AI发展史

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。

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。

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。

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。

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。

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。

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。