于诸多专业领域，但在数据处理过程中存在多重潜在合规风险，如未经授权收集信息、提供虚假信息、侵害个人隐私等。 利用 GenAI 创建的内容即 AIGC（全称 AIGenerated Content），AIGC 主要分为语言文本生成、图像生成和音视频生成，可应用于音乐生成、游戏开发和医疗保健等领域。在公众传播层面，GenAI 是相对科学的表述，涵盖了 LLM 和 AIGC 等概念。

您可以在以下网址学习李宏毅的《生成式 AI 导论 2024》课程：https://www.youtube.com/watch?v=AVIKFXLCPY8 课程目录如下： 第 0 講：課程說明（2024 年 2 月 24 日） 第 1 講：生成式 AI 是什麼？（2024 年 2 月 24 日） 第 2 講：今日的生成式人工智慧厲害在哪裡？從「工具」變為「工具人」（2024 年 3 月 3 日） 第 3 講：訓練不了人工智慧？你可以訓練你自己—神奇咒語與提供更多資訊（2024 年 3 月 3 日） 第 4 講：訓練不了人工智慧？你可以訓練你自己—拆解問題與使用工具（2024 年 3 月 10 日） 待更新…… 该课程的附录内容包括： 一、课程介绍 这是台湾大学李宏毅教授的生成式 AI 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。课程共分为 12 讲，每讲约 2 小时。 二、学习目标 通过学习本课程，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。 三、学习内容 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 四、学习资源 教材：《生成式 AI 导论 2024》，李宏毅

以下是关于《生成式 AI 导论 2024》李宏毅课程的相关内容： 课程介绍： 这是台湾大学李宏毅教授的生成式 AI 课程，主要涵盖生成式 AI 的基本概念、发展历程、技术架构和应用场景等。课程共 12 讲，每讲约 2 小时。 学习目标： 通过本课程，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，了解其发展现状和未来趋势。 学习内容： 1. 什么是生成式 AI：包括定义和分类，与判别式 AI 的区别，应用领域。 2. 生成式模型：基本结构和训练方法，评估指标，常见模型及其优缺点。 3. 生成式对话：基本概念和应用场景，系统架构和关键技术，基于生成式模型的对话生成方法。 4. 预训练语言模型：发展历程和关键技术，优缺点，在生成式 AI 中的应用。 5. 生成式 AI 的挑战与展望：面临的挑战和解决方法，未来发展趋势和研究方向。 第 1 讲：生成式 AI 是什么 1. 定义：机器产生复杂有结构的物件。 2. AI 和 AGI 的关系：涉及机器学习、深度学习、类神经网络等。 3. 以 ChatGPT 等为例讲解，如 ChatGPT 是文字接龙，语言模型将复杂问题变成分类问题，生成策略采用回归等。 学习资源： 教材为《生成式 AI 导论 2024》，李宏毅。

学习生成式 AI 通常需要以下基础： 1. 数学基础：包括线性代数、概率论、统计学等，这些知识对于理解模型的原理和算法很重要。 2. 编程基础：熟练掌握一种编程语言，如 Python，以便能够实现和操作相关的模型和算法。 3. 机器学习基础：了解监督学习、强化学习、无监督学习等基本概念和方法，因为生成式 AI 与这些领域密切相关。 4. 自然语言处理基础：如果涉及文本生成，需要了解自然语言处理的基本概念，如词向量、语法分析等。 5. 深度学习基础：熟悉神经网络、深度神经网络的结构和训练方法。 6. 数据处理能力：能够收集、清洗、预处理和分析大量的数据。 在生成文本方面，大语言模型使用监督学习不断预测下一个词语，这需要千亿甚至万亿级别的单词数据库。同时，为了有效地使用生成式人工智能，在流程的开始和结束时需要人工参与，人类要向生成模型输入提示才能让其创建内容，创造性的提示通常会产生创造性的输出。 例如，台湾大学李宏毅教授的生成式 AI 课程介绍了其基本概念、发展历程、技术架构和应用场景等内容，包括生成式 AI 的定义和分类、与判别式 AI 的区别、应用领域、生成式模型的结构和训练方法、评估指标、生成式对话的概念和系统架构等。通过学习此类课程，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，了解其发展现状和未来趋势。

以下是为您推荐的生成式 AI 工具： 在教育领域： Grammarly：帮助学生克服写作难题，提升写作水平。 Orchard（https://orchard.ink/）：协助学生提升写作能力。 Lex（https://lex.page/~）：辅助学生解决写作方面的问题。 Tome（https://beta.tome.app/）：协助创建演示文稿。 Beautiful.ai（https://www.beautiful.ai/）：帮助创建演示文稿。 了解更多关于。 在游戏领域： Runwayml.com（https://runwayml.com/）：是目前最成功的生成性 AI 工具之一，在一个单一的软件包中汇集了一系列广泛的创作者工具。 在音乐生成领域： Udio（https://www.udio.com/）：由前 Google DeepMind 工程师开发，通过文本提示快速生成符合用户音乐风格喜好的高质量音乐作品。 Suno AI（https://suno.com/）：是一款革命性的人工智能音乐生成工具，通过先进的深度学习技术，能够将用户的输入转化为富有情感且高质量的音乐作品。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

生成式模型和判别式模型在底层模式上存在普遍性和差异性。 生成式模型方面： 核心之一在于采用更高效的 token 化，language 或 code 作为 token 化的承载媒介，是人类认知推理、链接物理世界、抽象化表达的重要且广泛的概念化空间。 例如在 GAN 中，生成器不断生成逼真的假图像，与判别器互相博弈优化。 常见的生成式模型包括 GAN、Flowbased models（其在 AIGC 时代的作用未充分显现）、VAE（是 Stable Diffusion 模型的核心结构之一）等。 判别式模型方面： 在“判别侧”即模型输出“Y”侧对于生成式模型来说属于其子集，某种程度上不仅是“Y”，模型输入“X”侧及任务本身也属于生成式模型的子集。 通过学习台湾大学李宏毅教授的《生成式 AI 导论 2024》课程，可以更全面地了解生成式 AI 的基本概念、发展历程、技术架构、应用场景等内容，包括生成式模型的基本结构、训练方法、评估指标，生成式对话的概念、系统架构和关键技术，预训练语言模型的发展、优缺点及在生成式 AI 中的应用，以及生成式 AI 面临的挑战和未来发展趋势。

要去除 AI 味，可以从以下几个方面入手： 1. 对于聊天 AI，使其变得不正经、放肆、幽默、通俗。注意语气的自然化，比如使用语气词嗯、吧、啊、哈哈哈等，让回答更自然、贴近日常对话风格。还要注意口语化词语（相对于书面语）的使用，不过增加网络语言语料库需谨慎，以免生搬硬套带来副作用。 2. 对于睿声生成的配音，若语速慢有 AI 味儿，可使用剪映的音频变速功能加速配音，以消除 AI 味儿并配合视频前段的快节奏。 3. 对于 GPT 的回复，避免其用 1、2、3、4 或“首先、其次、最后”这种模式，可让其扮演特定角色并给出明确输出要求。但这种方法可能换汤不换药，要想让其更有趣，可让它在回复中加点感情，比如用括号补充动作，营造特定环境等。

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。

Notion AI 具有以下功能： 直接在 Notion 中接入 AI 的能力，能让工作更迅速，写作更出色，思考更伟大。 可以在笔记和文档中应用 AI 的力量。 能够实现 AI 数据库自动填充功能。 可以改变知识管理的方式，让人们摆脱繁琐的信息组织工作，用户只需简单地将信息丢到 Notion 中，就可以通过各种方式进行检索。

PopAI 是一款办公效率工具，具有以下功能： 1. 类似 ChatGPT 的聊天功能。 2. 集成了众多工作中可用的效率工具，如 PPT 和流程图生成、提示生成等。 3. 率先集成了 GPT4V 的图像 API 且调教良好，能清晰解释图像相关内容。 4. 具有创新的交互，在回答内容后可进行如翻译为中文、扩写重新排版并添加内容变为一篇文章等“Enrich”操作。 5. “Enrich”操作不仅不是干巴巴的填充，还会配合相关图片，必要时绘制流程图。

Poe 是一个 AI 聊天网站，支持与多个智能 AI 机器人（如 GPT4 等）进行实时在线交流。注册账号后可免费使用，部分功能需要付费订阅。不同的 AI 机器人有不同特点，可根据需求选择使用。总体而言，Poe 为用户提供了便捷的智能对话体验。其官网地址是：https://poe.com/ ，在官网帮助中心上可以找到具体教程。 此外，Poe 平台还推出了其他多种功能，比如多个机器人一起聊天、文件上传和视频输入等。Odyssey 是一个能提供好莱坞级别的 AI 视频生成和编辑工具的项目。PaintsUndo 可以输入静态图像自动生成整个绘画的全过程视频，该项目主要研究和再现数字绘画中的绘画行为，为数字艺术创作提供新的工具和方法。更多详细介绍可参考：https://xiaohu.ai/p/10996 、https://x.com/imxiaohu/status/1810574723048489063 、https://xiaohu.ai/p/11005 、https://x.com/imxiaohu/status/1810589354114626008 、https://xiaohu.ai/p/11010 、https://lllyasviel.github.io/pages/paints_undo/

以下是一些可用于记笔记的 AI 相关产品： 1. MeetRecord：这是一家专注于销售通话记录和辅导的软件公司。其核心功能包括 AI 驱动的笔记记录，能通过人工智能技术自动记录和分析销售通话，提供会议内容的关键词和主题分析，自动生成会议纪要和行动项；还有个性化辅导计划，能生成个性化的辅导计划，模仿表现最好的销售人员，并实施自动呼叫评分系统；此外，还具备交易智能和推荐、CRM 自动化、多语言支持以及安全性与企业化支持等功能。 2. 目前没有更多明确提及专门用于记笔记的其他 AI 产品的相关信息。但在一些关于人工智能的讨论中，提到了手写笔记对于信息留存和思维培养的重要性，例如在关于防止 AI 取代人类思考的论述中，指出手写笔记有助于将信息从短期记忆转移到长期记忆，成为更好的概念思考者。

AI 的发展历程充满了众多重要的里程碑： 1956 年，人工智能这个词首次被提出，标志着人们正式开始研究如何让机器像人一样思考。 1997 年，深蓝电脑在国际象棋比赛中战胜世界冠军，这是机器在智力游戏中首次击败顶尖人类选手。 2014 年，生成对抗网络（GAN）诞生，它可以帮助神经网络用更少的数据进行学习，生成更多的合成图像。 2016 年，AlphaGo 在围棋比赛中战胜世界冠军李世石，令全世界惊讶。 2020 年，GPT3 发布。 2022 年，DALLE 发布。 2023 年，GPT4 发布。 从 2012 年至今，深度神经网络的使用呈爆炸式增长，大部分 Machine Learning 领域的研究都集中在 Deep Learning 方面。通过回顾 AI 的发展历史，能够理清其发展脉络以及每个关键里程碑的意义。

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。 在机器学习的发展历程中，CNN（卷积神经网络）的结构基于两类细胞的级联模型，在计算上更有效、快速，已用于自然语言处理和图像识别等领域，并击败大多数其他算法。随着对大脑工作机制认知的增加，神经网络的算法和模型不断进步。 Deep Learning 是一个革命性领域，但需要数据支持。李飞飞创建的 ImageNet 是重要数据集之一，自 2009 年创建以来，为 Machine Learning 算法的发展发挥了重要作用。仅七年时间，ImageNet 让获胜算法对图像中物体分类的准确率从 72%提高到 98%，超过人类平均能力，并引领了 DL 革命，为其他数据集开创了先例，此后有更多新的数据集被引入。

人工智能的发展前景十分广阔。 在日常生活中，我们已与人工智能频繁互动，如交通、天气预测和电视节目推荐等，其发展速度惊人，使计算机能以过去难以想象的方式观察、理解和与世界互动。 对于未来，当计算机在各项任务上超越人类时，可能会出现超级智能，机器可能具有自我意识和超级智能，成为真正的数字生命形式，这将带来关于机器意识、物种竞争等一系列有趣且重要的问题。 在产业方面，人工智能是引领科技革命和产业变革的基础性和战略性技术，加速与实体经济深度融合，改变工业生产和经济发展形态，对建设制造强国、网络强国和数字中国有重要支撑作用。其产业链包括基础层（算力、算法和数据）、框架层（深度学习框架和工具）、模型层（大模型等）和应用层（行业场景应用）。近年来，我国人工智能产业在技术创新、产品创造和行业应用等方面快速发展，形成庞大市场规模。伴随以大模型为代表的新技术加速迭代，呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。

人工智能的发展前景十分广阔。在我们的日常生活中，许多方面都已经有了人工智能的参与，比如交通、天气预测以及电视节目推荐等，其普及程度和发展速度都令人惊叹，使计算机能够以过去难以想象的方式观察、理解和与世界互动。 从未来进化的角度看，当计算机在各项任务上超过人类时，可能会在不断改进的过程中出现超级智能。届时，机器可能会具有自我意识和超级智能，我们对机器意识的概念将发生重大转变，甚至可能会出现真正的数字生命形式。这也带来了一系列有趣的问题，比如数字生命与人类之间的合作和竞争基础，以及对具有自我意识的数字生命进行某些操作是否构成折磨等。 在产业发展方面，人工智能是引领科技革命和产业变革的基础性和战略性技术，正与实体经济深度融合，改变工业生产模式和经济发展形态，对建设制造强国、网络强国和数字中国有重要支撑作用。其产业链包括基础层（算力、算法和数据）、框架层（深度学习框架和工具）、模型层（大模型等）和应用层（行业场景应用）。近年来，我国人工智能产业在技术创新、产品创造和行业应用等方面快速发展，形成庞大市场规模。随着以大模型为代表的新技术加速迭代，人工智能产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。

人工智能的发展前景十分广阔。 在日常生活中，我们已与人工智能频繁互动，如交通、天气预测和电视节目推荐等，其普及程度和发展速度令人惊叹，使计算机能以过去难以想象的方式观察、理解和与世界互动。 对于未来，当计算机在各项任务上超越人类时，可能会出现超级智能，机器可能具有自我意识和超级智能，成为真正的数字生命形式。届时，我们对机器意识的概念将发生重大转变，也会面临如物种竞争、合作基础以及道德伦理等有趣且重要的问题。 在产业方面，人工智能是引领科技革命和产业变革的基础性和战略性技术，加速与实体经济深度融合，改变工业生产模式和经济发展形态，对新型工业化、制造强国、网络强国和数字中国建设有重要支撑作用。其产业链包括基础层（算力、算法和数据）、框架层（深度学习框架和工具）、模型层（大模型等）和应用层（行业场景应用）。近年来，我国人工智能产业在技术创新、产品创造和行业应用方面快速发展，形成庞大市场规模。随着以大模型为代表的新技术加速迭代，呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。

人工智能的发展前景十分广阔。 在日常生活中，我们已经能感受到人工智能的普及，它在交通、天气预测、电视节目推荐等方面发挥着重要作用，并且正以惊人的速度发展，使计算机能够以过去难以想象的方式观察、理解和与世界互动。 从未来进化的角度看，当计算机在各项任务上超过人类时，可能会在不断改进的螺旋中出现超级智能。届时，机器可能具有自我意识和超级智能，成为真正的数字生命形式，这将带来关于机器意识、物种竞争等一系列有趣且重要的问题。 在产业方面，人工智能是引领新一轮科技革命和产业变革的基础性和战略性技术，加速与实体经济深度融合，改变工业生产模式和经济发展形态，对新型工业化、制造强国、网络强国和数字中国建设有重要支撑作用。其产业链包括基础层（算力、算法和数据）、框架层（深度学习框架和工具）、模型层（大模型等）、应用层（行业场景应用）等部分。近年来，我国人工智能产业在技术创新、产品创造和行业应用等方面快速发展，形成庞大市场规模。随着以大模型为代表的新技术加速迭代，人工智能产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。

人工智能的发展前景十分广阔。在我们的日常生活中，许多方面都已经有了人工智能的参与，比如交通、天气预测以及电视节目推荐等，其普及程度和发展速度都令人惊叹，使计算机能够以过去难以想象的方式观察、理解世界并与之互动。 从未来进化的角度看，当计算机在各项任务上超越人类时，可能会在不断改进的过程中出现超级智能。届时，机器可能会具有自我意识，成为真正的数字生命形式，这将带来关于机器意识、物种竞争等一系列有趣且重要的问题。 在产业发展方面，人工智能是引领新一轮科技革命和产业变革的基础性和战略性技术，正与实体经济深度融合，改变工业生产模式和经济发展形态，对建设制造强国、网络强国和数字中国有重要支撑作用。其产业链包括基础层（算力、算法和数据）、框架层（深度学习框架和工具）、模型层（大模型等）、应用层（行业场景应用），近年来在技术创新、产品创造和行业应用等方面发展迅速，形成庞大市场规模。随着以大模型为代表的新技术加速迭代，人工智能产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。

人工智能的发展前景十分广阔。 在日常生活中，我们已经能感受到人工智能的普及，比如交通、天气预测以及电视节目推荐等方面，它正以惊人的速度发展，使计算机能够以过去难以想象的方式观察、理解世界并与之互动。 从未来进化的角度看，当计算机在各项任务上超过人类时，可能会在不断改进的过程中导致超级智能的出现。届时，机器可能具有自我意识和超级智能，我们对机器意识的概念将发生重大转变，甚至会面对真正的数字生命形式。这也带来了一系列有趣的问题，如数字生命与人类之间的合作和竞争基础，以及对具有自我意识的数字生命模拟疼痛是否构成折磨等。 在产业发展方面，人工智能是引领新一轮科技革命和产业变革的基础性和战略性技术，正加速与实体经济深度融合，深刻改变工业生产模式和经济发展形态，对建设制造强国、网络强国和数字中国发挥重要支撑作用。其产业链包括基础层（算力、算法和数据）、框架层（用于模型开发的深度学习框架和工具）、模型层（大模型等技术和产品）、应用层（在行业场景的应用）。近年来，我国人工智能产业在技术创新、产品创造和行业应用等方面快速发展，形成庞大市场规模。随着以大模型为代表的新技术加速迭代，人工智能产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，也亟需完善产业标准体系。