人工智能的分支除了机器学习,还包括以下几个主要领域:
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点的自然、清晰的脉络。显然,机器学习是实现人工智能的一个途径之一,即以机器学习为手段,解决人工智能中的部分问题。机器学习在近30多年已发展为一门多领域科际集成,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。[heading1]自然语言是什么?[content]自然语言(NLP)认知和理解是让电脑把输入的语言变成有意思的符号和关系,然后根据目的再处理。自然语言生成系统则是把计算机数据转化为自然语言。是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言处理包括多方面和步骤,基本有认知、理解、生成等部分。[heading1]AI的推理是什么?[content]推理是指利用训练好的模型,使用新数据推理出各种结论。借助神经网络模型进行运算,利用输入的新数据来一次性获得正确结论的过程。这也有叫做预测或推断。[heading1]AI的训练是什么?[content]训练是指通过大数据训练出一个复杂的神经网络模型,通过大量标记过的数据来训练相应的系统,使其能够适应特定的功能。训练需要较高的计算性能、能够处理海量的数据、具有一定的通用性,以便完成各种各样的学习任务。
[title]融合RL与LLM思想,探寻世界模型以迈向AGI/ASI的第一性原理反思和探索「RL×LLM×WM>AI4S>AGI>ASI」[heading1]「上篇」[heading3]回归第一性原理[heading4]LLM洞察&阐释:LLM大家都已经再熟知不过了,为了承上启下,这里针对LLM再做一些简单的概念以及自认为一些关键内涵的回顾。从概念分类角度上看,大语言模型是深度学习的分支。其中:机器学习是人工智能(AI)的一个子领域,它的核心是让计算机系统能够通过对数据的学习来提高性能。在机器学习中,我们不是直接编程告诉计算机如何完成任务,而是提供大量的数据,让机器通过数据找出隐藏的模式或规律,然后用这些规律来预测新的、未知的数据。深度学习是机器学习的一个子领域,它尝试模拟人脑的工作方式,创建所谓的人工神经网络来处理数据。这些神经网络包含多个处理层,因此被称为“深度”学习。深度学习模型能够学习和表示大量复杂的模式,这使它们在诸如图像识别、语音识别和自然语言处理等任务中非常有效。大语言模型是深度学习的应用之一,尤其在自然语言处理(NLP)领域。这些模型的目标是理解和生成人类语言。为了实现这个目标,模型需要在大量文本数据上进行训练,以学习语言的各种模式和结构。如ChatGPT,文心一言,就是一个大语言模型的例子。被训练来理解和生成人类语言,以便进行有效的对话和解答各种问题。如下图所示中LLM与ML、DL的关系:同时,LLM还有一个可以说独有的特点,即生成式AI,这也是区别与其它传统模型或训练任务的Uniqueness,表面上看,这种技术包括用于生成文本、图像、音频和视频等各种类型的内容的模型,其关键特性是,它不仅可以理解和分析数据,还可以创造新的、独特的输出,这些输出是从学习的数据模式中派生出来的。
[title]余欣航heaven:人类一败涂地?丁一点头:比方说,你脑子里有“狗”这个概念,这是因为你见过几只不同的狗、听过同学们用声音描述自己家里养的狗,获取过摸狗的触觉。随后,你脑中就有了相关记忆综合得到“狗”的抽象概念。有时候,即便没有任何关于狗的感官,比如只是躺在床上闭着眼,你也会想到“狗”有关的画面或其他信息……可事实上,你脑中的各种思维也是一个由自然语言或感官记忆构成的超高维时间序列,不妨将这个时间序列记为thought。那么,这个时间序列也是感官数据通过复杂的函数运转得到的:f:(V,A,S,T,F)→ thought简单地说,我们获取的所有感官信息是一个复杂的数据结构,我们的思想是一个超高维的序列数据结构。这些数据结构之间存在复杂的函数映射关系,足以表示我们从感官中获取所有信息、抽象的概念与意义,乃至全部的事物……沉默了片刻之后,我又想到了第二个问题——意义,或者说是价值。诚然,按照多模态模型与大语言模型的发展速度,恐怕人类所认识的所有事物,连同实在感官到抽象概念,很快会被人工智能超过。但是,与人工智能不同的是,人会为这些事物赋予意义与价值。通俗地说,人工智能只会追求“更准”,但是,人会追求“更好”。人不是捕捉与记录客观事物的工具,人的行为总是有目的、有意义的。丁一为我介绍了强化学习(Reinforcement Learning)的概念。强化学习是人工智能与机器学习领域中一个重要的分支。我们熟知的AlphaGo就是用强化学习技术做的。在强化学习中,我们会定义几个元素:状态(state)、动作(action)与奖励(reward),并让AI求解在各种状态下,如何选择动作,以使得自己获得最大的期望奖励总和,也可以叫做“总效用”(Utility)。