直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

详细描述AI大模型历史

回答

AI 大模型的发展具有丰富的历史。

早期阶段,人工智能经历了从图灵测试、早期的图灵机器人和 ELISA,到 IBM 的语音控制打印机、完全由人工智能创作的小说、微软的同声传译系统等的发展。

随着技术的进步,大模型逐渐兴起。其由数据、算法、算力构成,算法有技术架构的迭代,如英伟达的显卡辅助模型训练,而数据质量对生成理想的大模型至关重要。

近年来,从 2022 年开始掀起了生成式 AI 的革命。生成式 AI 是深度学习中的一个细分流派,相较之前的所有 AI 实现方法,在结果质量和效果上有了根本性、跨时代的进步。在某些细分场景应用中,甚至让人感觉通过了图灵测试。

随着大模型技术愈发成熟、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,广泛应用于多个行业和领域。如今,大模型和多模态模型呈现出百花齐放的态势。

内容由 AI 大模型生成,请仔细甄别(powered by aily)

参考资料

开发:AI应用大模型商业化落地现状与思考

大家下午好!很荣幸能够作为本次活动的分享嘉宾,我是甲木,LangGPT团队成员,很高兴给大家带来《大模型商业化落地现状与思考》的分享。本次分享的内容主要分为五个模块,从大模型的背景入手、深入探讨其在商业领域的现状和应用。接着,我们将分析在商业化过程中所遇到的挑战,并分享一些实战经验,最后将展望AI作为通用技术能够发挥生产力效能所要经历的几个阶段。[heading2]一、大模型的背景和趋势[content]首先,我们先来看大模型的背景和发展趋势。关于AI的演进历程,很多媒体包括各类研究资料都已经做过详细的介绍,相信今天在座的各位对AI的基本情况都已有所了解,因此我不会过多赘述AI的演进历程。(有兴趣的小伙伴可以多从公开资料中查找一下~)我们的重点将放在大模型当前的应用能力上,随着大模型技术的愈发成熟,规模增大,大模型为AI Agent()提供强大能力。Agent+大模型将有望构建具备自主思考、决策和执行能力的智能体,进一步提升大模型的应用能力,广泛应用于多个行业和领域。

02-基础通识课

AI模型及相关进展:讨论了AI模型的基础、最新进展,包括视频生成模型、相关论文,以及AI在诺奖和蛋白质研究领域的应用等。人工智能的发展历程与大语言模型人工智能发展历程:从图灵测试、早期的图灵机器人和ELISA,到IBM的语音控制打印机、完全由人工智能创作的小说、微软的同声传译系统,再到OpenAI发布ChatGPT模型,经历了萌芽、积累沉淀到如今大模型和多模态模型百花齐放的阶段。大模型的基石:大模型由数据、算法、算力构成,算法有技术架构的迭代,如英伟达的显卡辅助模型训练,而数据的质量对生成理想的大模型至关重要。弱智8相关活动:针对弱智8的问题对大模型进行测试,还开展了让大模型回复问题并找出真人回复的活动,且国内大模型的回答能力有很大改进。大语言模型的特点:早期大语言模型回复缺乏情感,如今有所改进,后续将体验几个大模型的回复场景。

走入AI的世界

如果要将图1中那条起起落落的黄色曲线做更详细的说明,就是图2中展示的信息,这部分内容大家可以根据兴趣选择性阅读了解,要点我已列出,在此不做更多赘述。图2 AI发展经历的三个阶段2022年开始掀起的这一轮AI大模型革命,更准确的来说是生成式AI的革命(生成式AI,Generative artificial intelligence,简称GenAI),图3给出了关于生成式AI的更多技术解释,图片左边的文字可选择性阅读了解,我们更需要将注意力集中在图的右侧,理解这些概念之间的包含关系,即:人工智能是一个大而泛的概念,其中有一个流派叫做“机器学习”,而机器学习中涌现出一个分支,即应用了深度神经网络的机器学习,我们称之为“深度学习”,深度学习中又涌现出一个细分流派,就是这一轮大热的生成式AI。图3什么是生成式AI-1从结果(质量/效果)上看,生成式AI相较之前的所有AI实现方法,有了根本性的,跨时代的进步,做为AI应用的学习者,我建议你在理解这些概念的时候可以粗暴的做这样的划分:生成式AI和其他AI。因为在80年的AI发展史中,AI从未有一刻像现在如此像人,在某些细分场景应用中,我深刻的感受了“他”已经通过了图灵测试,激发起我内心深深的惊叹和敬畏!

其他人在问
Ai诈骗的技术分析
AI 诈骗通常利用了以下技术手段: 1. 利用 AI 生成的虚假内容:AI 模型可能生成不存在的人物、地点、事件,或者对已知事实进行错误的描述,从而制造虚假信息来误导用户。 2. 模仿真实信息:通过对训练数据中统计模式的过度依赖,生成看似真实但实际与现实不符的内容,以假乱真。 3. 针对用户认知偏差:如同人类认知偏差中的确认偏误、可得性偏差、锚定效应等,AI 诈骗内容可能会迎合这些偏差,让用户更容易接受和相信虚假信息。 产生的原因包括: 1. 训练数据问题:如果训练数据存在偏差、错误或不全面,模型会学习到这些问题并反映在生成的内容中。 2. 模型结构和训练策略:不合理的模型结构和训练策略可能导致模型无法准确理解和生成真实有效的信息。 其影响主要有: 1. 误导用户做出错误决策,例如在投资、消费等方面。 2. 传播虚假信息,破坏信息的真实性和可靠性。 3. 在一些关键领域如医疗诊断中,可能引发安全事故,延误患者治疗。 为了防范 AI 诈骗,需要建立相关的标准和最佳实践来检测 AI 生成的内容,并对官方内容进行认证和标记,例如商务部可以开发内容认证和水印的指导方针,联邦机构可以利用这些工具让公众更容易识别真实的官方通信。
2024-11-20
我需要使用AI生成吉祥物
以下是一些可以帮助您生成吉祥物的 AI 产品和相关信息: 生成 Logo 的 AI 产品: 1. Looka:是一个在线 Logo 设计平台,使用 AI 理解用户的品牌信息和设计偏好,生成多个 Logo 设计方案供选择和定制。 2. Tailor Brands:AI 驱动的品牌创建工具,通过用户回答关于品牌和设计风格的问题来生成 Logo 选项。 3. Designhill:其 Logo 制作器使用 AI 技术创建个性化 Logo 设计,用户可选择不同元素和风格,AI 基于输入生成方案。 4. LogoMakr:提供简单易用的 Logo 设计工具,用户可通过拖放设计 Logo,并利用 AI 建议的元素和颜色方案。 5. Canva:广受欢迎的在线设计工具,提供 Logo 设计模板和元素,用户可利用 AI 辅助建议创建品牌标识。 6. LogoAI by Tailor Brands:Tailor Brands 推出的 AI Logo 设计工具,根据用户输入的品牌名称和行业类别快速生成 Logo 设计方案。 7. 标小智:中文 AI Logo 设计工具,利用人工智能技术帮助用户创建个性化 Logo。 使用这些工具时,用户通常可根据品牌理念和视觉偏好,通过简单交互获得一系列设计方案,并进一步定制和优化,直到满意为止。另外,您可以访问网站的 AI 生成 Logo 工具版块获取更多好用的工具: AI 在游戏中的应用: AI 有望在游戏中发挥重要作用。生成式 AI 将使生产高质量游戏变得更简单、更快和更便宜,同时让玩家能够真正定制游戏体验。最受欢迎的游戏生产成本高昂,开发人员需要生成大量媒体资源。AI 不太可能完全取代人类艺术家,但会为他们及其团队注入动力,提高效率,降低成本。已经有像 Scenario、Iliad 这样可以创建游戏资源的 AI 工具,以及像 Promethean 这样可以构建整个虚拟世界的平台。甚至可以用像 Inworld、Charisma 和 Convai 这样的产品生成非玩家角色(NPC)。AI 不仅将推动更多游戏的创造,还将推动新型游戏的发展,这种游戏将更具动态性,并能根据每个玩家的偏好进行个性化定制。已经有基于文本的游戏,如 AI Dungeon 和 Hidden Door 等早期例子。 关于 AI 游戏的观点: AI 游戏的价值在于体验升级,实现体验升级的路径不是生硬地将 AI 塞进现存游戏框架,而是在充分理解 AI 的基础上设计新的玩法。当前 AI 游戏赛道还处于早期状态,行业共建和扩大规模比保护隐私更重要。
2024-11-20
利用Ai诈骗的多个具体案例
以下是一些与利用 AI 诈骗相关的案例: 在网络诈骗案件中,犯罪分子可能利用 AI 模拟不同辩护策略下的量刑结果,包括认罪协商和无罪辩护的可能性,以此误导受害者。 有虚构的公司利用 AI 驱动的算法设置保险费价格,可能存在违反相关法律法规和最佳实践的风险,如数据保护、平等和一般消费者保护法等。 拜登签署的 AI 行政命令中提到要保护美国人免受利用 AI 进行的欺诈和欺骗,例如建立检测 AI 生成内容和验证官方内容的标准和最佳实践,商务部将为内容认证和水印制定指导方针,联邦机构将使用这些工具让美国人容易知道从政府收到的通信是真实的,并为私营部门和世界各地的政府树立榜样。
2024-11-20
利用Ai诈骗的具体案例
以下是一起利用 AI 诈骗的具体案例: 2019 年 3 月,某国际能源公司首席执行官接到一个未知来电,电话那头是其德国母公司的 CEO(通过“AI 换脸”技术伪装)。对方称公司出现运营危机,要求其向一个匈牙利银行账户紧急提供 220000 欧元或 243000 美元资金支援,并表示资金将在周转后报销。尽管指令不合规且涉及大额资金流转,但因声音与老板无异,被害人最终转账。资金从匈牙利流向墨西哥后分散,截至 2023 年 5 月仍未追回。
2024-11-20
Ai诈骗的案例分析
以下为一些 AI 诈骗的案例分析: 2019 年 3 月,某国际能源公司首席执行官接到未知来电,对方冒充其德国母公司的 CEO(声音与口音、语气习惯都极为相似),以公司出现运营危机为由,要求提供 220000 欧元或 243000 美元的资金支援,并提供了匈牙利银行账户。尽管指示不合规且涉及大额资金流转,被害人最终还是选择执行命令并完成转账。资金从匈牙利流向墨西哥后再被分散,截至 2023 年 5 月仍未追回。
2024-11-20
有没有推荐的AI图片生成软件
以下为您推荐一些 AI 图片生成相关的软件: 1. 海报生成工具: Canva(可画):https://www.canva.cn/ ,是一个受欢迎的在线设计工具,提供大量模板和设计元素,AI 功能可辅助选色和字体样式,通过简单拖放操作创建海报。 稿定设计:https://www.gaoding.com/ ,智能设计工具,采用先进人工智能技术,自动分析生成设计方案,稍作调整即可完成设计。 VistaCreate:https://create.vista.com/ ,简单易用的设计平台,提供大量设计模板和元素,可用 AI 工具创建个性化海报,智能建议功能可助用户找合适元素。 Microsoft Designer:https://designer.microsoft.com/ ,通过简单拖放界面,能快速创建演示文稿、社交媒体帖子等视觉内容,集成丰富模板库和自动图像编辑功能。 2. 图生图产品: Artguru AI Art Generator:在线平台,生成逼真图像,为设计师提供灵感,丰富创作过程。 Retrato:AI 工具,将图片转换为非凡肖像,有 500 多种风格选择,适合制作个性头像。 Stable Diffusion Reimagine:新型 AI 工具,通过稳定扩散算法生成精细、具细节的全新视觉作品。 Barbie Selfie Generator:专为喜欢梦幻童话风格的人设计的 AI 工具,将上传照片转换为芭比风格,效果好。 3. 图片生成 3D 建模工具: Tripo AI:VAST 发布的在线 3D 建模平台,能利用文本或图像在几秒钟内生成高质量且可立即使用的 3D 模型,基于数十亿参数级别的 3D 大模型,实现快速 2D 到 3D 转换,提供 AI 驱动的精准度和细节。 Meshy:功能全面,支持文本生成 3D、图片生成 3D 以及 AI 材质生成,用户上传图片并描述材质和风格可生成高质量 3D 模型。 CSM AI:Common Sense Machines 支持从视频和图像创建 3D 模型,Realtime Sketch to 3D 功能支持通过手绘草图实时设计 3D 形象再转换为 3D 模型。 Sudo AI:支持通过文本和图像生成 3D 模型,适用于游戏领域模型生成,用户上传图片或输入文本提示词生成 3D 模型。 VoxCraft:生数科技推出的免费 3D 模型生成工具,能将图像或文本快速转换成 3D 模型,提供图像到 3D、文本到 3D 和文本到纹理等多种功能。 请注意,以上内容由 AI 大模型生成,请仔细甄别。
2024-11-20
企业做自己的小模型,需要用到的工具及工具背后的公司都有哪些?
企业做自己的小模型,可能会用到以下工具及背后的公司: 1. 在编排(Orchestration)方面,涉及的公司如 DUST、FIAVIE、LangChain 等,其提供的工具可帮助管理和协调各部分及任务,确保系统流畅运行。 2. 部署、可扩展性和预训练(Deployment, Scalability, & PreTraining)类别中,像 UWA mosaicm、NMAREL、anyscale 等公司提供的工具,有助于部署模型、保证可扩展性及进行预训练。 3. 处理上下文和嵌入(Context & Embeddings)的工具,相关公司有 TRUDO、Llamalndex、BerriAI 等,能帮助模型处理和理解语言上下文,并将词语和句子转化为计算机可理解的形式。 4. 质量保证和可观察性(QA & Observability)方面,例如 Pinecone、drant、Vald 等公司提供的工具,可确保模型表现并监控其性能和状态。 此外,还有以下工具和相关公司: 1. 图片生成 3D 建模工具,如 Tripo AI(由 VAST 发布)、Meshy、CSM AI(Common Sense Machines)、Sudo AI、VoxCraft(由生数科技推出)等。 企业还可能涉及具身智能、3D 眼镜、AI 绘本、AI 图书、学习机、飞书的多维表格、蚂蚁的智能体、Coze 的智能体、Zeabur 等云平台、0 编码平台、大模型(通义、智谱、kimi、deepseek 等)、编程辅助、文生图(可灵、即梦等)等方面,可能需要相应资质。
2024-11-20
你认为目前最好用的大模型有哪些?
目前最好用的大模型包括: 1. OpenAI 的 GPT4:是最先进和广泛使用的大型语言模型之一,在多种任务上表现卓越,如文本生成、理解、翻译及各种专业和创意写作任务,能通过大量数据学习理解和生成人类语言,处理复杂问题和理解上下文能力出色。 2. Anthropic 公司的 Claude 3。 3. 谷歌的 Gemini。 4. 百度的文心一言。 5. 阿里巴巴的通义大模型。 大型模型主要分为两类: 1. 大型语言模型:专注于处理和生成文本信息。 2. 大型多模态模型:能够处理包括文本、图片、音频等多种类型的信息。 大型多模态模型与大型语言模型的不同点: 1. 处理的信息类型不同:大型语言模型专注于文本,大型多模态模型能处理多种类型信息。 2. 应用场景不同:大型语言模型主要用于自然语言处理任务,大型多模态模型应用领域更广泛。 3. 数据需求不同:大型语言模型依赖大量文本数据训练,大型多模态模型需要多种类型数据训练。 此外,如果想了解国内的大模型效果,可以参考第三方基准评测报告: 。需注意,内容由 AI 大模型生成,请仔细甄别。
2024-11-19
能生成sql语句的ai模型或工具,能提供api调用的
以下是一些能生成 SQL 语句并提供 API 调用的 AI 模型或工具的相关信息: OpenAI 的 GPT 系列模型,如 gpt40613 和 gpt3.5turbo0613 ,可以通过函数调用及其他 API 更新,让开发人员向模型描述函数,并让模型智能地选择输出一个包含调用这些函数所需参数的 JSON 对象。但需要注意的是,为了让 ChatGPT 返回符合要求的 JSON 格式,prompt 的定制尤为重要和复杂。 在使用代码执行来进行更精确的计算或调用外部 API 时,不能依赖模型自行准确地执行算术或长计算。可以指示模型编写和运行代码,例如将代码放入三重反引号中。生成输出后,可以提取并运行代码。同时,模型在正确使用 API 的指导下,可以编写使用 API 的代码,但需要通过提供 API 文档或代码示例进行指导。 但需要注意的是,执行模型生成的代码存在安全风险,建议在安全的沙箱环境中运行代码,避免潜在危害。
2024-11-19
图说AI大模型?
以下是关于 AI 大模型的相关内容: 一、大模型的整体架构 1. 基础层:为大模型提供硬件支撑和数据支持,例如 A100、数据服务器等。 2. 数据层:包括静态的知识库和动态的三方数据集,这里的数据层并非用于基层模型训练的数据基集,而是企业根据自身特性维护的垂域数据。 3. 模型层:包括 LLm(大语言模型,例如 GPT,一般使用 transformer 算法实现)或多模态模型(如市面上的文生图、图生图等模型,训练所用数据与 llm 不同,为图文或声音等多模态的数据集)。 4. 平台层:例如大模型的评测体系或 langchain 平台等,是模型与应用间的组成部分。 5. 表现层:也就是应用层,是用户实际看到的地方。 二、再补充一些概念 AI Agent Agent 是从年前到现在比较火的概念,被很多人认为是大模型的未来主要发展方向。中间的“智能体”其实就是 llm 或大模型,四个箭头分别是为 llm 增加的工具、记忆、行动、规划四个能力。目前行业里主要用到的是 langchain 框架,它把 llm 之间以及 llm 和工具之间通过代码或 prompt 的形式进行串接。 三、必须理解的核心概念 1. 泛化能力:指模型在未曾见过的数据上表现良好的能力,用大白话讲就是“举一反三”的能力,人类泛化能力很强,无需见过世界上每一只猫就能认识猫的概念。 2. 多模态:指多数据类型交互,能提供更接近人类感知的场景,大模型对应的模态有文本、图像、音频、视频等。 3. 对齐能力:指与人类价值观与利益目标保持一致的能力。但目前阶段,有很多提示词注入的方法能绕过各种限制,这也开辟了大模型领域黑白对抗的新战场。
2024-11-19
文生图模型性能排行
以下是一些文生图模型的性能排行相关信息: Kolors 是最近开源的文生图模型中表现出色的一个。它具有更强的中文文本编码器、高质量的文本描述、人标的高质量图片、强大的中文渲染能力以及巧妙解决高分辨率图加噪问题的 noise schedule,实测效果不错。 PIKA1.0 是一个全新的模型,文生视频和文生图的质量都有大幅度提升。在文生图方面稳定得令人惊讶,3D 和 2D 的动画效果出色。 为全面比较 Kolors 与其他模型的生成能力,构建了包含人工评估、机器评估的全面评测内容。在 KolorsPrompts 评估集中,Kolors 在整体满意度方面处于最优水平,其中画面质量显著领先其他模型。具体的平均分数如下: AdobeFirefly:整体满意度平均分 3.03,画面质量平均分 3.46,图文相关性平均分 3.84。 Stable Diffusion 3:整体满意度平均分 3.26,画面质量平均分 3.5,图文相关性平均分 4.2。 DALLE 3:整体满意度平均分 3.32,画面质量平均分 3.54,图文相关性平均分 4.22。 Midjourneyv5:整体满意度平均分 3.32,画面质量平均分 3.68,图文相关性平均分 4.02。 Playgroundv2.5:整体满意度平均分 3.37,画面质量平均分 3.73,图文相关性平均分 4.04。 Midjourneyv6:整体满意度平均分 3.58,画面质量平均分 3.92,图文相关性平均分 4.18。 Kolors:整体满意度平均分 3.59,画面质量平均分 3.99,图文相关性平均分 4.17。所有模型结果取自 2024.04 的产品版本。
2024-11-18
认为如果我是一个大学生,想要通过大模型去参加项目什么样的方向会比较好我应该做一个怎样的大模型?
对于大学生想要通过大模型参加项目,以下是一些方向和相关知识: 大模型的概念: 通俗来讲,大模型是输入大量语料,让计算机获得类似人类的“思考”能力,能够进行文本生成、推理问答、对话、文档摘要等工作。可以用“上学参加工作”来类比大模型的训练和使用过程: 1. 找学校:训练大模型需要大量计算,GPU 更合适,只有有资本购买大量 GPU 的才有能力训练自己的大模型。 2. 确定教材:大模型需要大量的数据量,几千亿序列(Token)的输入基本是标配。 3. 找老师:即选择合适的算法让大模型更好地理解 Token 之间的关系。 4. 就业指导:为了让大模型更好地胜任某一行业,需要进行微调(fine tuning)指导。 5. 搬砖:就业指导完成后,进行如翻译、问答等工作,在大模型里称之为推导(infer)。Token 被视为模型处理和生成的文本单位,会对输入进行数字化形成词汇表。 大模型的训练: 一般训练会有 3 个步骤,每个步骤都需要资金投入。 1. 无监督学习:模型通过分析大量文本数据,学习语言的基本结构和常识,具备文本补齐能力而非直接回答问题,将人类的知识通过向量化的方法转换,从而获得基础的语言模型。 2. 清洗出好的数据。 3. 指令微调:模型被训练以理解并执行具体指令,如翻译文本,从而能够回答问题。输入内容包括 3 个部分,中间可能有分隔符。还有对齐过程,通过引入人类的评价标准和处理特定格式要求,进一步优化模型的输出以符合人类的期望。 大模型的微调: 在人工智能领域,通常会根据应用领域将大模型分为通用大模型和领域特定模型。通用大模型如 GPT4.0、GPT3.5 等,通过训练获得广泛的自然语言理解能力,但在特定领域表现可能不理想。微调是对大模型针对特定领域进行的训练过程,通过在特定领域的数据上训练模型,优化所有层的参数,提高其在该领域的专业性。从头开始训练一个具备自然语言处理能力的大模型需要大量时间和资源,小公司负担不起,微调可以在现有模型基础上更经济、高效地适应新的应用领域。
2024-11-18
哪一款 Ai 更适合,并有记忆功能,不需要每次都发历史文章。
目前大语言模型普遍没有记忆功能,每次发送消息都需要包含历史会话内容,否则无法记住之前的对话。会话累加过多时会超出最大上下文窗口长度,同时增加计算成本。为节省资源,AI 聊天应用会自动对历史会话进行摘要,仅保留最近内容。 不过,也有一些应用程序在这方面有所尝试和改进,例如 Rewind 是一款能够提高生产力的应用程序,可以浏览、搜索并询问关于手机上任何您看到的内容。它通过捕捉您在 Safari 中阅读的内容和导入您的截屏来工作,让您可以利用人工智能的力量向 Rewind 提问关于您看到的任何问题,包括为您进行总结。Lazy 也是一款不错的工具,上下文切换不会中断您的工作流程,能随时裁剪各种内容,保存文章等,音频和视频内容还会利用 AI 提取主要内容并展示。
2024-11-18
如何将历史写过的文章发给 Ai,训练生成写作风格
要将历史写过的文章发给 AI 以训练生成写作风格,可以参考以下步骤: 1. 首先,像安迪的做法一样,把过去写的多篇相关文章发给 AI。 2. 让 AI 总结这些文章的写作特点。 3. 根据 AI 总结的特点,编写出描述写作风格的提示词,从而克隆出自己的写作风格。 4. 未来使用这个风格时,先花 3 分钟时间让 AI 分别写多篇内容。 5. 从多篇内容中找到最符合心意的作品,并从其他作品中寻找好的段落。 6. 最后进行整合、修改、删减和润色,少则几分钟、十几分钟,多则半个小时就能完成一篇文章。 同时,就像夙愿提到的,找选题对于写作很重要。我们可以通过学习其他优秀公众号的文章,分析其选题思路、文章结构、表达方式等,不断训练自己的“写作模型”,但要注意不能照搬,而是要形成自己独特的风格。 另外,在写作过程中,“主体性”的介入也很关键。比如在使用 Prompt 生成公众号文章时,要先思考自己对写作的理解以及对特定主题写作风格的认知,这样写出来的 Prompt 才会有个人特色。日常也要注重基本功的积累,因为在表达“意象”时非常考验语言能力。
2024-11-18
我是一名高中历史老师,请问用什么大模型能帮我做教学设计
以下为您推荐一些利用大模型辅助高中历史教学设计的案例: 有一位历史老师使用 GPT 给学生讲课,通过 GPT 生成一个“沉浸式”历史片段游戏,让学生扮演一个角色“设身处地”地做决策,学生的作业是找出 GPT 的错误。例如明朝灭亡、南京、1645 年 5 月的相关案例,您可以参考:https://chat.openai.com/share/86815f4e674c4410893c4ae3f1b7412e/continue 。 对于历史专业的学生,当他们遇到像 ChatGPT 这样的语言模型时,已经训练有素能够识别一些常见的陷阱,如事实不准确等,并通过事实核查、分析体裁和受众、在相关来源中搜索等技能来解决这些问题。 语言模型对于历史学家和历史专业的学生是有益的,但对于历史老师和其他教育工作者在短期内可能会带来一些问题,需要重新思考许多作业的布置方式。 您可以尝试借鉴这些案例,根据您的教学需求和学生特点,对大模型的应用进行调整和优化。
2024-11-17
如何理解ai的历史
人工智能的历史始于二十世纪中叶。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的复杂性和高成本,20 世纪 70 年代出现“人工智能寒冬”。 随着时间推移,计算资源更便宜,数据更多,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。 最初,查尔斯·巴贝奇发明计算机用于按明确程序运算。现代计算机虽先进但仍遵循相同理念。但有些任务如根据照片判断人的年龄,无法明确编程,这类任务正是人工智能感兴趣的。 您还可以思考如果人工智能实现,金融、医学和艺术等领域哪些任务可交给计算机完成,以及这些领域如何从中受益。
2024-11-06
AI大模型的历史路径
AI 大模型的发展历史路径大致如下: 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、循环神经网络等技术不断发展。 自 2022 年 11 月 30 日 ChatGPT 发布以来,AI 大模型在全球范围内掀起了大规模的人工智能浪潮。国内学术和产业界在过去一年也有了实质性突破,大致分为三个阶段: 1. 准备期: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。 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,广泛应用于多个行业和领域。当前 AI 前沿技术点包括大模型(如 GPT、PaLM 等)、多模态 AI、自监督学习、小样本学习、可解释 AI、机器人学、量子 AI 以及 AI 芯片和硬件加速等。
2024-11-05
人工智能发展历史
人工智能的发展历史如下: 起源阶段: 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达特茅斯会议,“人工智能”一词被正式提出,并确立为一门学科。 发展历程: 二十世纪中叶,符号推理流行,带来专家系统等重要进展,但因方法局限性,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色性能,过去十年中,“人工智能”常被视为“神经网络”的同义词。 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):专家系统、知识表示、自动推理。 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。 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。 前沿技术点: 大模型:如 GPT、PaLM 等。 多模态 AI:视觉 语言模型(CLIP、Stable Diffusion)、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。
2024-10-30