ai未来发展情况会怎么样

在中国互联网上，您可以通过以下途径学习很好的 AI 技术： 1. 学术论文：通过 Google Scholar、IEEE Xplore、ScienceDirect 等学术数据库搜索相关论文，了解 AI 技术的研究成果。 2. 专业书籍：查找与 AI 相关的专业书籍，深入学习 AI 知识。 3. 在线课程和教程： 参加 Coursera、edX、Udacity 等平台上的 AI 课程。 在 YouTube 等视频平台上查找教程和演示视频。 4. 技术论坛和社区： 加入如 Stack Overflow、Reddit 的 r/AI 等相关论坛和社区，与专业人士交流学习。 关注 AI 相关的博客和新闻网站，了解最新技术动态。 5. 开源项目和代码库：在 GitHub 等开源平台上探索 AI 相关项目，了解其应用和实现。 6. 企业案例研究：研究如 Autodesk、Siemens 等公司在 AI 领域的应用案例，了解实际项目中的效果。 对于新手学习 AI，您可以： 1. 了解 AI 基本概念： 阅读「」部分，熟悉术语和基础概念。 浏览入门文章，了解历史、应用和发展趋势。 2. 开始 AI 学习之旅： 在「」中找到初学者课程，推荐李宏毅老师的课程。 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，掌握提示词技巧。 4. 实践和尝试：实践巩固知识，使用各种产品创作，并在知识库分享实践成果。 5. 体验 AI 产品：与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解工作原理和交互方式。

以下是关于 AI 数字人直播的相关信息： AI 数字人直播盈利方式： 1. 直接卖数字人工具软件，分为实时驱动和非实时驱动两类。实时驱动在直播时能改音频话术，真人接管，市面标准零售价一年 4 6 万往上。非实时驱动一个月 600 元，效果差，类似放视频的伪直播，市场价格混乱，存在靠发展代理割韭菜的情况。 2. 提供数字人运营服务，按直播间成交额抽佣。 AI 直播卖货适用品类和场景： 1. 适用于不需要强展示的商品，如品牌食品饮料。不适用于服装，因过品快且衣服建模成本高。 2. 适用于虚拟商品，如门票、优惠券等。 3. 不适用于促销场景，涉及主播话术、套路和调动直播间氛围能力等。 4. 电商直播分为达播跟店播，数字人直播在店播中的效果最好，数据基本能保持跟真人一样。 AI 直播的壁垒和未来市场格局： 1. 从长期看，技术上没壁垒，但目前仍有技术门槛，如更真实的对口型、更低的响应延迟等。单纯靠开源算法拼的东西，实时性、可用性不高。 2. 不会一家独大，可能有 4 5 家一线效果的公司，大多为二三线效果公司。因为它只是工具，迁移成本低。 3. 真正把客户服务好，能规模化扩张的公司更有价值。疯狂扩代理割韭菜、不考虑客户效果的公司，售后问题麻烦。 4. 有资源、有业务的大平台下场，可能会带来降维打击，例如剪映马上要做，如果不仅提供数字人，还提供货品供应链、数据复盘分析等全环节打通服务，会绑定商家，竞争难度大。 数字人简介： 数字人是指运用数字技术创造出来的人，虽现阶段不能像科幻作品中的人型机器人一样具备高度智能，但已在生活各类场景中出现，且随着 AI 技术发展迎来应用爆发。目前业界没有准确定义，一般根据技术栈不同分为两类： 1. 真人驱动的数字人：重在通过动捕设备或视觉算法还原真人动作表情，主要应用于影视行业及直播带货，表现质量与手动建模精细程度及动捕设备精密程度直接相关。随着视觉算法进步，在无昂贵动捕设备时，也可通过摄像头捕捉人体骨骼和人脸关键点信息，达到不错效果。

AI 在科研领域中的应用广泛，特别是在医疗健康方面： 抗癌方面：AI 能够提前诊断胰腺癌，如相关研究表明其有可能提前三年做出诊断。 抗衰老方面：通过筛查大量化合物，发现高效的药物候选物，其药理学性质优于已知的抗衰老物质。 早期疾病防治方面：例如在帕金森病的研究中，利用神经网络分析患者体液中的生物标志物，可在症状出现前几年发现疾病。 发现新靶基因：两名高中生与医疗技术公司合作，借助 AI 发现了与胶质母细胞瘤相关的三个新靶基因。 寻找治疗方法：如亚利桑那大学与哈佛大学共同利用人工智能对健康神经元在疾病进展过程中的分子变化进行研究，以识别阿尔茨海默病的原因和潜在药物靶点。 国内外情况对比： 在医疗 AI 领域，中美存在较大差异。美国医疗支出占 GDP 比重约 17%，中国约 7%。美国医生独立行医，有独立决策权，议价能力和意愿较强；中国政府和医院集采议价能力强，采购流程复杂。此外，由于存在“灰色收入”“医患不信任”“考核评比”等问题，中国医院、医生对于可能记录、审查自己言行的应用普遍持抵触态度。在中国的落地场景中，“AI 协助医生”不如“AI 独立诊断”，机械套用美国的 AI 医疗应用模式在中国基本行不通。

AI 在科研中的运用十分广泛，特别是在医疗领域： 抗癌方面：AI 能够提前三年诊断胰腺癌，有助于尽早开展治疗。 抗衰老方面：通过筛查大量化合物，发现高效的药物候选物。 早期疾病防治方面：例如在帕金森病的第一个症状出现前几年，就可通过分析患者体液中的生物标志物进行发现。 胶质母细胞瘤研究方面：两名高中生与医疗技术公司合作，借助 AI 发现了与该癌症相关的三个新靶基因。 阿尔兹海默症治疗方面：亚利桑那大学与哈佛大学共同利用人工智能对健康神经元在疾病进展过程中的分子变化进行研究，以识别疾病的原因和潜在药物靶点。 此外，在新工业革命中，AI 正在使生物制药和医疗保健产业化，被应用于从药物设计、诊断到医疗保健交付和后勤功能的各个方面。 AI 在其他科研领域也有众多应用场景，如： 金融服务：包括风控和反欺诈、信用评估、投资分析、客户服务等。 零售和电子商务：涵盖产品推荐、搜索和个性化、动态定价、聊天机器人等。 制造业：涉及预测性维护、质量控制、供应链管理、机器人自动化等。 交通运输：（此处未给出具体应用，您可补充更多相关问题以获取更详细的信息）

以下是关于用 AI 创业的一些建议： 1. 关注数据飞轮效应：如果打算做 ToC 场景的创业，要重视数据飞轮带来的正反馈效应，因为 C 端能带来的数据优势可能是在 AI 早期决胜的关键。 2. 探索垂直模型：有专业壁垒的垂直模型也许是机会所在，很多高价值、特定领域的工作流程依赖于丰富的专有数据集。 3. 明确产品方向：大模型产品可以朝着个性化（给它装上“记忆”，成为工作助理或陪伴者）和场景化（给它装上“手”和“眼睛”）两个方向发展。 4. 及早行动：现在就开始探索生成性 AI，提前布局的公司将来会具有优势。 5. 寻找市场空白：市场地图的某些部分已经拥挤，而其他区域仍空旷，应将努力集中在尚未探索的区域。 6. 针对不同群体的建议： 技术爱好者：从小项目开始，探索 AI 编程工具，参与 AI 社区，构建 AI 驱动的项目。 内容创作者：利用 AI 辅助头脑风暴，建立 AI 写作流程，探索多语言内容，优化 SEO。 7. 注重实践和迭代：AI 的学习和应用，用起来、有效迭代大于一切，形成正确的底层工作逻辑，按节奏确定目标和复盘。 8. 组织公司架构：AI 创业要从 AI 效率、变革的角度去组织公司架构。 9. 把握融资节奏：在当下 AI 火热的状态，创始人要把握好融资节奏。

以下是一些比较好的 AI 制作视频的工具： 1. Stable Diffusion（SD）：一种 AI 图像生成模型，可基于文本描述生成图像。网址：https://github.com/StabilityAI 2. Midjourney（MJ）：适用于创建小说中的场景和角色图像的 AI 图像生成工具。网址：https://www.midjourney.com 3. Adobe Firefly：Adobe 的 AI 创意工具，能生成图像和设计模板。网址：https://www.adobe.com/products/firefly.html 4. Pika AI：文本生成视频的 AI 工具，适合动画制作。网址：https://pika.art/waitlist 5. Clipfly：一站式 AI 视频生成和剪辑平台。网址：https://www.aihub.cn/tools/video/clipfly/ 6. VEED.IO：在线视频编辑工具，具有 AI 视频生成器功能。网址：https://www.veed.io/zhCN/tools/aivideo 7. 极虎漫剪：结合 Stable Diffusion 技术的小说推文视频创作提效工具。网址：https://tiger.easyartx.com/landing 8. 故事 AI 绘图：小说转视频的 AI 工具。网址：https://www.aihub.cn/tools/video/gushiai/ 此外，还有以下文字生成视频的 AI 产品： 1. Pika：擅长动画制作，并支持视频编辑。 2. SVD：可在 Stable Diffusion 图片基础上直接生成视频。 3. Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频的功能，但收费。 4. Kaiber：视频转视频 AI，能将原视频转换成各种风格的视频。 5. Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多的文生视频的网站可以查看：https://www.waytoagi.com/category/38 。 如果您想创作 AI 短片，除了使用相关工具，还需要考虑故事来源。比如通过原创（直接经验），基于您或周围人的经历、做过的梦、想象的故事等；或者通过改编（间接经验），对经典 IP、名著、新闻、二创等进行改编。在剧本写作方面，虽然编剧有一定门槛，但短片创作相对简单，可从自身或朋友经历改编入手，也可对触动您的短篇故事进行改编。多与他人讨论故事，有助于修改和进步。

AI 的未来展望呈现出以下几个方面的趋势和特点： 在企业应用方面： 提示词工程的重要性日益凸显，其作为人机交互的关键接口，将为企业带来新的机遇和挑战。未来的 AI 系统可能具备更强的理解力、创造力和推理能力，进一步扩展提示词工程的应用范围和深度。 超级个性化：能更深入理解客户需求和偏好，提供高度定制的产品和服务。 预测性决策：通过分析数据和模式做出更准确预测，辅助企业战略规划。 自动创新：可能具备独立创新设计能力，加速产品开发周期。 智能流程优化：自动识别和优化企业内部复杂流程，提高运营效率。 对设计领域产生深刻影响： 设计专业：重新定义设计师的竞争力边界，对需求理解、问题分析、审美判断、创意等提出更高要求，高阶设计师要更显性化设计思考与专业优势。 工具能力：需严格评估和选型现有 AI 工具，建设参数文档库，基于业务场景训练专属模型、集成能力形成新工具。 工作流程：将 AI 深入日常设计流程，形成新方式与流程，针对 AI 特性优化每一步，探索人&机结合的合理方式。 设计团队：制定并执行明确的 AI 融合策略，保证硬件设备支持，营造创新环境，增强适应能力。 在整体发展方面： 随着技术进步，成千上万的公司正在将 AI 整合到工作流程中，以扩张规模和降低成本。 不远的将来，有望看到 UX 和 UI 围绕 AI 的功能进行重新设计，开发全新的用户界面，提供新体验。

目前关于通过 AI 学习易经来占卦的相关内容较为复杂和多样。 一方面，有案例如“问事屋一个摇签算卦 Bot”，其创建者原本打算做基于六爻周易解卦的 bot，但因 AI 对结果的分析和推理存在不足，后转换思路，以庙里摇签抽签的经历为灵感，收集整理相关签文并搭建工作流。 另一方面，从理论角度来看，AI 模型具有一定的灵活性和学习能力，但如同简单神经网络在预测未来时可能失败一样，AI 在学习易经占卦这类复杂且具有深厚文化内涵和哲学思考的领域，仍面临诸多挑战和限制。 需要注意的是，易经占卦更多是一种文化和哲学的表达方式，其结果并非具有科学可验证性的准确预测。

在未来，AI 运用在人形机器人上能够实现以下方面： 1. 为人类生活带来更智能、更便捷的体验，提供各种生活服务和生产制造服务。 2. 打造能够与人类建立深度互动的智能体，自主处理与复杂物理世界的交互。 3. 利用端到端的 AI 运动控制技术驱动软硬件一体化的机器人系列产品，开发在真实世界中生产、制造以及服务的人形机器人产品。 4. 拥有先进的计算机视觉算法、人工智能算法、控制和路径规划算法，对 3D 物体的姿势估计具有出色的感知能力。 5. 可以为机器人提供模仿训练数据，人形机器人可能在人类世界中更加有用，部署更加高效。 6. 借助相关技术，人形机器人能够从少量人类演示中学习，帮助完成日常任务，通过观察模仿人类的运动。 7. 由全新的机器人芯片提供支持，实现更强大的智能功能。

AI 在未来运用在机器人上的方面包括： 1. 制造业：带来制造业的革命，如自适应机器人的应用。 2. 自动驾驶：自动驾驶车辆成为重要应用领域。 3. 人形机器人：在非结构化环境中的应用具有巨大价值。 4. 医疗领域： 护理/手术机器人：逐渐出现由 AI 驱动的机器人，护理等非生命直接相关的机器人会早于手术机器人。 人体健康模型：如“AI 虚拟病人”帮助药品在进入临床之前进行预筛查，未来可能出现模拟人体运转的 AGI 实现“防未病”和“真个性化”诊疗。 5. 农业：应用于田间管理的机器人能提高农业生产效率、可持续性和生产力。 6. 疾病检测与治疗：改善乳腺癌筛查，变革疾病的检测、预防和治疗方式。

目前关于 AI 是否会取代 UI 设计师存在多种观点。 一方面，有观点认为 AI 将提高设计师的能力，并使设计更易接触。AI 可以取代基于组件的设计工作，让设计师专注于端到端流程。随着 AI 越来越多地融入产品中，AI 设计的角色将变得至关重要，需要针对 UI/UX 设计特别设计的 ML 模型，并且具有潜力进行直观互动的基于 AI 技术的聊天界面。AI 还能帮助用户发现和理解其真正愿望，促进协作与社区合作。 另一方面，也有观点指出未来的界面将会是动态界面，可以根据提示直接生成 UI 代码，而非设计稿。未来设计师可能不需要设计众多完整的界面和交互模式，专注于生产完成细分需求与 AI 交互所需要的组件即可，甚至可能不需要画设计稿。因此，未来对于 UI 或 UX 设计师的需求数量难以确定。 以下是一些与 UI 设计相关的 AI 工具和资源： 使用 Midjourney 和 Figma 进行 AI 驱动的 UI 设计： 用户研究： 搜索： Figma 平台 AI 插件： Magician for Figma

端侧模型未来具有良好的发展前景，主要体现在以下几个方面： 1. 技术能力提升：未来的模型能力会更强，能够更好地理解和区分布局，甚至处理不同类型的输入。例如，2024 年可能会有能将图像和文本同时作为输入，融合得很好，实现风格转换和场景一致性的工作。 2. 手机和电脑终端应用：手机和电脑终端的端侧小模型有很大前景，对端侧模型的低功耗、低算力和高智能体验有很高的要求。 3. 优势明显：端侧模型具有个性化、数据隐私安全和对联网稳定性和延时要求低的优势。 4. 潜力巨大：在汽车场景中，一些 13 14B 中小模型也超过了云端的闭源模型，说明可满足用户需求具备良好能力的端侧模型潜力很大。 然而，端侧模型也存在一些挑战： 1. 小于手机形态的产品上，不太可能通过将模型部署在端侧，创造在续航、智能体验和使用体验上的良好平衡。 2. 端侧模型的智能体验目前比云端模型差。 总体而言，端侧模型在未来的发展中机遇与挑战并存。

AI 正在普及并快速发展，我们在日常生活中的很多方面都能与之互动，比如交通、天气预测以及电视节目推荐等。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，包括自监督预训练、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，涵盖模型可解释性、因果推理、符号推理等。 6. 机器人学，包含强化学习、运动规划、人机交互等。 7. 量子 AI，有量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 AI 技术发展历程如下： 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。

SD 是 Stable Diffusion 的简称。它是由初创公司 StabilityAI、CompVis 与 Runway 合作开发，于 2022 年发布的深度学习文本到图像生成模型，主要用于根据文本描述产生详细图像。Stable Diffusion 是一种扩散模型（diffusion model）的变体，叫做“潜在扩散模型”（latent diffusion model; LDM）。 其代码模型权重已公开发布，可在大多数配备适度 GPU 的电脑硬件上运行，当前版本为 2.1 稳定版（2022.12.7）。 我们可以通过一系列工具搭建准备，使用 SD 进行想要的图片 AIGC。 2023 年有以下最新消息： 08.26：已经撰写 Stable Diffusion 1.x 2.x 系列和对应 LoRA 的训练全流程与详细解读内容，同时发布对应的保姆级训练资源，大家可以愉快地训练属于自己的 SD 和 LoRA 模型。 07.26：由于 Stable Diffusion 模型的网络结构比较复杂，不好可视化，因此发布了 Stable Diffusion 中 VAE，UNet 和 CLIP 三大模型的可视化网络结构图，大家可以下载用于学习。 Stable Diffusion 系列资源： 第三方模型资源：（huggingface 模型网站） 热门社区：（全球讨论最激烈的 SD 资讯论坛）

以下是一些可能有助于您优化视频的建议： 1. 对于您提到的卡通角色动作模糊的问题，可以尝试使用 Dreamina 工具，并将运动速度设为慢速，同时在 Prompt 里写轻微的动作描述，可能会有不错的效果。 2. 由于 Dreamina 工具存在只有 8 帧和 720P 的限制，您可以使用 Topaz Video AI 将其增强到 24 帧和 4K。在 B 站搜索“Topaz Video AI 4.2.1”关键词能找到相关教程。增强完成后，再放到剪映里裁成 21:9 的比例。 3. 对于卡通角色五官不清晰的情况，如果 AI 工具无法处理，可能需要使用传统的 AE 软件自己制作，比如普通的下沉位移动画。 需要注意的是，在某些情况下，如人物在水中下沉时，AI 视频可能会出现脸糊的情况，这种情况可能需要传统手段来解决。

以下是一份关于 AI 发展情况及对办公效率提升的 15 道选择题问卷： 1. 您是否了解当前 AI 的发展状况？ A. 非常了解 B. 了解一些 C. 不太了解 D. 完全不了解 2. 您认为 AI 对办公效率的提升作用主要体现在哪些方面？（可多选） A. 数据处理 B. 文档撰写 C. 会议安排 D. 任务分配 E. 其他 3. 在您的工作中，是否已经开始使用 AI 工具？ A. 是 B. 否 4. 如果您使用了 AI 工具，您觉得它对您工作的帮助程度如何？ A. 非常大 B. 较大 C. 一般 D. 较小 E. 几乎没有 5. 您认为 AI 工具在以下哪些方面能够提高办公效率？（可多选） A. 节省时间 B. 提高准确性 C. 创新思维 D. 优化流程 E. 其他 6. 您觉得 AI 工具在办公中的应用是否存在风险？ A. 是 B. 否 7. 如果存在风险，您认为主要是哪些方面？（可多选） A. 数据安全 B. 隐私泄露 C. 错误决策 D. 其他 8. 您认为 AI 工具在未来几年内对办公方式的改变程度会如何？ A. 巨大 B. 较大 C. 一般 D. 较小 E. 几乎不变 9. 您所在的团队是否已经开始使用 AI 工具？ A. 是 B. 否 10. 如果团队使用了 AI 工具，您认为它对团队工作方式的影响程度如何？ A. 非常大 B. 较大 C. 一般 D. 较小 E. 几乎没有 11. 您认为 AI 工具在哪些工作环节上能够发挥最大的作用？（可多选） A. 策划 B. 执行 C. 监督 D. 评估 E. 其他 12. 您是否愿意在未来更多地使用 AI 工具来提高工作效率？ A. 非常愿意 B. 愿意 C. 不确定 D. 不愿意 E. 非常不愿意 13. 您认为目前阻碍 AI 工具在办公中广泛应用的主要因素是什么？（可多选） A. 技术不成熟 B. 成本过高 C. 员工培训不足 D. 其他 14. 您认为 AI 工具在未来会取代人类的工作吗？ A. 会 B. 不会 C. 部分取代 D. 不确定 15. 对于 AI 在办公领域的发展，您的态度是？ A. 积极支持 B. 谨慎对待 C. 无所谓 D. 反对

以下是一些可用于研究市场趋势、消费者行为和竞争对手情况，快速识别受欢迎的产品、价格区间、销量等关键信息的 AI 分析工具： 1. 市场分析方面：有能够处理大量数据的工具，可帮助您快速了解市场动态，比如识别哪些产品受欢迎、价格区间以及销量等关键信息。 2. 关键词优化：部分 AI 工具可以分析和推荐高流量、高转化的关键词，以优化产品标题和描述，提高搜索排名和可见度。 3. 产品页面设计：一些 AI 设计工具能根据市场趋势和用户偏好自动生成吸引人的产品页面布局。 4. 内容生成：AI 文案工具能够撰写有说服力的产品描述和营销文案，从而提高转化率。 5. 图像识别和优化：借助 AI 图像识别技术可以选择或生成高质量的产品图片，更好地展示产品特点。 6. 价格策略：某些 AI 工具可以分析不同价格点对销量的影响，协助制定有竞争力的价格策略。 7. 客户反馈分析：通过 AI 分析客户评价和反馈，了解客户需求，优化产品和服务。 8. 个性化推荐：利用 AI 可根据用户的购买历史和偏好提供个性化的产品推荐，增加销售额。 此外，汽车公司也会使用 AI 来分析市场趋势、消费者行为和销售数据，以便更好地理解客户需求，制定营销策略和优化产品定价。中小企业还能通过使用 AI 工具分析大量的客户和市场数据，为营销、产品开发等部门提供基于数据的建议和指导，形成数据驱动决策的闭环，不断优化业务。

以下是为您提供的系统性学习 AI 并在这方面发展的建议： 1. 从编程语言入手学习： 可以从 Python、JavaScript 等编程语言开始，学习编程语法、数据结构、算法等基础知识，为后续的 AI 学习筑牢基础。 2. 尝试使用 AI 工具和平台： 可以使用 ChatGPT、Midjourney 等 AI 生成工具，体验其应用场景。 探索面向中学生的 AI 教育平台，如百度的“文心智能体平台”、Coze 智能体平台等。 3. 学习 AI 基础知识： 了解 AI 的基本概念、发展历程、主要技术如机器学习、深度学习等。 学习 AI 在教育、医疗、金融等领域的应用案例。 4. 参与 AI 相关的实践项目： 参加学校或社区组织的 AI 编程竞赛、创意设计大赛等活动。 尝试利用 AI 技术解决生活中的实际问题，培养动手能力。 5. 关注 AI 发展的前沿动态： 关注 AI 领域的权威媒体和学者，了解 AI 技术的最新进展。 思考 AI 技术对未来社会的影响，培养对 AI 的思考和判断能力。 总之，您可以从编程基础、工具体验、知识学习、实践项目等多个方面入手，全面系统地学习 AI 知识和技能，为未来在 AI 领域的发展做好准备。 另外，还有一些关于 AI 在医疗保健领域的信息供您参考：鉴于人工智能依赖的神经网络基础，专家 AI 可能通过元学习（或学会学习）比我们预期的更快地获得知识，并带着我们人类一同进步。AI 的性质让我们可以做一些我们无法对人做的事情，即将他们一部分一部分地拆解，并研究每一个小部分。通过构建系统以深入探索专家 AI 的内部工作机制，我们将创造一个学习的飞轮。最终，专家 AI 可能超越领域专家的角色，成为下一代专家——无论是人类还是 AI——的教师。

大语言模型的发展历程如下： 2017 年，发布了《Attention Is All You Need》论文，为后续发展奠定基础。 2018 年，Google 提出 BERT（Bidirectional Encoder Representations from Transformers），其创新性地采用双向预训练并行获取上下文语义信息，以及掩码语言建模（MLM）以更好地推断语义信息，参数规模在 110M 到 340M 之间。 2018 年，OpenAI 提出 GPT（Generative Pretrained Transformer），开创了仅使用自回归语言建模作为预训练目标而无需额外监督信号的方式，展示了强大的语言生成能力，参数规模达 1750 亿。 2021 年，Meta 提出 Large LAnguage Model Approach（LLAMA），这是首个开源模型，为构建更大规模、更通用的语言模型提供了方法与工具，参数规模在十亿到千亿之间。 此外，OpenAI 的 GPT3.5 是其大语言模型 GPT 系列中多年来最完善的一次迭代，并通过 ChatGPT 成功推向大众，在短时间内实现了用户的快速增长。 在语言模型的发展中，20 世纪 80 年代发明了递归神经网络（RNN）处理单词序列，但存在训练速度慢和遗忘问题。1997 年发明的长短期记忆（LSTM）网络解决了部分问题，但语言能力有限。 2020 年中期，Lewis 等人提出检索增强生成（RAG），它将外部数据检索整合到生成过程中，提高了模型提供准确和相关回答的能力。RAG 的演进轨迹在四个不同阶段展开，2017 年的创始阶段主要重点是通过预训练模型（PTM）来吸收额外的知识以增强语言模型。

以下是关于 AI 整体发展框架的相关内容： OpenAI 提出的 AGI 五个等级： 1. 聊天机器人（Chatbots）：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 推理者（Reasoners）：具备人类推理水平，能解决复杂问题，如 ChatGPT，可根据上下文和文件提供详细分析和意见。 3. 智能体（Agents）：不仅具备推理能力，还能执行全自动化业务，但目前许多 AI Agent 产品执行任务后仍需人类参与。 4. 创新者（Innovators）：能够协助人类完成新发明，如谷歌 DeepMind 的 AlphaFold 模型，可预测蛋白质结构，加速科学研究和新药发现。 5. 组织（Organizations）：最高级别的 AI，能够自动执行组织的全部业务流程，如规划、执行、反馈、迭代、资源分配和管理等。 周鸿祎总结的 AI 发展五个阶段： 1. 小模型阶段：能力单一，无法泛化和理解，只能完成特定任务，如早期的人脸识别。 2. GPT 出现，AGI 迎来拐点，机器实现与人类交流。 3. Sora 出现，打开 AGI 大门，能够认知世界并与世界互动，但目前算力和训练可能受限。 4. 强人工智能：机器能看懂常识和交流，但还缺对世界力量的感知，如加速度、重力等，以及与物理世界的互动。 5. 超级人工智能：能够总结出世界的规律，如像牛顿、爱因斯坦一样得出公式。 在医疗保健领域的 AI 发展： 开发具有潜在空间层次结构的堆叠 AI 模型，以帮助 AI 理解模式和关系。可能最初平行于人类教育范例，而后专门发展以培养新型专业知识。创建特定领域的专家 AI 比创建跨领域的全能 AI 更容易，预计会创造许多采用多样化方法的专家 AI。同时，应让 AI 从在线基础投入到原子世界，让人类专家配备可穿戴设备收集互动供 AI 学习，让专家 AI 接触多样化视角以避免偏见。

AI 的整体发展框架包括以下几个方面： 1. 模型开发：开发具有潜在空间层次结构的堆叠 AI 模型，以帮助其理解复杂数据中的模式和关系。这些模型可能会以类似人脑皮层的方式发展，针对特定任务设计专门的神经架构，如在医疗保健领域可能会有生物皮层和药物设计皮层。 2. 应用方向：创建特定领域的专家 AI 可能比创建全能型 AI 更容易，预计会创造许多在编码、数据和测试方面采用多样化方法的专家 AI。 3. 学习方式：不仅要让 AI 在线学习，还应将其投入到现实世界中。例如让人类专家配备可穿戴设备，收集现实世界的互动供 AI 学习。 4. 避免偏见：让专家 AI 接触顶级从业人员的多样化视角，以避免复制危险的偏见。 5. 国际合作：在推进国内议程的同时，与国外的盟友和伙伴合作建立强大的国际框架来管理 AI 的开发和使用。 此外，在小学课堂中，关于 AI 的课程框架设计可分为四个部分：什么是 AI、AI 的发展历程和重大突破、玩转 AI——今日应用探索以及问答环节。同时，拜登签署的 AI 行政命令也表明了美国在推进安全、可靠和可信的 AI 方面的举措，并将继续与国会合作追求相关的两党立法。

目前，AI 与宠物的结合已经取得了一定的发展，主要体现在以下几个方面： 1. AI 宠物助手：基于自然语言处理和计算机视觉，能帮助主人更好地照顾宠物，比如自动识别宠物情绪、提供饮食建议、监测宠物健康状况等。 2. AI 宠物互动玩具：利用 AI 技术开发的智能互动玩具，可增强宠物的娱乐体验，例如会自主移动并引起宠物注意的智能玩具、会发出声音和互动的智能宠物玩具等。 3. AI 宠物图像生成：使用生成式 AI 模型，能根据文字描述生成各种宠物形象的图像，帮助宠物主人定制个性化的宠物形象。 4. AI 宠物医疗诊断：利用计算机视觉和机器学习技术，开发 AI 辅助的宠物医疗诊断系统，通过分析宠物的症状图像和病历数据，提供初步诊断建议。 5. AI 宠物行为分析：基于传感器数据和计算机视觉，利用 AI 技术分析宠物的行为模式，帮助主人更好地了解宠物的需求和习性。 学习路径建议： 1. 掌握基础的机器学习、计算机视觉、自然语言处理等 AI 技术。 2. 了解宠物行为学、宠物医疗等相关领域知识。 3. 关注业内先进的 AI+宠物应用案例，学习其技术实现。 4. 尝试开发简单的 AI 宠物应用原型，并不断迭代优化。 总的来说，AI+宠物是一个充满想象空间的新兴赛道，结合 AI 技术和宠物行业需求，可以开发出各种有趣有用的应用。

以下是关于人工智能发展对就业市场的影响及对策的分析： 影响： 带来工作场所的变化，如提高生产力，但也存在增加工作场所监视、偏见和岗位置换的风险。 预计会使劳动力市场发生显著变化，多数工作的改变速度可能比人们预想的慢。 具有像电力或互联网一样的巨大影响力，能在多种场景应用，有推动经济增长和创造就业的巨大潜力。 对策： 制定原则和最佳实践，以减轻人工智能对工人的危害，例如解决岗位置换、劳动标准、工作场所公平、健康和安全以及数据收集等问题。 为工人提供指导，防止雇主对工人补偿不足、不公平评估工作申请或侵犯工人组织的能力。 制作关于人工智能对劳动力市场潜在影响的报告，并研究和确定加强联邦对面临劳动中断（包括来自人工智能）的工人的支持的选项。 总之，人工智能的发展既带来了机遇也带来了挑战，我们需要采取相应的对策来平衡其对就业市场的影响。