AI的发展历程

构建一个自己专业的 AI 小模型可以参考以下步骤： 1. 搭建 OneAPI：这是为了汇聚整合多种大模型接口，方便后续更换使用各种大模型，同时了解如何白嫖大模型接口。 2. 搭建 FastGpt：这是一个知识库问答系统，将知识文件放入，接入上面的大模型作为分析知识库的大脑，最后回答问题。如果不想接到微信，搭建完此系统就可以，它也有问答界面。 3. 搭建 chatgptonwechat 并接入微信，配置 FastGpt 把知识库问答系统接入到微信，建议先用小号以防封禁风险。若想拓展功能，可参考 Yaki.eth 同学的教程，里面的 cow 插件能进行文件总结、MJ 绘画等。 部署和训练自己的 AI 开源模型的主要步骤如下： 1. 选择合适的部署方式，包括本地环境部署、云计算平台部署、分布式部署、模型压缩和量化、公共云服务商部署等，根据自身的资源、安全和性能需求进行选择。 2. 准备训练所需的数据和计算资源，确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础，可以使用开源的预训练模型如 BERT、GPT 等，也可以自行训练一个基础模型。 4. 针对目标任务进行模型微调训练，根据具体应用场景对预训练模型进行微调训练，优化模型结构和训练过程以提高性能。 5. 部署和调试模型，将训练好的模型部署到生产环境，并对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护，大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 大模型的构建过程包括： 1. 收集海量数据：像教孩子成为博学多才的人一样，让模型阅读大量的文本数据，如互联网上的文章、书籍、维基百科条目、社交媒体帖子等。 2. 预处理数据：清理和组织收集到的数据，如删除垃圾信息，纠正拼写错误，将文本分割成易于处理的片段。 3. 设计模型架构：为模型设计“大脑”结构，通常是一个复杂的神经网络，如使用 Transformer 架构。 4. 训练模型：让模型“阅读”提供的数据，通过反复尝试预测句子中的下一个词等方式，逐渐学会理解和生成人类语言。

以下为一些好用的 AI 表格工具推荐： 6 月访问量排名： 1. Highcharts：表格工具，6 月访问量 235 万，相对 5 月变化 0.389。 2. Fillout.com：表格工具，6 月访问量 186 万，相对 5 月变化 0.147。 3. Coefficient：表格工具，6 月访问量 46 万，相对 5 月变化 0.251。 4. Numerous.ai：表格工具，6 月访问量 41 万，相对 5 月变化 0.087。 5. SheetGod：表格工具，6 月访问量 31 万，相对 5 月变化 0.033。 6. GPTExcel：表格工具，6 月访问量 25 万，相对 5 月变化 0.364。 7. 酷表 ChatExcel：表格工具，6 月访问量 18 万，相对 5 月变化 0.159。 8. GPT Workspace：表格工具，6 月访问量 17 万，相对 5 月变化 0.213。 9. OpenAI in Spreadsheet：表格工具，6 月访问量 12 万，相对 5 月变化 0.314。 10. Ajelix AI Excel Tools：表格工具，6 月访问量 10 万，相对 5 月变化 0.145。 4 月访问量排名： 1. ：表格工具，4 月访问量 175 万，相对 3 月变化 0.036。 2. Highcharts：表格工具，4 月访问量 127 万，相对 3 月变化 0.257。 3. Numerous.ai：表格工具，4 月访问量 73.4 万，相对 3 月变化 0.911。 4. Coefficient：表格工具，4 月访问量 69 万，相对 3 月变化 0.213。 5. GPTExcel：表格工具，4 月访问量 37 万，相对 3 月变化 1.139。 6. Rows AI：表格工具，4 月访问量 34 万，相对 3 月变化 0.115。 7. SheetGod：表格工具，4 月访问量 26 万，相对 3 月变化 0.016。 8. AI Excel Bot：表格工具，4 月访问量 25.3 万，相对 3 月变化 0.103。 9. OpenAI in Spreadsheet：表格工具，4 月访问量 17 万，相对 3 月变化 0.091。 10. GPT Workspace：表格工具，4 月访问量 17 万，相对 3 月变化 0.189。 关于 Excel 的 AI 功能，目前有以下几种工具和插件可以增强 Excel 的数据处理和分析能力： Excel Labs：Excel 插件，新增生成式 AI 功能，基于 OpenAI 技术，可在 Excel 中利用 AI 进行数据分析和决策支持。 Microsoft 365 Copilot：微软推出，整合了 Word、Excel、PowerPoint、Outlook、Teams 等办公软件，通过聊天形式，用户告知需求，Copilot 自动完成任务。 Formula Bot：提供数据分析聊天机器人和公式生成器两大功能，用户可通过自然语言交互式进行数据分析和生成 Excel 公式。 Numerous AI：支持 Excel 和 Google Sheets 的 AI 插件，可生成公式、相关文本内容、执行情感分析、语言翻译等任务。 这些工具通过 AI 技术提升了 Excel 的数据处理能力，随着技术发展，未来可能会有更多 AI 功能集成到 Excel 中，进一步提高工作效率和数据处理的智能化水平。请注意，内容由 AI 大模型生成，请仔细甄别。

目前较为出色的 AI 大模型包括： 1. GPT4（免费可用）：是 OpenAI 在深度学习规模扩大方面的最新里程碑，是一个大型多模态模型，在各种专业和学术基准测试中表现出与人类相当的水平。 2. Midjourney v5（免费）：具有极高的一致性，擅长以更高分辨率解释自然语言 prompt，并支持像使用 tile 这样的重复图案等高级功能，能生成令人惊叹的逼真 AI 图像。 3. DALL·E 3（免费可用）：代表了生成完全符合文本的图像能力的一大飞跃，能轻松将想法转化为极其精准的图像。 4. Mistral 7B（免费）：是一个具有 73 亿参数的模型，在所有基准测试上超越了 Llama 2 13B，在许多基准测试上超越了 Llama 1 34B，在代码任务上接近 CodeLlama 7B 的性能，同时在英语任务上表现良好。 此外，在主要的大语言模型方面： 1. OpenAI 系统：包括 3.5 和 4.0 版本，3.5 模型在 11 月启动了当前的 AI 热潮，4.0 模型功能更强大。微软的 Bing 使用 4 和 3.5 的混合，通常是 GPT4 家族中首个推出新功能的模型。 2. 谷歌：一直在测试自己的人工智能 Bard，由各种基础模型驱动，最近是一个名叫 PaLM 2 的模型。 3. Anthropic 发布了 Claude 2，其最值得注意的是有一个非常大的上下文窗口。

很抱歉，目前本网站没有关于 AI 量化炒股的学习资料。

对于 35 岁的 Java 后端开发人员转型 AI 开发，以下是一些建议： 1. 利用固定格式文档结合 AI 进行代码开发时，要强调组员的主观能动性，让他们自主设计，组长负责引导和经验分享。文档并非唯一最佳方式，可尝试用简短描述或 Prompt 辅助代码生成。在 AI 编程中，设计非常重要，模块化低耦合设计和清晰的上下文对代码生成效果尤为关键。参考链接： 2. 借助 AI 编程工具（如 Cursor），熟悉 LLM 原理，探索复杂 Prompt 和定制化规则。开展 LLM 相关的 Side Project（如翻译工具、AI 对话应用等），通过实践快速掌握技能。将 AI 当老师，边做边学，获取即时反馈，持续提升。核心建议是行动起来，找到正反馈，坚持使用 AI 辅助编程。参考链接：

以下是关于如何让 AI 写一篇好的文学理论论文的相关内容： 首先，过度追求模型的正面描述和对齐人类价值观可能会带来问题。比如在文学创作中，道德过度正确和大量正面描述实际上是一种“对齐税”，会让模型变得愚蠢。像生成的游戏中主人公全是幸福人生，这样的故事缺乏冲突，人物单薄，不好看。而且全乎正确的道德和完美的正面在现实世界中并不存在，纵观文学史，伟大的文学作品几乎没有全是正面描述的，因为人类的心灵与生活极为复杂，痛苦、绝望和悲伤也是生命体验的一部分，只有正面的故事很难获得共鸣。 其次，好的文字能引起人的生理共鸣与情绪。人们在感受到好文字时，往往有一种被击中、头皮发麻的感觉。共鸣是文学的基础，有共鸣才有读者，有读者才有文学。文学映照的是人类相同的渴望与恐惧，人类之间的共性大于差异。对于像 GPT 这样的大语言模型，其预训练数据量大且丰富，储存了人类几乎所有可能的生命经验，理应能够学会引发人类的共鸣与情绪。 最后，在实际操作中，对于处理文本特别是 PDF，Claude 2 表现出色。可以将整本书粘贴到 Claude 的前一版本中取得不错的结果，新模型更强大。但需要注意的是，这些系统仍会产生幻觉，若要确保准确性，需检查其结果。

目前在 AI 领域中，暂时没有专门用于制作以时间轴呈现个人成长历程长页的特定工具。但您可以考虑使用一些通用的设计和内容创作工具来实现这一需求，例如 Adobe InDesign、Canva 等，它们具有丰富的模板和设计功能，能够帮助您创建出具有时间轴效果的个人成长历程页面。

AI 的学习能力主要通过以下几种方式实现： 1. 机器学习：电脑通过找规律进行学习，包括监督学习、无监督学习和强化学习。 监督学习：使用有标签的训练数据，算法旨在学习输入和输出之间的映射关系，包括分类和回归。 无监督学习：学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习：从反馈中学习，以最大化奖励或最小化损失，类似训练小狗。 2. 深度学习：这是一种参照人脑的方法，具有神经网络和神经元，由于有很多层所以称为深度。神经网络可用于监督学习、无监督学习和强化学习。 3. 生成式 AI：能够生成文本、图片、音频、视频等内容形式。 AI 学习模式的发现并非由单一的个人完成，而是众多研究者共同努力的成果。 AI 的发展历程中有重要的技术里程碑，如 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制来处理序列数据，而不需要依赖于循环神经网络或卷积神经网络。Transformer 比 RNN 更适合处理文本的长距离依赖性。对于大语言模型，生成只是其中一个处理任务，比如谷歌的 BERT 模型，可用于语义理解（如上下文理解、情感分析、文本分类），但不擅长文本生成。生成式 AI 生成的内容称为 AIGC。LLM 即大语言模型，对于生成式 AI，生成图像的扩散模型不属于大语言模型。

AI 的发展历程可以分为以下几个阶段： 1. 早期阶段（1950s 1960s）：包括专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：出现专家系统、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、循环神经网络等技术兴起。 当前 AI 的前沿技术点包括： 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，包括元学习、一次学习、提示学习等。 5. 可解释 AI，涉及模型可解释性、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，包含量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 AI 的起源最早可以追溯到上世纪的 1943 年，心理学家麦卡洛克和数学家皮特斯提出了机器的神经元模型，为后续的神经网络奠定了基础。1950 年，计算机先驱图灵最早提出了图灵测试，作为判别机器是否具备智能的标准。1956 年，在美国达特茅斯学院召开的会议上，人工智能一词被正式提出，并作为一门学科被确立下来。此后近 70 年，AI 的发展起起落落。

AI 诈骗是随着 AI 技术的发展而出现的一种新型诈骗手段，其发展历程与 AI 技术的整体发展密切相关。 AI 技术的发展历程大致如下： 1. 早期阶段（1950s 1960s）：出现专家系统、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。 随着 AI 技术的进步，AI 幻觉等问题也逐渐显现。AI 幻觉并非新问题，从早期的“人工智障”到如今“一本正经地胡说八道”，其复杂性和隐蔽性不断提升。这一演变反映了 AI 技术从依赖人工规则到依靠数据驱动，再到深度学习的发展过程，在变得更“聪明”的同时也面临更多挑战。 在神经网络方面，如 CNN 的结构基于大脑细胞的级联模型，在计算上更高效、快速，在自然语言处理和图像识别等应用中表现出色，随着对大脑工作机制认知的加深，神经网络算法和模型不断进步。 目前，AI 技术的发展为诈骗手段的更新提供了可能，例如利用深度伪造技术制造虚假的语音、视频进行诈骗等。

AI 图像识别的发展历程如下： 早期处理印刷体图片的方法是将图片变成黑白、调整为固定尺寸，与数据库对比得出结论，但这种方法存在多种字体、拍摄角度等例外情况，且本质上是通过不断添加规则来解决问题，不可行。 神经网络专门处理未知规则的情况，如手写体识别。其发展得益于生物学研究的支持，并在数学上提供了方向。 CNN（卷积神经网络）的结构基于大脑中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应用中表现出色。 ImageNet 数据集变得越来越有名，为年度 DL 竞赛提供了基准，在短短七年内使获胜算法对图像中物体分类的准确率从 72%提高到 98%，超过人类平均能力，引领了 DL 革命，并开创了新数据集的先例。 2012 年以来，在 Deep Learning 理论和数据集的支持下，深度神经网络算法大爆发，如卷积神经网络（CNN）、递归神经网络（RNN）和长短期记忆网络（LSTM）等，每种都有不同特性。例如，递归神经网络是较高层神经元直接连接到较低层神经元；福岛邦彦创建的人工神经网络模型基于人脑中视觉的运作方式，架构基于初级视觉皮层中的简单细胞和复杂细胞，简单细胞检测局部特征，复杂细胞汇总信息。

AI 大模型的发展历程如下： 1. 早期阶段（1950s 1960s）：包括专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：出现专家系统、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、循环神经网络等技术兴起。 自 2022 年 11 月 30 日 ChatGPT 发布以来，国内大模型大致经历了三个阶段：准备期（ChatGPT 发布后国内产学研迅速形成大模型共识）、成长期（国内大模型数量和质量开始逐渐增长）、爆发期（各行各业开源闭源大模型层出不穷，形成百模大战的竞争态势）。 当前，随着大模型技术的愈发成熟和规模增大，为 AI Agent 提供了强大能力，有望构建具备自主思考、决策和执行能力的智能体，并广泛应用于多个行业和领域。当前 AI 的前沿技术点包括：大模型（如 GPT、PaLM 等）、多模态 AI（视觉 语言模型如 CLIP、Stable Diffusion 以及多模态融合）、自监督学习（自监督预训练、对比学习、掩码语言模型等）、小样本学习（元学习、一次学习、提示学习等）、可解释 AI（模型可解释性、因果推理、符号推理等）、机器人学（强化学习、运动规划、人机交互等）、量子 AI（量子机器学习、量子神经网络等）、AI 芯片和硬件加速。

以下是了解 AI 最新发展动态的一些方法： 1. 持续学习和跟进：AI 是快速发展的领域，新的研究成果和技术不断涌现。您可以关注 AI 领域的新闻、博客、论坛和社交媒体，保持对最新发展的了解。 2. 加入相关社群和组织：考虑加入 AI 相关的社群和组织，参加研讨会、工作坊和会议，与其他 AI 爱好者和专业人士交流。 3. 阅读权威报告：例如《2024 年度 AI 十大趋势报告》，此类报告通常会从技术、产品、行业等多个维度呈现 AI 的现状和未来走势，深入剖析前沿科技如何迭代技术能力、重塑商业版图、引领产业升级，并对未来路径进行前瞻性展望。 4. 关注权威媒体和学者：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。

OpenAI 的发展历程如下： 2015 年成立，一直将 AGI 作为战略目标之一。 2022 年 11 月 30 日，发布基于 GPT 3.5 的 ChatGPT，引发全球 AI 浪潮。 在其内部会议上分享了关于通用人工智能（AGI）的五个发展等级，分别为： 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。 推理者（Reasoners）：具备人类推理水平，如 ChatGPT，能够根据上下文和文件提供详细分析和意见。 智能体（Agents）：不仅具备推理能力，还能执行全自动化业务，但目前许多产品执行任务后仍需人类参与。 创新者（Innovators）：能够协助人类完成新发明，如谷歌 DeepMind 的 AlphaFold 模型，可加速科学研究和新药发现。 组织（Organizations）：最高级别，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。 AI 的起源最早可追溯到上世纪： 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。 1950 年，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。 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著名的达特茅斯会议，人工智能（Artificial Intelligence）一词被正式提出，并作为一门学科确立下来。此后接近 70 年，AI 的发展起起落落。 Sam Altman 于 2025 年 1 月 6 日发表反思，回首创业历程，包括经历解雇等事件，也提到 2025 年首批 AI Agent 将融入劳动力市场，ChatGPT 两周岁时已迈入能进行复杂推理的全新模型时代，强调随着 AGI 临近，要回顾公司发展历程，继续探索。

GPT 在教育领域的快速发展表现为以下方面： 训练方式：包括预训练、有监督微调、奖励建模、强化学习等阶段，每个阶段都有相应的数据集、算法和模型。 在教育中的影响：以 ChatGPT 为代表的生成式人工智能技术的出现，为教育带来冲击。许多教育工作者认识到大模型技术的进步对教育的意义。但目前市场上虽看好 AI 对各行业的赋能，却尚未诞生出相关的 Super APP，存在对 AI 发展的不同看法和预期。

AI 在教育领域的应用十分广泛，主要包括以下几个方面： 1. 个性化学习平台：通过集成算法和大数据分析，实时跟踪学生学习进度，诊断学习难点，提供个性化学习建议和资源。例如 Knewton 平台，通过对数百万学生行为模式分析，精准预测学习难点并提前给出解决方案，大幅提升学习效率。 2. 自动评估：利用自然语言处理技术（NLP）自动批改学生作文和开放性答案题。如 Pearson 的 Intelligent Essay Assessor，能够分析和理解写作内容，给出准确评分和反馈，减轻教师批改负担，提高评估效率和一致性。 3. 智能辅助教学工具：使课堂教学更丰富和互动，如 AI 教师引导学生通过对话学习、解答疑问并提供即时反馈。Google 的 AI 教育工具 AutoML 用于创建定制学习内容，提高学习动机，加深知识掌握。 4. 虚拟现实（VR）和增强现实（AR）：学生可通过 VR 头盔进入虚拟实验室，安全进行实验操作并得到 AI 系统反馈。例如 Labster 的虚拟实验室平台，提供高科技实验室场景，让学生尝试复杂实验流程，无需昂贵设备或专业环境。 然而，AI 技术在教育领域的广泛应用也对传统教育体系带来冲击，教育体系内部的惯性、教师技能更新、课程内容调整、评估和认证机制改革等问题成为 AI 教育创新面临的重要挑战。

大模型的发展大致可以分为三个阶段： 1. 准备期：自 2022 年 11 月 30 日 ChatGPT 发布后，国内产学研迅速形成大模型共识。 2. 成长期：国内大模型数量和质量开始逐渐增长。 3. 爆发期：各行各业开源闭源大模型层出不穷，形成百模大战的竞争态势。 在发展过程中，大模型主要有以下几类： 1. 原创大模型：这类模型稀少而珍贵，需要强大的技术积累、持续的高投入，风险较大，但一旦成功竞争力强。 2. 套壳开源大模型：利用现有资源快速迭代和改进，需要在借鉴中实现突破和创新。 3. 拼装大模型：将过去的小模型拼接在一起，试图通过整合已有资源来实现质的飞跃，但整体性能并非各部分简单相加。 此外，360 作为国内唯一又懂大模型又懂安全的双料厂商，提出以“模法”打败魔法的理念，打造专业的安全大模型，只依赖大模型本身的能力，在恶意流量分析和恶意邮件检测效果方面超越 GPT 4，并与 360 积累的工具结合，提升攻击事件的检测和发现能力。同时，企业在运用大模型时，要将好的知识和算法结合，从数据中提炼出真正的实战知识。

智能体（Agent）在现代计算机科学和人工智能领域是一个基础且重要的概念，具有广泛的应用和不断发展的技术。 应用领域： 1. 自动驾驶：汽车中的智能体感知周围环境，做出驾驶决策。 2. 家居自动化：智能家居设备根据环境和用户行为自动调节。 3. 游戏 AI：游戏中的对手角色和智能行为系统。 4. 金融交易：金融市场中的智能交易算法根据市场数据做出交易决策。 5. 客服聊天机器人：通过自然语言处理与用户互动，提供自动化的客户支持。 6. 机器人：各类机器人中集成的智能控制系统。 设计与实现： 通常涉及以下几个步骤： 1. 定义目标：明确智能体需要实现的目标或任务。 2. 感知系统：设计传感器系统，采集环境数据。 3. 决策机制：定义智能体的决策算法，根据感知数据和目标做出决策。 4. 行动系统：设计执行器或输出设备，执行智能体的决策。 5. 学习与优化：如果是学习型智能体，设计学习算法，使智能体能够从经验中改进。 发展情况： Agent 算是从年前到现在比较火的一个概念，也被很多人认为是大模型的未来的一个主要发展方向。目前行业里主要用到的是一个叫 langchain 的框架，它把大模型（LLM）和 LLM 之间，以及 LLM 和工具之间，通过代码或 prompt 的形式进行了串接。为 LLM 增加了工具、记忆、行动、规划等能力。 随着 AI 的发展，大家对 AI 的诉求变得越来越具体，简单的 ChatBot 的弊端日渐凸显，基于 LLM 对于 Agent 的结构设计，Coze、Dify 等平台在应用探索上有了很大的进展。但这些平台都有着固有局限，对于专业 IT 人士不够自由，对于普通用户完成复杂业务场景又有限制。