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
我是新手AI使用者,想使用chatgpt,操作步骤是什么
以下是新手使用 ChatGPT 的操作步骤: 1. 获得 API Key(扣费凭证): 以 OpenAI API 为例,您可以在这个页面找到 API Key:https://platform.openai.com/apikeys 。 打开后,点击「Create new secret key」即可获取。 请注意:通常,您需要绑定支付方式,才可以获取有效 Key。 2. 获得 API 使用的示例代码: 以 OpenAI API 为例,您可以在 Playground 这个页面获取 API 调用的示例代码:https://platform.openai.com/playground 。 并且可以将您和 GPT 的对话,转换成代码。 注意,这里有两个值可以定义,一个是: SYSTEM:对应 ChatGPT 里的 Instructions,用来定义这个 Bot 的功能/特点。 USER:对应 ChatGPT 里,用户发出的信息。 这里,我将 SYSTEM 定义成了缩略信息助手,而在 USER 中输入了文章内容。 运行后,结果很令人满意。 点击右上方 View Code,获取生成这一内容的示例代码。 3. 再问 ChatGPT:顺着之前的对话,让 ChatGPT 帮我们继续写代码。 4. 对于在 Colab 中抓取网页正文内容,如抓取 https://mp.weixin.qq.com/s/KUnXlDlgRs_6D5RFpQbnQ 的正文内容: 在 Colab 中抓取网页的正文内容,您可以使用 Python 的 requests 库来获取网页的 HTML 源代码,然后使用 BeautifulSoup 库来解析 HTML 并提取所需的正文部分。 首先,确保您已经在您的 Colab 环境中安装了 beautifulsoup4 和 requests 库。如果没有安装,您可以使用以下命令安装: 然后,使用以下代码抓取并解析指定的网页内容: 这段代码会打印出您提供的微信公众号文章的正文内容。请注意,由于网页的结构随时可能发生变化,所以提取正文内容的部分(即 soup.find 那一行)可能需要根据实际的 HTML 结构进行调整。如果文章有反爬虫机制,可能还需要进一步的处理,比如设置请求头模拟浏览器访问等。 运行您的代码: 先复制第一段:!pip install beautifulsoup4 requests ,运行后得到结果。 接下来,点击左上方「+代码」按钮,新建一个新的代码块。 最后,复制后面的代码,并运行,获得结果。
2024-11-23
图片生成图片的AI模型有哪些
目前比较成熟的图片生成图片(图生图)的 AI 模型主要有: 1. Artguru AI Art Generator:在线平台,能生成逼真图像,为设计师提供灵感,丰富创作过程。 2. Retrato:AI 工具,可将图片转换为非凡肖像,有 500 多种风格供选择,适合制作个性头像。 3. 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。 4. Barbie Selfie Generator:专为喜欢梦幻童话风格的人设计的 AI 工具,能将上传的照片转换为芭比风格,效果出色。 此外,一些受欢迎的文生图工具也可用于图生图,例如: 1. DALL·E:由 OpenAI 推出,能根据输入的文本描述生成逼真的图片。 2. StableDiffusion:开源的文生图工具,可生成高质量的图片,支持多种模型和算法。 3. MidJourney:因高质量的图像生成效果和友好的用户界面设计而广受欢迎,在创意设计人群中尤其流行。 在 WaytoAGI 网站(https://www.waytoagi.com/category/104),可以查看更多文生图工具。 关于图生图的操作方式:在相关工具的首页有对话生图对话框,输入文字描述即可生成图片,不满意可通过对话让其修改。例如在吐司网站,图生图时能调整尺寸、生成数量等参数,高清修复会消耗较多算力建议先出小图。Flex 模型对语义理解强,不同模型生成图片的积分消耗不同,生成的图片效果受多种因素影响。国外模型对中式水墨风等特定风格的适配可能存在不足,可通过训练 Lora 模型改善。
2024-11-23
作为一名媒体从业者,可以用AI做出哪些作品
作为一名媒体从业者,可以利用 AI 做出以下作品: 1. 写东西: 草拟任何东西的初稿,如博客文章、论文、宣传材料、演讲、讲座、剧本、短篇小说等。 让写作变得更好,将文本粘贴到 AI 中,要求其改进内容,或就如何为特定受众提供更好的建议,还可要求其以不同风格创建多个草稿,使其更生动或添加例子。 帮助完成任务,如写邮件、创建销售模板、提供商业计划的下一步等。 从困难挑战中解锁自己,让自己更有动力。 2. 撰写公众号文章: AI 生产文章的过程相对简单,关键在于提供清晰且具有指导性的提示词。基本提示词能生成基础文章,更详细、具创意的提示词能提升文章质量,更好地捕捉文章的语气、风格和重点。 例如,可给 AI 这样的提示词:“请根据我们收集的关于 OpenAI 回应马斯克言论的资讯,创作一篇既深入又易于理解的科技资讯文章。文章应该有一个吸引人的标题,开头部分要概述事件的背景和重要性,主体部分详细分析 OpenAI 的回应内容及其可能产生的影响,结尾处提出一些引人深思的问题或观点。”AI 会生成结构完整、内容丰富、观点鲜明的文章,但最终产出的内容可能需要微调以符合预期和公众号风格。
2024-11-23
请问现在好用的AI图片生产工具有哪些,对人物一致性要求高
以下是一些好用的 AI 图片生产工具,且对人物一致性要求较高: 1. Artguru AI Art Generator:是一个在线平台,能够生成逼真图像,为设计师提供灵感,丰富创作过程。 2. Retrato:这是一款 AI 工具,可将图片转换为非凡肖像,拥有 500 多种风格选择,适合制作个性头像。 3. Stable Diffusion Reimagine:新型 AI 工具,通过稳定扩散算法生成精细、具有细节的全新视觉作品。 4. Barbie Selfie Generator:专为喜欢梦幻童话风格的人设计的 AI 工具,能将上传的照片转换为芭比风格,效果出色。 在使用 AI 生图时,若要保证人物和场景的一致性,有两个取巧的方式:一是像生成动物,动物会比较容易保持一致性;二是特定的名人或有特殊属性的人物。 另外,目前市面上的 AI 工具分为线上和线下本地部署两种。线上的优势是出图速度快,不依赖本地显卡配置,无需下载大型模型,还能参考其他创作者的作品,但出图分辨率有限。线下部署的优势是可以添加插件,出图质量高,但对电脑配置要求高,使用时可能导致电脑宕机。可以充分发挥线上和线下平台的优势,线上用于找参考、测试模型,线下作为主要出图工具。
2024-11-23
国内的,AI学习类关于阅读和听力提升的应用(具备AI能力的应用)或者工具有哪些?
目前国内具备 AI 能力、有助于提升阅读和听力的应用和工具相对较多。例如,流利说英语在听力和口语训练方面表现出色,它能通过 AI 技术为用户提供个性化的学习方案和精准的发音纠正。还有百词斩,其在单词记忆和阅读拓展方面有独特的功能,利用 AI 算法推荐适合用户水平的阅读材料。此外,网易有道词典也具备一定的 AI 辅助功能,能帮助用户提升听力理解和阅读能力。
2024-11-23
AI学习类关于阅读和听力提升的应用或者工具有哪些?
以下是一些有助于提升阅读和听力的 AI 学习应用或工具: 英语学习方面: 1. 智能辅助工具:如 Grammarly,可进行英语写作和语法纠错,改进英语表达和写作能力。 2. 语音识别和发音练习:例如 Call Annie,用于口语练习和发音纠正,提供实时反馈和建议。 3. 自适应学习平台:像 Duolingo,利用 AI 技术为您量身定制学习计划,提供个性化学习内容和练习。 4. 智能导师和对话机器人:比如 ChatGPT,可进行英语会话练习和对话模拟,提高交流能力和语感。 数学学习方面: 1. 自适应学习系统:如 Khan Academy,结合 AI 技术提供个性化数学学习路径和练习题,精准推荐。 2. 智能题库和作业辅助:例如 Photomath,通过图像识别和数学推理技术提供数学问题解答和解题步骤。 3. 虚拟教学助手:如 Socratic,利用 AI 技术解答数学问题、提供教学视频和答疑服务。 4. 交互式学习平台:如 Wolfram Alpha,参与数学学习课程和实践项目,进行数学建模和问题求解。 此外,在教育领域,还有一些其他的应用: 1. 语言学习:Speak、Quazel、Lingostar 等,提供实时交流和发音反馈。 2. 数学指导:Photomath、Mathly 帮助学生解决数学问题。 3. 历史学习:PeopleAI、Historical Figures 通过模拟与杰出人物聊天教授历史。 4. 写作辅助:Grammarly、Orchard、Lex 帮助学生克服写作难题,提升写作水平。 5. 内容处理:Tome、Beautiful.ai 协助创建演示文稿。 需要注意的是,内容由 AI 大模型生成,请仔细甄别。
2024-11-23
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