直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

AI发展史

回答

AI(人工智能)的发展有着悠久的历史,其起源最早可追溯到上世纪:

  1. 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。
  2. 1950 年,计算机先驱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。
  3. 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,并作为一门学科确立下来。

此后近 70 年,AI 的发展起起落落:

  1. 早期阶段(1950s - 1960s):有专家系统、博弈论、机器学习初步理论。
  2. 知识驱动时期(1970s - 1980s):包括专家系统、知识表示、自动推理。
  3. 统计学习时期(1990s - 2000s):出现机器学习算法如决策树、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、循环神经网络等得到发展。

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,如自监督预训练、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,包括模型可解释性、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,如量子机器学习、量子神经网络等。
  8. AI 芯片和硬件加速。

过去的其他 AI 更多应用于完成人脸识别等分类判断任务,而生成式 AI 的诞生让人们看到其在写文章、画画、写歌等方面展现出类似人类的创作交流能力。

内容由 AI 大模型生成,请仔细甄别(powered by aily)

参考资料

走入AI的世界

2022年11月30日,OpenAI发布基于GPT 3.5的ChatGPT,自此开始,一股AI浪潮席卷全球,但AI(人工智能,Artificial Intelligence)并不是近几年才有的新鲜事,他的起源,最早可以追溯到上世纪的1943年。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,伟大的计算机先驱图灵最早提出了图灵测试,做为判别机器是否具备智能的标准(即在一个对外不可见的房间内放置一台可以与外界沟通的机器,如果外界交互的人无法区分房间里到底是真人还是机器,那么我们就说房间里的机器具备了智能,通过了图灵测试)。1956年,在美国一个小镇的达特茅斯学院中,马文·明斯基和约翰·麦凯西拉着香农大佬站台背书,共同发起召开了著名的达特茅斯会议,在这次会议上,人工智能Artificial Intelligence一词被正式提出,并做为一门学科被确立下来。此后接近70年的漫长时间里,AI的发展起起落落,两次掀起人类对AI毁灭人类世界的恐慌,热度拉满,但又最终以“不过如此”冷却收场。图1 AI发展史

问:AI的技术历史和发展方向,目前最前沿的技术点有哪些

AI技术的发展历程和前沿技术点可以概括如下:[heading2]AI技术发展历程[content]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[heading2]当前AI前沿技术点[content]1.大模型(Large Language Models):GPT、PaLM等2.多模态AI:视觉-语言模型(CLIP、Stable Diffusion)、多模态融合3.自监督学习:自监督预训练、对比学习、掩码语言模型等4.小样本学习:元学习、一次学习、提示学习等5.可解释AI:模型可解释性、因果推理、符号推理等6.机器人学:强化学习、运动规划、人机交互等7.量子AI:量子机器学习、量子神经网络等8.AI芯片和硬件加速

走入AI的世界

过去的其他AI,更多的应用成果是完成诸如人脸识别这样分类判断的任务,虽然方便了我们的生活,但在使用的过程中,我们能够清晰的感受到他不是人,而是充满机器感的僵硬程序。生成式AI的诞生,让我们看到原来AI可以和人一样创作交流,他没有像一些人期待的那样,最先做好擦桌子扫地的基础工作任务,而是在写文章、画画、写歌等方面涌现出人类般的智慧,其表现出的惊人能力,把一众平凡的人类个体“碾压的渣都不剩”。图4什么是生成式AI-1篇幅所限,更多有趣的知识和故事我们不做更多的展开了,关于AI发展史,我们就聊到这里。

其他人在问
能做高等数学的AI
以下是为您整理的关于能做高等数学的 AI 的相关信息: Pi 对于高等数学的表现不稳定,有时不回答,有时能回答但可能答错,状态飘忽不定。比如在做七八道高等数学入门水平的题时,存在这样的情况。 沃尔夫勒姆认为,人工智能在“流体动力学风格”的数学水平上可能提供代码帮助,但对于真正新的、不涉及太多“样板文件”的内容,帮助有限。数学家在做数学时似乎在更高水平上对“微观元数学”进行了“粗粒度”处理。
2024-11-13
论文写作相关的AI推荐
以下是为您推荐的与论文写作相关的 AI 工具: 文献管理和搜索: Zotero:结合 AI 技术,可自动提取文献信息,助您管理和整理参考文献。 Semantic Scholar:由 AI 驱动的学术搜索引擎,提供文献推荐和引用分析。 内容生成和辅助写作: Grammarly:通过 AI 技术提供文本校对、语法修正和写作风格建议,提升语言质量。 Quillbot:基于 AI 的重写和摘要工具,可精简和优化论文内容。 研究和数据分析: Google Colab:提供基于云的 Jupyter 笔记本环境,支持 AI 和机器学习研究,便于数据分析和可视化。 Knitro:用于数学建模和优化的软件,助力复杂数据分析和模型构建。 论文结构和格式: LaTeX:虽非纯粹 AI 工具,但结合自动化和模板,高效处理论文格式和数学公式。 Overleaf:在线 LaTeX 编辑器,有丰富模板库和协作功能,简化论文编写。 研究伦理和抄袭检测: Turnitin:广泛使用的抄袭检测工具,确保论文原创性。 Crossref Similarity Check:通过与已发表作品比较,检测潜在抄袭问题。 如果您的医学课题需要 AI 给出修改意见,以下工具可供考虑: Scite.ai:为研究人员等打造的创新平台,提供引用声明搜索等工具,简化学术工作。 Scholarcy:可提取文档结构化数据,生成文章概要,包含多个分析板块。 ChatGPT:强大的自然语言处理模型,能提供修改意见和帮助。 在 AI 文章排版方面,以下工具较为流行: Grammarly:不仅检查语法拼写,还有排版功能,改进文档风格和流畅性。 QuillBot:AI 驱动的写作和排版工具,改进文本清晰度和流畅性。 LaTeX:常用于学术论文排版,使用标记语言描述格式,有 AI 辅助编辑器和插件。 PandaDoc:文档自动化平台,用 AI 帮助创建、格式化和自动化文档生成。 Wordtune:AI 写作助手,重新表述和改进文本,使其更清晰专业。 Overleaf:在线 LaTeX 编辑器,有丰富模板和协作工具,适合学术写作排版。 选择合适的工具取决于您的具体需求,如文档类型、出版标准和个人偏好。学术论文常选 LaTeX 和 Overleaf,一般文章和商业文档则 Grammarly 和 PandaDoc 等可能更适用。 请注意,以上内容由 AI 大模型生成,请仔细甄别。
2024-11-13
有哪些著名的AI咨询公司?提供方案解决的那种
以下是一些著名的提供方案解决的 AI 咨询公司及相关信息: 在 AI 心理咨询产品方面,有 Woebot、Replika、Talkspace、Wysa、Moodfit、Youper 等。Woebot 是基于聊天机器人的心理健康平台,使用认知行为疗法原理引导用户。Replika 是 AI 驱动的个人朋友,提供情感支持和指导。Talkspace 是在线心理咨询平台,使用 AI 技术匹配咨询师。Wysa 提供情绪管理和心理健康支持。Moodfit 分析用户情绪模式并提供建议。Youper 结合 AI 和虚拟现实改善心理健康。但对于严重心理问题仍需专业帮助,且应作为传统咨询的补充。 在其他 AI 应用方面,如 14 号的小红书穿搭推荐,是 AI 时尚穿搭建议平台,利用图像识别和数据分析,根据用户身材和风格提供穿搭建议。15 号的蚂蚁财富智能理财助手,通过数据分析和机器学习为用户提供专业投资建议。16 号的法信智能法律咨询,运用自然语言处理和知识图谱解答法律问题。17 号的慧植农当家等是 AI 农业病虫害识别系统,借助图像识别和机器学习帮助农民识别病虫害。18 号的小米智能家居系统,基于物联网技术和机器学习实现家居设备智能化控制。19 号的文案狗等是 AI 广告文案生成工具,通过自然语言处理快速生成吸引人的广告文案。 在生成式 AI 平台的基础设施供应商方面,英伟达是目前该领域最大的幕后赢家,其数据中心 GPU 收入可观,建立了坚固的护城河。同时也有其他供应商,如甲骨文等挑战者,以及一些提供针对大模型开发人员解决方案的初创公司,如 Coreweave 和 Lambda Labs 等。此外还有谷歌张量处理单元(TPU)、AMD Instinct GPU、AWS Inferentia 和 Trainium 芯片,以及来自 Cerebras、Sambanova 和 Graphcore 等初创公司的 AI 加速器,英特尔也带着高端芯片进入市场,但新芯片占据的市场份额有限。
2024-11-13
如何用ai模型做训练
以下是关于如何用 AI 模型做训练的相关内容: 要在医疗保健领域让 AI 产生真正的改变,应投资创建像优秀医生和药物开发者那样学习的模型生态系统。成为顶尖人才通常从多年密集信息输入和学徒实践开始,AI 也应如此。当前的学习方式存在问题,应通过堆叠模型训练,如先训练生物学、化学模型,再添加特定数据点。就像预医学生从基础课程学起,设计新疗法的科学家经历多年学习和指导,这种方式能培养处理细微差别决策的直觉。 大模型的构建过程包括: 1. 收集海量数据:如同教孩子博学多才要让其阅读大量资料,对于 AI 模型要收集互联网上的各种文本数据。 2. 预处理数据:像为孩子整理适合的资料,AI 研究人员要清理和组织收集的数据,如删除垃圾信息、纠正拼写错误等。 3. 设计模型架构:为孩子设计学习计划,研究人员要设计 AI 模型的“大脑”结构,通常是复杂的神经网络,如 Transformer 架构。 4. 训练模型:像孩子开始学习,AI 模型开始“阅读”数据,通过反复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。 为提高 AI 模型的鲁棒性,应对可能的“恶意”样本数据导致的幻觉,可使用对抗训练技术,让模型在训练中接触并学会识别和抵抗。
2024-11-13
目前国外主流的图像类AICG应用有哪些
目前国外主流的图像类 AICG 应用包括 DALL·E2、StableDiffusion 等。DALL·E2 能够根据输入的文本描述生成逼真且富有创意的图像;StableDiffusion 则以其强大的生成能力和广泛的自定义选项受到众多用户的青睐。
2024-11-13
目前国外主流的十大图像类AICG应用有哪些
目前关于国外主流的十大图像类 AICG 应用,暂时没有确切和权威的统一排名。不同的评估标准和应用场景可能会导致结果有所差异。一些常见且受到广泛关注的图像类 AICG 应用包括 DALL·E2、StableDiffusion、Midjourney 等,但要确切指出十大应用会因各种因素而难以确定。
2024-11-13
AI的整个发展史,有没有AI相关综述,让我阅读一下
以下是为您提供的关于 AI 发展史及相关综述的内容: 1. 《机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命》:涵盖了 AI 进化史的多个方面,包括前神经网络时代、Machine Learning 的跃迁、开启潘多拉的魔盒等,文章较长,约 22800 字,阅读前可先观看一段 Elon Musk 和 Jack Ma 在 WAIC 2019 关于人工智能的对谈视频。 2. 对于初学者: 微软的 AI 初学者课程《Introduction and History of AI》: AI for every one(吴恩达教程): 大语言模型原理介绍视频(李宏毅): 谷歌生成式 AI 课程: ChatGPT 入门: 如果您是新手学习 AI,可参考以下学习路径指南: 1. 了解 AI 基本概念:阅读「」熟悉术语和基础概念,浏览入门文章了解 AI 历史、应用和发展趋势。 2. 开始 AI 学习之旅:在「」中找到为初学者设计的课程,可通过在线教育平台(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深入学习。
2024-09-16
AI发展史
AI 的发展历程大致如下: 1. 早期阶段(1950s 1960s):出现了专家系统、博弈论以及机器学习的初步理论。 2. 知识驱动时期(1970s 1980s):专家系统、知识表示和自动推理得到发展。 3. 统计学习时期(1990s 2000s):出现了机器学习算法,如决策树、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、循环神经网络等技术兴起。 早在 1945 年,Alan Turing 就考虑用计算机模拟人脑,设计了 ACE(Automatic Computing Engine 自动计算引擎),这被视为机器智能的起源。随着对大脑工作机制认知的增加,神经网络的算法和模型也不断进步。例如,CNN 的结构基于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许多应用中表现出色。每次对大脑工作机制的更多了解,都推动着神经网络的发展。
2024-09-07
AI发展史
AI 的发展历程大致如下: 1. 早期阶段(1950s 1960s):出现了专家系统、博弈论以及机器学习的初步理论。 2. 知识驱动时期(1970s 1980s):专家系统、知识表示和自动推理得到发展。 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。 早在 1945 年,Alan Turing 就考虑用计算机模拟人脑,设计了 ACE(Automatic Computing Engine 自动计算引擎),这被视为机器智能的起源。随着对大脑工作机制认知的增加,神经网络的算法和模型也不断进步。例如,CNN 的结构基于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许多应用中表现出色。
2024-09-02
AI发展史
AI 的发展历程主要包括以下几个阶段: 1. 早期阶段(1950s 1960s):出现了专家系统、博弈论以及机器学习的初步理论。 2. 知识驱动时期(1970s 1980s):重点在于专家系统、知识表示和自动推理。 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、循环神经网络等成为主流。 早在 1945 年,Alan Turing 就考虑用计算机模拟人脑,并设计了 ACE(Automatic Computing Engine 自动计算引擎)。这被视为机器智能的起源。 在神经网络方面,CNN 的结构基于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许多应用中表现出色。每次对大脑工作机制的更多认知,都会推动神经网络的算法和模型向前发展。
2024-09-02
ai的发展史
AI 的发展历程大致如下: 1. 早期阶段(1950s 1960s):包括专家系统、博弈论、机器学习初步理论等。 2. 知识驱动时期(1970s 1980s):以专家系统、知识表示、自动推理为主要特点。 3. 统计学习时期(1990s 2000s):出现了机器学习算法,如决策树、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、循环神经网络等技术得到广泛应用。 人工智能作为一个领域始于二十世纪中叶,最初符号推理流行并带来重要进展,如专家系统。但因从专家提取知识并转化为计算机可读形式复杂且成本高,20 世纪 70 年代出现“人工智能寒冬”。随着计算资源变便宜、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“人工智能”常被用作“神经网络”的同义词。 此外,还有关于 AI 进化史的相关内容,如前神经网络时代、Machine Learning 的跃迁、开启潘多拉的魔盒;软件 2.0 的崛起,包括软件范式的转移和演化、Software 2.0 与 Bug 2.0;面向智能的架构,如 Infrastructure 3.0、如何组装智能、智能架构的先锋;一统江湖的模型,如 Transformer 的诞生、基础模型、AI 江湖的新机会;现实世界的 AI,如自动驾驶新前沿、机器人与智能代理;AI 进化的未来,如透视神经网络、千脑理论、人工智能何时能通用等。
2024-08-19
人工智能发展史
人工智能作为一个领域始于二十世纪中叶。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及保持知识库准确性的任务复杂且成本高,在很多情况下不适用,导致 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。 在创建国际象棋计算机对弈程序方面,早期是以搜索为基础,发展出阿尔法贝塔剪枝搜索算法。搜索策略在对局结束时效果好,但开始时搜索空间大,后采用基于案例的推理,即通过知识库中相似案例决定棋步。能战胜人类棋手的现代对弈程序基于神经网络和强化学习,通过与自己对弈从错误中学习,学习速度比人类快。 AI 技术发展历程包括: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)有专家系统、知识表示、自动推理;统计学习时期(1990s 2000s)有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)有深度神经网络、卷积神经网络、循环神经网络等。
2024-08-08