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了基础。
  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了著名的达特茅斯会议，“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。其发展历程大致可分为以下几个阶段：

  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）：有专家系统、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广泛应用。

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，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。
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

机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命

就在过去几个月里，因为美联储的加息，科技公司的资本狂欢宣告结束，美国上市的SaaS公司股价基本都跌去了70%，裁员与紧缩是必要选项。但正当市场一片哀嚎的时候，Dall-E 2发布了，紧接着就是一大批炫酷的AI公司登场。这些事件在风投界引发了一股风潮，我们看到那些兜售着基于生成式AI（Generative AI）产品的公司，估值达到了数十亿美元，虽然收入还不到百万美元，也没有经过验证的商业模式。不久前，同样的故事在Web 3上也发生过！感觉我们又将进入一个全新的繁荣时代，但人工智能这次真的能带动科技产业复苏么？本文将带你领略一次人工智能领域波澜壮阔的发展史，从关键人物推动的学术进展、算法和理念的涌现、公司和产品的进步、还有脑科学对神经网络的迭代影响，这四个维度来深刻理解“机器之心的进化”。先忘掉那些花里胡哨的图片生产应用，我们一起来学点接近AI本质的东西。全文共分为六个章节：1.AI进化史-前神经网络时代、Machine Learning的跃迁、开启潘多拉的魔盒2.软件2.0的崛起-软件范式的转移和演化、Software 2.0与Bug 2.03.面向智能的架构- Infrastructure 3.0、如何组装智能、智能架构的先锋4.一统江湖的模型- Tran sformer的诞生、基础模型、AI江湖的新机会5.现实世界的AI -自动驾驶新前沿、机器人与智能代理6.AI进化的未来-透视神经网络、千脑理论、人工智能何时能通用？文章较长，累计22800字，请留出一小时左右的阅读时间，欢迎先收藏再阅读！文中每一个链接和引用都是有价值的，特别作为衍生阅读推荐给大家。

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

其他人在问
ai与新闻
以下是关于“AI 与新闻”的相关内容： 首届北京城市形象 AI 创作征集活动即将正式启幕，相关媒体报道的链接包括北京日报、京报网、百家、头条、微博、企鹅等。 2023 年 4 月创立至今，“Way to AGI（通往通用人工智能之路）”构建了庞大的知识库体系，涵盖各种技术介绍、AI 行业新闻分析、AI 应用实操，获得了大量浏览和用户交流。 橘子的新文章对国内外已有的 18 家 AI 搜索做了测评，分组包括豆包、秘塔 AI 等。 介绍了六个国家公众对新闻中生成人工智能的看法，公众认为其可能更新时效性更好、成本更低，但对可靠性和透明度持怀疑态度，认为新闻媒体使用应适当披露或标注。 Ethan Mollick 提出作为商学院教授对 AI 崛起给学术研究带来危机和机遇的看法，包括四个“狭义奇点”。
2024-12-22
AI能对医院医用耗材出入库数据做怎样的数据处理，方便耗材管理人员对相关数据进行分析
AI 在医院医用耗材出入库数据处理方面可以发挥以下作用，以方便耗材管理人员进行数据分析： 1. 预测需求：通过分析历史出入库数据、医院科室使用情况、季节变化等因素，预测未来某段时间内的耗材需求量，优化库存管理策略，降低成本。 2. 库存优化：实时监控库存水平，及时发现库存过高或过低的情况，提醒管理人员进行调整。 3. 数据分类与整合：对大量的出入库数据进行分类和整合，使其更易于分析和理解。 4. 异常检测：识别出入库数据中的异常情况，如突然的大量领用或长时间未领用等，及时发现潜在问题。 5. 成本分析：计算不同种类、不同批次耗材的采购成本和使用成本，为成本控制提供依据。 需要注意的是，以上内容由 AI 大模型生成，请仔细甄别。
2024-12-22
画分镜头的ai工具推荐4个
以下为您推荐 4 个画分镜头的 AI 工具： 1. Pika：对于奇幻感较强的画面把控较好，自然度高，但真实环境画面易糊，更新的唇形同步功能便捷。 2. Pixverse：在高清化方面有优势，对偏风景和纪录、有特定物体移动的画面友好，但生成视频有帧率问题，处理人物时易出戏。 3. Runway：在真实影像质感方面最佳，战争片全景镜头处理出色，控件体验感好，但爱变色，光影不稳定。 4. SVD：整体表现略差，仅在风景片测试中表现较好。 在实际使用中，可根据不同工具对画面的处理能力进行组合使用，例如 Pixverse 擅长物体滑行运动，Runway 可辅助完成有手部特殊运动的画面，需要人物表情自然的画面可用 Pika 生成。
2024-12-22
画分镜头的ai
以下是关于画分镜头的 AI 相关内容： 在利用 AI 拆分镜时，完成前期设定和剧本生成对应的分镜内容后，GPT 虽有结构化的优势，但因分镜较细可能会丢失内容，需人工审核查缺补漏。制作分镜时要考虑视角，如第一人称视角还是第三人称视角，以及视角的切换，使读者更好地理解故事。 设计分镜时要注意详细的定义，例如从本子 311 到 314 的画面，通过视角的来回切换让故事走向更清晰。永远记住，剧本转化为影像时很多表达与文字不同，当前 AI 做不了长镜头，要做减法，分镜指令要明确，如“谁+干什么”“什么东西+在哪里”，不要用难以呈现画面的表述。制作分镜过程要按画面角度思考，以画面驱动文字，设计分镜表时要考虑人物视角、画面描述（可实现的动作、人物表情）。 用 AI 制作分镜时，AI 容易把段落当成一句话或把一个画面拆分成几个镜头，这需要人工干预检查景别、画面描述、前后镜关联。AI 拆分的分镜只能作为参考，需人工再看，否则出图会很痛苦，同时要注意前后镜的关系，避免画面割裂。
2024-12-22
画分镜头脚本的ai工具
以下为一些画分镜头脚本的 AI 工具及相关信息： 1. Claude：分镜提示词的结构为“我要做多长时间的视频+要出多少个分镜+每个分镜包含哪些内容+对输出格式有什么要求”。可将故事脚本改写成指定时长和格式的分镜脚本，例如 30 秒时长、包括序号、场景、景别等内容的广告片分镜脚本，并以 markdown 列表形式输出。其给出的分镜符合奔驰广告的特点，对于 30 秒的简短广告，10 个分镜较为合适，每个分镜平均 3 秒。景别是让 MJ 生图时的提示词内容之一，镜头时长设定了每个分镜的长度，画面内容可用于 MJ 生图，对话旁白可用于生成配音，音乐音效能为创作背景音提供思路。分镜脚本示例可参考： 2. GPTs：以的冰工厂赛道为例，分镜头脚本制作的参考 prompt 为“请帮我把一下（广告故事）设计成（30）秒的可执行分镜脚本，要求使用不同的景别进行画面切换，并给我（100 字）左右的详细画面描述，并每句都加入（高清，真实感，3D，blender）这些文字，整体节奏（顺畅紧张且有趣）”。 3. Anifusion：这是一款基于人工智能的在线工具，可通过输入文本描述生成漫画页面或动漫图像，还提供直观的布局工具、强大的画布编辑器、多种 AI 模型支持等功能。用户对创作的作品拥有完整的商业使用权，可用于独立漫画创作、快速原型设计、教育内容、营销材料等方面。其优点是非艺术家也能轻松创作漫画，基于浏览器无需额外安装软件，具有快速迭代和原型设计能力，并拥有创作的全部商业权利。
2024-12-22
我想要一个AIGC 图像审查领域的专家
以下是关于 AIGC 图像审查领域的相关信息： 如何判断一张图片是否 AI 生成： AI 技术自身带来造假难题，可通过一些网站如 ILLUMINARTY（https://app.illuminarty.ai/）对大量图片数据抓取和分析来判断画作属性，但存在测试中真实摄影作品被误判为 AI 作图的情况，这是因为鉴定 AI 的逻辑算法不能像人类一样综合考虑各种不符合逻辑的表现。 从不同角度看鉴别 AIGC 的需求： 技术出身的朋友多出于对 AI 产物底层逻辑的追溯兴趣，关心能否通过数据检测等手段实现鉴别并应用于创造收益。 产业领域的朋友面对 AI 技术冲击，关注其在工作流中的影响，以求应对可能的裁员风险。 法律背景的朋友认为鉴别 AIGC 对未来著作权法律判定有意义，首例 AIGC 侵权案件悬而未决，需判定 AI 作品中智力投入占比。 最近招聘信息：猿印教育招聘 AIGC 图像生成算法工程师/专家，工作地点在北京五道口附近。简历发送至：stephen.wang@yyinedu.com 。岗位职责包括开发针对性图像生成解决方案、负责模型部署和推理性能优化、推动团队技术水平提升等。任职要求为计算机相关专业本科及以上学历，具备扎实计算机基础知识，熟练掌握 Python 语言和主流深度学习框架，对相关理论和方法有深入理解，具有良好的学习、沟通和团队合作能力。
2024-12-22
说说AI发展史
AI（人工智能）的发展有着悠久的历史。其起源最早可追溯到 1943 年，当时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，马文·明斯基和约翰·麦凯西等人共同发起召开了著名的达特茅斯会议，“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，曾两次掀起人类对其毁灭人类世界的恐慌，热度拉满后又以“不过如此”冷却收场。过去的其他 AI 更多应用于完成诸如人脸识别这样的分类判断任务，而生成式 AI 的诞生让人们看到其可以像人一样创作交流，在写文章、画画、写歌等方面展现出惊人能力。 就在过去几个月里，尽管科技公司面临资本紧缩，但一系列生成式 AI 产品的出现引发了风投界的关注。从关键人物推动的学术进展、算法和理念的涌现、公司和产品的进步、脑科学对神经网络的迭代影响这四个维度，可以更深刻地理解“机器之心的进化”。相关文章较长，涵盖了 AI 进化史的多个方面，包括前神经网络时代、软件 2.0 的崛起、面向智能的架构、一统江湖的模型、现实世界的 AI 以及 AI 进化的未来等内容。
2024-12-18
Open AI的发展史
OpenAI 的发展历程如下： 2015 年成立。 2022 年 11 月 30 日，发布基于 GPT 3.5 的 ChatGPT，引发全球 AI 浪潮。 其发展可追溯到更早时期： 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。 此后近 70 年，AI 发展起起落落。 OpenAI 成立一年多后，其首席技术官对细节描述吝啬，当时员工工资占支出大头，研究方向多样但成果有限。 OpenAI 的崛起始于聘请研究员 Alec Radford。 此外，OpenAI 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： 1. 聊天机器人（Chatbots）：具备基本对话能力，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。 2. 推理者（Reasoners）：具备人类推理水平，能解决复杂问题，如 ChatGPT，能根据上下文和文件提供详细分析和意见。 3. 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。 4. 创新者（Innovators）：能够协助人类完成新发明，如谷歌 DeepMind 的 AlphaFold 模型，可预测蛋白质结构，加速科学研究和新药发现。 5. 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。
2024-12-04
AI发展史
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。
2024-11-11
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