直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

ai的发展史

回答

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。

内容由 AI 大模型生成,请仔细甄别(powered by aily)

参考资料

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

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:

机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命

1.AI进化史-前神经网络时代、Machine Learning的跃迁、开启潘多拉的魔盒2.软件2.0的崛起-软件范式的转移和演化、Software 2.0与Bug 2.03.面向智能的架构- Infrastructure 3.0、如何组装智能、智能架构的先锋4.一统江湖的模型- Tran sformer的诞生、基础模型、AI江湖的新机会5.现实世界的AI -自动驾驶新前沿、机器人与智能代理6.AI进化的未来-透视神经网络、千脑理论、人工智能何时能通用?文章较长,累计22800字,请留出一小时左右的阅读时间,欢迎先收藏再阅读!文中每一个链接和引用都是有价值的,特别作为衍生阅读推荐给大家。阅读之前先插播一段Elon Musk和Jack Ma在WAIC 2019关于人工智能的对谈的经典老视频,全程注意Elon Ma的表情❓❓大家觉得机器智能能否超过人类么?带着这个问题来阅读,相信看完就会有系统性的答案!本文在无特别指明的情况下,为了书写简洁,在同一个段落中重复词汇大量出现时,会用AI(Artifical Intelligence)来代表人工智能,用ML(Machine Learning)来代表机器学习,DL(Deep Learning)来代表深度学习,以及各种英文缩写来优先表达。

其他人在问
AI硬件
以下是关于 AI 硬件的相关信息: AI Native 产品: AI Pin:由 Humane 公司开发的可穿戴设备,通过激光投影技术在手掌显示信息,由高通 Snapdragon 芯片驱动,运行 OpenAI 的 GPT4 语言模型,集成麦克风、摄像头和传感器,能语音通话、上网和回答问题,注重隐私保护,价格高昂,市场接受度可能受影响。 TAB AI:挂在脖子上的小冰盘,本质是麦克风和电池,使用蓝牙传输音频到手机和云端,ChatGPT 转录对话,各种人工智能模型提取见解,被称为“人工智能伴侣”或“clarity machine”。 OpenAI 和 Lovefrom 在软银 10 亿美元融资开发的“人工智能 iPhone”。 主流 AI 笔记本电脑: 截止 2024 年 5 月,主流的 AI 笔记本电脑是为人工智能和深度学习设计的高性能移动工作站,通常配备强大的 GPU(如 NVIDIA RTX 系列)、大容量内存和高速固态硬盘。 知名品牌包括:微软(Microsoft)第 11 代 Surface Pro、微星(MSI)Creator/Workstation 系列、技嘉(GIGABYTE)Aero/Aorus 系列、戴尔(Dell)Precision 移动工作站、惠普(HP)ZBook 移动工作站、联想(Lenovo)ThinkPad P 系列。 一般采用英特尔酷睿或 AMD Ryzen 的高端移动 CPU,配备 NVIDIA RTX 30/40 系列或 AMD Radeon Pro 专业级 GPU,提供大容量内存和高速 NVMe SSD 存储选配,预装 NVIDIA CUDA、cuDNN 等深度学习框架和 AI 开发工具。 价格相对较高,通常在 2000 美元以上,用户需根据自身需求和预算选择,同时关注散热、续航等实际使用体验。 GenAI 硬件 TikTok 热度总榜: RayBan Meta Smart Glasses:眼镜,Meta 和 RayBan 出品,180000 个 TT 作品,价格 299 美元。 Vision Pro:眼镜,苹果出品,38600 个 TT 作品,价格 3999 美元。 cozmo:玩具机器人,Digital Dream Labs 出品,10500 个 TT 作品,价格 399 美元。 Lovot:玩具机器人,GROOVE X 出品,5931 个 TT 作品,价格 9000 美元。 Optimus:大型机器人,特斯拉出品,2641 个 TT 作品。 AI pin:吊坠,Humane 出品,1200 个 TT 作品,价格 699 美元。 PLAUD:录音机,Smart connection 出品,1072 个 TT 作品,价格 159 美元。 RabbitR1:吊坠,Rabbit Inc 出品,1048 个 TT 作品,价格 199 美元。 Loona:玩具机器人,KEYi Tech 出品,753 个 TT 作品,价格 449 美元。 Timekettle WT2:耳机,Timekettle 出品,751 个 TT 作品,价格 299 美元。 OrCam MYEYE:眼镜,OrCam 出品,532 个 TT 作品,价格 4250 美元。 Jibo:玩具机器人,Ling Technology 出品,492 个 TT 作品,价格 749 美元。 LOOI:玩具机器人,TangibleFuture 出品,400 个 TT 作品,价格 129 美元。 Pixel Buds Pro:耳机,谷歌出品,393 个 TT 作品,价格 199 美元。
2024-11-12
目前能力最强的AI是什么?
目前能力最强的 AI 是 GPT4。GPT4 是功能最强的人工智能写作工具,您可以在 Bing(选择“创新模式”)上免费访问,或者通过购买 ChatGPT 的$20/月订阅来使用。Claude 也是表现出色的 AI,紧随其后,并且提供了有限的免费选项。这些工具还被直接集成到常见的办公应用程序中,例如 Microsoft Office 将包括一个由 GPT 提供支持的副驾驶,Google Docs 将整合 Bard 的建议。
2024-11-12
AI画卡通画,有什么平台
以下是一些可以用于 AI 画卡通画的平台: MewXAI:这是一款强大专业且新手友好、操作简单的 AI 绘画创作平台。其功能包括 MX 绘画、MX Cute、MJ 绘画、边缘检测、室内设计、姿态检测、AI 艺术二维码、AI 艺术字等。访问地址:https://www.mewxai.cn/ Lucidchart:强大的在线图表制作工具,集成了 AI 功能,可自动化绘制多种示意图,如流程图、思维导图、网络拓扑图等。拖放界面易于使用,支持团队协作和实时编辑,有丰富的模板库和自动布局功能。官网:https://www.lucidchart.com/ Microsoft Visio:专业的图表绘制工具,适用于复杂的流程图、组织结构图和网络图。其 AI 功能可帮助自动化布局和优化图表设计,集成 Office 365,方便与其他 Office 应用程序协同工作,有丰富的图表类型和模板,支持自动化和数据驱动的图表更新。官网:https://www.microsoft.com/enus/microsoft365/visio/flowchartsoftware Diagrams.net:免费且开源的在线图表绘制工具,适用于各种类型的示意图绘制。支持本地和云存储(如 Google Drive、Dropbox),有多种图形和模板,易于创建和分享图表,可与多种第三方工具集成。官网:https://www.diagrams.net/
2024-11-12
现在有哪些AI陪伴类型的产品?
以下是一些 AI 陪伴类型的产品: 1. Character.ai:用户可以与数百个 AI 驱动的角色进行交流,还能创建自己的角色并赋予其各种特性。 2. Replika:用户可以设计理想的伴侣,其会存储记忆并在未来对话中参考,甚至能发送照片。 3. Talkie:主打情感路线,有大量 NPC 和丰富的剧情体系,游戏和休闲娱乐体验感强。 4. 星野、BubblePal:在长短记忆上做处理,突出陪伴意义,陪伴时间越久,知识库沉淀的个性化记录越丰富,越懂用户。 但每个产品都有其特定的应用场景和功能,建议您根据自己的具体需求来选择合适的产品。
2024-11-12
AI 在教育行业的落地场景有哪些?
AI 在教育行业的落地场景主要包括以下方面: 1. 个性化学习:通过集成算法和大数据分析,如 Knewton 平台,实时跟踪学生学习进度,诊断学习难点,提供个性化学习建议和资源。 2. 自动评估:利用自然语言处理技术(NLP)自动批改学生的作文和开放性答案题,如 Pearson 的 Intelligent Essay Assessor,减轻教师批改负担,提高评估效率和一致性。 3. 智能辅助教学:例如 Google 的 AI 教育工具 AutoML 用于创建定制学习内容,通过有趣方式加深学生对学科概念的理解。 4. 虚拟现实(VR)和增强现实(AR):学生可通过 VR 头盔进入虚拟实验室进行实验操作并获得 AI 系统反馈,如 Labster 的虚拟实验室平台。 5. 协助评估学生学习情况,为职业规划提供建议。 6. 针对学生情况和兴趣定制学习内容。 7. 论文初稿搭建及论文审核。 8. 帮助低收入国家/家庭获得平等教育资源。
2024-11-12
ai生成图片
以下是关于如何判断一张图片是否为 AI 生成的相关内容: 首先,要培养鉴别 AI 生成图片的技能,需要训练自己的大脑模型。对于不善于此的朋友,可以借助一些网站,如 ILLUMINARTY(https://app.illuminarty.ai/),通过对大量图片数据的抓取和分析来给出画作属性的判断可能性。但在测试中可能存在问题,比如结构严谨的真实摄影作品可能会被误判为 AI 作图,这是因为鉴定 AI 自身的逻辑算法不能像人类一样综合考虑各种不符合逻辑的表现。 此外,还可以通过画面风格、物品 bug 等细节来辨别。就在我们总结这些方法的同时,AI 也在飞速修正作图 bug,所以这些方法可能随时失效。 我们曾在小红书、B 站等自媒体平台上以“ AIGC 鉴别”为话题发布图文,让大家判别真迹与 AI 仿品。在这个过程中发现,大家对判断哪幅图是 AI 生成的往往有一种直觉感受,但进一步询问如何看出时,多半难以迅速给出一套章程来描述或解释。所以我们系统地总结了“AIGC 鉴别”经验帖,帮助大家学会如何一眼盯真,两眼打假。
2024-11-12
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
人工智能发展史
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。
2024-08-08