直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

AI发展史

回答

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。

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

机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命

早在1945年,Alan Turing就已经在考虑如何用计算机来模拟人脑了。他设计了ACE(Automatic Computing Engine -自动计算引擎)来模拟大脑工作。在给一位同事的信中写道:"与计算的实际应用相比,我对制作大脑运作的模型可能更感兴趣......尽管大脑运作机制是通过轴突和树突的生长来计算的复杂神经元回路,但我们还是可以在ACE中制作一个模型,允许这种可能性的存在,ACE的实际构造并没有改变,它只是记住了数据......"这就是机器智能的起源,至少那时在英国都这样定义。

机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命

CNN的结构是基于这两类细胞的级联模型,主要用于模式识别任务。它在计算上比大多数其他架构更有效、更快速,在许多应用中,包括自然语言处理和图像识别,已经被用来击败大多数其他算法。我们每次对大脑的工作机制的认知多一点,神经网络的算法和模型也会前进一步!

其他人在问
想学习AI编程需要从哪里开始,有什么资源吗
如果您想学习 AI 编程,可以从以下几个方面开始,并参考以下资源: 开始的方向: 1. 明确编程目标:确定您希望通过 AI 编程实现的具体任务或项目。 2. 了解 AI 编程的边界和限制:明白在何种情况下需要编程,何种情况下可以利用现有工具和资源。 学习资源: 1. 掌握 Python 基础: 基本语法:包括变量命名、缩进等规则。 数据类型:如字符串、整数、浮点数、列表、元组、字典等。 控制流:学会使用条件语句(if)、循环语句(for 和 while)控制程序执行流程。 函数:包括定义和调用函数、理解参数和返回值、掌握作用域和命名空间。 模块和包:学会导入模块和使用包来扩展功能。 面向对象编程(OOP):了解类和对象、属性和方法、继承和多态。 异常处理:理解异常及如何处理程序中的错误。 文件操作:掌握文件读写和文件与路径操作。 2. 在线教程和课程:例如“写给不会代码的你:20 分钟上手 Python + AI”。 3. 项目实践:通过实际项目来巩固所学知识。 开发建议: 1. 对于复杂的项目,如 P2P 传输程序,要充分考虑项目初始化、环境配置、库的选择等。 2. 对于 Rust 环境配置,可通过官网获取安装指南,使用 rustup 工具管理 Rust 版本。使用 cargo new <project_name>创建新的 Rust 项目,生成基本文件结构和 Cargo.toml 文件来管理项目依赖。 在学习过程中,优先寻找线上工具、插件和本地应用,先找现成的开源工具和付费服务,只有在没有现成方案时再考虑自己编程。
2024-11-21
有什么类似于ai秘书的产品吗?
以下是一些类似于 AI 秘书的产品: Replika:用户可在与它的关系中找到意义,每周花费数小时进行对话。 Anima:是一款 AI 聊天机器人产品。 CharacterAI:也是一款相关的产品。 Millie:可以优化约会应用程序的个人资料和消息。 YourMove:具有类似的优化功能。 Mumkin:能够帮助用户应对困难的对话。 早期的聊天机器人如 ELIZA、Clippy、SmarterChild、Alicebot 和 Kuki 等虽曾流行,但未给消费者留下深刻印象。新一波聊天机器人不同,如 ChatGPT 成为最快达到 1 亿用户规模的消费产品,这得益于大型语言模型(LLMs),使聊天机器人能自由流畅对话,听起来和人类无异。如今,容易想象出如人工智能朋友、心理治疗师、导师、教练等角色,早期版本常带有浪漫色彩,这可能与成人娱乐行业处于新技术前沿及社会变化有关。
2024-11-21
帮我推荐一些适合产品经理使用的AI产品吧
以下是为产品经理推荐的一些 AI 产品: 用户研究、反馈分析:Kraftful(kraftful.com) 脑图:Whimsical(whimsical.com/aimindmaps)、Xmind(https://xmind.ai) 画原型:Uizard(https://uizard.io/autodesigner/) 项目管理:Taskade(taskade.com) 写邮件:Hypertype(https://www.hypertype.co/) 会议信息:AskFred(http://fireflies.ai/apps) 团队知识库:Sense(https://www.senseapp.ai/) 需求文档:WriteMyPRD(writemyprd.com) 敏捷开发助理:Standuply(standuply.com) 数据决策:Ellie AI(https://www.ellie.ai/) 企业自动化:Moveworks(moveworks.com) 此外,还有以下相关内容供您参考: 《AI 市场与 AI 产品经理分析——2024 是否是 AI 应用创业的好机会》中提到,AI 产品经理可分为入门级、研究级和落地应用级。入门级能通过开源网站或课程了解 AI 概念并实践;研究级有技术和商业化研究两条路径;落地应用级则有成功案例和商业化价值。 余一相关的内容,如《AI 时代个人生存/摸鱼探索指南.Beta》的迭代更新,以及《从 2023 年报,看中国上市公司怎么使用生成式 AI》等。 相关链接: 创新公司观察: 2022 2024 年融资 2000w 美金以上的公司列表和详细公司分析:https://ameliadev.notion.site/202220242000w08f50fafd81b420fa7f26ecd6c0b3243?pvs=4 AI Grant 公司列表和详细公司分析(三期):https://ameliadev.notion.site/AIGranta52f291e81f34b418c9919497961e831?pvs=4 AIGC 行业与商业观察(2024.1):https://gamma.app/docs/AIGCDev9q1bax2pspnlxqu AI 产品/功能构建: 顶级科技公司产品团队正在构建哪些 AI 功能【总览】:https://gamma.app/docs/AIzawqmb2ff3cv958 顶级科技公司产品团队正在构建哪些 AI 功能【产品分析】:https://gamma.app/docs/AItebxqet8ubz3rje 顶级科技公司产品团队正在构建哪些 AI 功能【思考借鉴】
2024-11-21
请介绍图片搜索最好用的AI工具
以下为您介绍一些在图片搜索相关方面表现出色的 AI 工具: 图片去水印工具: 1. AVAide Watermark Remover:在线工具,支持多种图片格式,操作简单,可去除水印、文本、对象等。 2. Vmake:可上传最多 10 张图片,自动检测并移除水印,适合快速处理。 3. AI 改图神器:能一键去除图片中的多余物体、人物或水印,支持粘贴或上传手机图像。 图生图产品: 1. Artguru AI Art Generator:在线平台,生成逼真图像,为设计师提供灵感。 2. Retrato:将图片转换为非凡肖像,有 500 多种风格选择。 3. Stable Diffusion Reimagine:通过稳定扩散算法生成精细、具细节的全新视觉作品。 4. Barbie Selfie Generator:将上传照片转换为芭比风格。 图片生成 3D 建模工具: 1. Tripo AI:在线 3D 建模平台,能利用文本或图像快速生成高质量 3D 模型。 2. Meshy:支持文本、图片生成 3D 及 AI 材质生成。 3. CSM AI:支持从视频和图像创建 3D 模型,Realtime Sketch to 3D 可通过手绘草图实时设计 3D 形象。 4. Sudo AI:通过文本和图像生成 3D 模型,适用于游戏领域。 5. VoxCraft:免费工具,能将图像或文本快速转换成 3D 模型,提供多种功能。 请注意,以上内容由 AI 大模型生成,请仔细甄别。这些工具各有特点,您可以根据具体需求选择最适合您的工具。
2024-11-21
有没有免费的好用的ai
以下为一些免费且好用的 AI 工具: 获取信息和学习东西:最佳免费选项为必应(https://www.bing.com/search?q=Bing+AI&showconv=1&FORM=hpcodx)。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。 写东西:最佳免费选项为 Bing(https://www.bing.com/search?q=Bing+AI&showconv=1&FORM=hpcodx)和 Claude 2(https://claude.ai/)。 在写代码方面的免费替代品有: Tabnine(https://tabnine.com/):AI assistant that speeds up delivery and keeps your code safe Codeium(https://codeium.com/):Free AI Code Completion & Chat Amazon CodeWhisperer(https://aws.amazon.com/codewhisperer/):Build applications faster and more securely with your AI coding companion SourceGraph Cody(https://cody.sourcegraph.com/):The AI that knows your entire codebase Tabby(https://tabby.dev/):Opensource, selfhosted AI coding assitant fauxpilot/fauxpilot(https://github.com/fauxpilot/fauxpilot):An opensource alternative to GitHub Copilot server 需要注意的是,虽然 ChatGPT 功能强大,但它是收费的且不面向中国。此外,虽然 ChatGPT 的开发者 OpenAI 并不像其名字那样开放,其源码与模型数据不对外开放,但 Meta 在 2023 年 2 月开源了 LLaMA 1,并在 7 月发布了进阶的 Llama 2 且允许商用。
2024-11-21
python编写比较好的AI有哪些
以下是一些用 Python 编写的与 AI 相关的内容: 1. 对于 AI 的基础学习,您需要了解以下方面: 背景知识:包括人工智能、机器学习、深度学习的定义及其之间的关系,以及 AI 的发展历程和重要里程碑。 数学基础:如统计学基础(熟悉均值、中位数、方差等统计概念)、线性代数(了解向量、矩阵等基本概念)、概率论(基础的概率论知识,如条件概率、贝叶斯定理)。 算法和模型:监督学习(如线性回归、决策树、支持向量机)、无监督学习(如聚类、降维)、强化学习的基本概念。 评估和调优:了解如何评估模型性能(包括交叉验证、精确度、召回率等),以及如何使用网格搜索等技术优化模型参数。 神经网络基础:理解神经网络的基本结构(包括前馈网络、卷积神经网络、循环神经网络)和常用的激活函数(如 ReLU、Sigmoid、Tanh)。 2. 如果您想在 Python 中安装 FittenAI 编程助手: 首先需要安装 Python 的运行环境,具体可参考 。 安装步骤:点击左上角的 File Settings Plugins Marketplace 。安装完成后左侧会出现 Fitten Code 插件图标,注册登录后即可开始使用。 其功能包括智能补全(按下 Tab 键接受所有补全建议,按下 Ctrl+→键接收单个词补全建议)、AI 问答(通过点击左上角工具栏中的 Fitten Code –开始新对话打开对话窗口进行对话)、自动生成代码(Fitten Code 工具栏中选择"Fitten Code 生成代码",然后在输入框中输入指令即可生成代码)、代码转换(Fitten Code 可以实现代码的语义级翻译,并支持多种编程语言之间的互译。选中需要进行翻译的代码段,右键选择"Fitten Code –编辑代码",然后在输入框中输入需求即可完成转换)、自动生成注释(Fitten Code 能够根据代码自动生成相关注释,通过分析代码逻辑和结构,为代码提供清晰易懂的解释和文档)。 3. 若希望更深入地学习 Python 和 AI,至少要熟悉以下 Python 基础内容: 基本语法:了解 Python 的基本语法规则,比如变量命名、缩进等。 数据类型:熟悉字符串、整数、浮点数、列表、元组、字典等基本数据类型。 控制流:学习条件语句和循环语句来控制程序执行流程。 函数:包括定义和调用函数,理解参数和返回值,以及作用域和命名空间。 模块和包:学会导入模块和使用包来扩展程序功能。 面向对象编程:了解类和对象、属性和方法、继承和多态。 异常处理:理解异常以及如何使用 try 和 except 语句处理错误。 文件操作:学习文件读写和文件与路径操作。
2024-11-21
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
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