以下是除生成式 AI 之外的一些常见的 AI 类型:
在游戏领域,早期的游戏中的计算机控制对手是简单脚本程序,而现在由于更快的微处理器和云技术,能够构建大型神经网络,在高度复杂的领域中识别模式和表示。未来,多代理系统可能会成为建模推理和社会学习过程的主流方式。在生成式 AI 的下一个阶段,推理研发成果将渗透到应用层,特定领域中获取真实世界数据和构建特定认知架构仍是挑战。
[title]1.生成式人工智能简介视频学习地址:https://youtu.be/G2fqAlgmoPo中文版本推荐[宝玉XP翻译版本](https://www.bilibili.com/video/BV15a4y1u77v/)和超正经学术君(以下是两个版本):这个名为"生成式人工智能简介"的视频是由Gwendolyn Stripling博士主讲的。她介绍了生成式人工智能的概念,这是一种可以产生各种类型内容的人工智能,包括文本、图像、音频和合成数据。她解释了人工智能和机器学习的区别,机器学习是人工智能的一个子领域,它通过输入数据训练模型,使计算机能够在没有明确编程的情况下学习。机器学习模型可以是监督的,也可以是无监督的,监督模型使用标记的数据从过去的例子中学习并预测未来的值,而无监督模型则专注于发现原始数据中的模式。深度学习是机器学习的一个子集,它使用人工神经网络处理比传统机器学习模型更复杂的模式。这些神经网络可以使用标记和未标记的数据,从而允许半监督学习。生成式人工智能是适用于这个学科的人工智能的一个子集。它试图学习数据和标签之间的关系,以生成新的内容。生成式人工智能输出自然语言、图像或音频,而非生成式人工智能输出数字或类别。生成式人工智能模型使用统计模型预测预期的响应,并根据它们接受训练的数据的基础结构生成新的内容。他们可以根据接收到的输入生成文本、图像、音频和决策的新颖组合。生成式人工智能的力量来自于使用了Transformers,这种技术在2018年彻底改变了自然语言处理(Transformer模型的核心思想是“自注意力机制”/Self-Attention Mechanism,也被称为“自我注意力”或“注意力”。这种机制允许模型在处理一个词或短语时,同时考虑到与它相关的其他词或短语的信息。这种方式使得模型能够更好地理解语言的上下文,从而更准确地进行翻译或生成文本)。然而,Transformers也可能产生幻觉,这些是模型生成的无意义或语法错误的单词或短语。
在生成式AI的下一个阶段,我们预计推理研发的成果将快速且深入地渗透到应用层。过去,很多认知架构依赖于巧妙的“解锁”技术;而随着这些能力逐渐深度嵌入到模型中,自主应用程序的复杂性和稳健性将会迅速提升。在研究实验室中,推理和推理时计算将继续成为未来的重要议题。随着新的扩展法则的出现,新的竞赛已经开始。但在特定领域中,获取真实世界的数据并构建领域和应用特定的认知架构仍然是一个巨大的挑战。这意味着,在解决现实世界中多样化问题时,“最后一公里”的应用提供商可能更具优势。展望未来,多代理系统,如Factory的“机器人”,可能会成为建模推理和社会学习过程的主流方式。一旦AI能够执行工作,我们将能组建团队,让“工人”完成更多任务。我们所期待的,是生成式AI的“第37步”时刻——就像AlphaGo在与李世石对战的第二局中出人意料的那一步棋。当一个通用AI系统展现出超越人类的思考和决策时,那一刻便会到来。这并不意味着AI将“觉醒”(AlphaGo并没有),而是AI在感知、推理和行动的模拟过程中,能够以全新的方式进行探索。这或许就是通用人工智能(AGI),但如果是这样,它并不会是单一的奇迹,而是技术发展的下一个阶段。
生成性AI是一种机器学习类别,计算机可以根据用户的提示生成原始的新内容。目前,文本和图像是这项技术的最成熟应用,但几乎在每一个创意领域都有工作在进行,从动画、音效、音乐,甚至到创造具有完整性格的虚拟角色。当然,AI在游戏中并不是什么新鲜事。即使是早期的游戏,如雅达利的Pong,也有计算机控制的对手来挑战玩家。然而,这些虚拟的敌人并不是我们今天所知道的AI。它们只是由游戏设计师制定的简单脚本程序。它们模拟了一个人工智能对手,但它们不能学习,它们的能力只取决于创建它们的程序员。现在与以前的不同之处在于,由于更快的微处理器和云技术,我们有了更多的计算能力。有了这种能力,我们可以构建大型的神经网络,这些网络可以在高度复杂的领域中识别模式和表示。这篇博文分为两部分:第一部分包括我们对游戏领域的生成性AI的观察和预测。第二部分是我们对该领域的市场地图,概述了各个细分市场并确定了每个市场的关键公司。