人工智能历史图谱

知识图谱是一种揭示实体之间关系的语义网络，能够对现实世界的事物及其相互关系进行形式化描述。它于 2012 年 5 月 17 日由 Google 正式提出，初衷是提高搜索引擎能力，增强用户搜索质量和体验，实现从网页链接到概念链接的转变，支持按主题检索和语义检索。 知识图谱构建的关键技术包括： 1. 知识抽取：通过自动化技术抽取可用的知识单元，如实体抽取（命名实体识别）、关系抽取（提取实体间关联关系）、属性抽取（采集特定实体的属性信息）。 2. 知识表示：包括属性图、三元组等。 3. 知识融合：在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等，包括实体对齐（消除实体冲突等不一致性问题）、知识加工（统一管理知识）、本体构建（明确定义概念联系）、质量评估（计算知识置信度）、知识更新（迭代扩展知识）。 4. 知识推理：在已有知识库基础上挖掘隐含知识。 在 LLM 落地思考方面，NLP 与知识图谱是主要的落地类型，但存在一些问题。如实现某个 NLP 任务时，需要大量人工标注和长时间训练，交付后较难新增意图和泛化任务，有时使用句式规则方式更好维护更新；构建知识图谱复杂，需与行业专家深度讨论，预见企业长远业务发展制定 schema，周期长且易与业务错位。而 LLM 出现后对 NLP、NLG、KG 有较大提升，带来更好更多的落地可能。 在以问题驱动的 AI+内容创作中，随着学习深入，可使用大模型帮助构建和扩展知识图谱。

知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。它于 2012 年 5 月 17 日由 Google 正式提出，初衷是提高搜索引擎的能力，增强用户的搜索质量和体验，实现从网页链接到概念链接的转变，支持按主题检索和语义检索。 知识图谱的关键技术包括： 1. 知识抽取： 实体抽取：通过命名实体识别从数据源中自动识别命名实体。 关系抽取：从数据源中提取实体之间的关联关系，形成网状知识结构。 属性抽取：从数据源中采集特定实体的属性信息。 2. 知识表示：包括属性图和三元组。 3. 知识融合： 实体对齐：消除异构数据中的实体冲突、指向不明等不一致性问题。 知识加工：对知识统一管理，形成大规模的知识体系。 本体构建：以形式化方式明确定义概念之间的联系。 质量评估：计算知识的置信度，提高知识质量。 知识更新：不断迭代更新，扩展现有知识，增加新知识。 4. 知识推理：在已有的知识库基础上挖掘隐含的知识。 在国家人工智能产业综合标准化体系建设指南中，知识图谱标准规范了知识图谱的描述、构建、运维、共享、管理和应用，包括知识表示与建模、知识获取与存储、知识融合与可视化、知识计算与管理、知识图谱质量评价与互联互通、知识图谱交付与应用、知识图谱系统架构与性能要求等标准。

AI 的研究可以分为多个不同的分类，并非仅仅局限于神经网络与知识图谱这两个大的分类。 在常见的分类中： 非监督学习：最著名的是聚类，只需提供大量数据，让 AI 自行找出有趣信息。 迁移学习：在任务 A 中学习的内容可用于帮助完成任务 B，在计算机视觉领域有较多应用。 强化学习：根据输出好坏给予奖励或惩罚，利用“奖励信号”让 AI 自动学习最大化奖励，但需要大量数据。 生成对抗网络：由生成器和判别器构成，两者不断训练和竞争，提高生成真实数据的能力，广泛应用于多种领域。 此外，从技术和应用的角度来看： 知识图谱：在搜索等场景中展示关键信息，如人物相关信息、酒店信息等。 在企业中建构人工智能方面，NLG 可作为全新场景讨论，生成内容分为根据任务要求生成标准结果和根据信息进行内容创作两类，分别偏向 B 端和 C 端。NLP 能做的事情较标准化，LLM 的出现对其有提升和冲击。知识图谱领域本身有多种技术路径，与 LLM 可能是互补关系。 对于希望精进的学习者，还需要了解 AI 的背景知识，包括基础理论、历史发展、数学基础（统计学、线性代数、概率论），掌握算法和模型（监督学习、无监督学习、强化学习），学会评估和调优（性能评估、模型调优），以及神经网络基础（网络结构、激活函数）等。

以下是一张涉及大模型概念的知识图谱： 大模型 Embedding 技术 句子和文档嵌入 Doc2Vec：扩展了 Word2Vec，能够为整个文档生成统一的向量表示。 Average Word Embeddings：将一段文本中所有单词的嵌入取平均作为整体的文本表示。 Transformers Sentence Embeddings：如 BERT 的标记对应的向量，或者专门针对句子级别的模型如 SentenceBERT。 实体/概念嵌入 Knowledge Graph Embeddings：如 TransE、DistMult、ComplEx 等，用于将知识图谱中的实体和关系嵌入到低维向量空间中。 其他类型 图像 Embeddings：使用卷积神经网络（CNN）进行图像特征提取，得到的特征向量即为图像嵌入。 音频 Embeddings：在语音识别和声纹识别中，将声音信号转化为有意义的向量表示。 用户/物品 Embeddings：在推荐系统中，将用户行为或物品属性映射到低维空间以进行协同过滤或基于内容的推荐。 图 Embeddings：用于学习图结构的表示学习方法，将图中的节点和边映射到低维向量空间中。通过学习图嵌入，可以将复杂的图结构转化为向量表示，以捕捉节点之间的结构和关联关系。这些方法可以通过 DeepWalk、Node2Vec、GraphSAGE 等算法来实现。图嵌入在图分析、社交网络分析、推荐系统等领域中广泛应用，用于发现社区结构、节点相似性、信息传播等图属性。 关键技术标准 机器学习标准：规范机器学习的训练数据、数据预处理、模型表达和格式、模型效果评价等，包括自监督学习、无监督学习、半监督学习、深度学习和强化学习等标准。 知识图谱标准：规范知识图谱的描述、构建、运维、共享、管理和应用，包括知识表示与建模、知识获取与存储、知识融合与可视化、知识计算与管理、知识图谱质量评价与互联互通、知识图谱交付与应用、知识图谱系统架构与性能要求等标准。 大模型标准：规范大模型训练、推理、部署等环节的技术要求，包括大模型通用技术要求、评测指标与方法、服务能力成熟度评估、生成内容评价等标准。 自然语言处理标准：规范自然语言处理中语言信息提取、文本处理、语义处理等方面的技术要求和评测方法，包括语法分析、语义理解、语义表达、机器翻译、自动摘要、自动问答和语言大模型等标准。 智能语音标准：规范前端处理、语音处理、语音接口和数据资源等技术要求和评测方法，包括深度合成的鉴伪方法、全双工交互、通用语音大模型等标准。 计算机视觉标准：规范图像获取、图像/视频处理、图像内容分析、三维计算机视觉、计算摄影学和跨媒体融合等技术要求和评价方法，包括功能、性能和可维护性等标准。 生物特征识别标准：规范生物特征样本处理、生物特征数据协议、设备或系统等技术要求，包括生物特征数据交换格式、接口协议等标准。 国内大模型 通用模型：如文心一言、讯飞星火等，处理自然语言。 垂直模型：专注特定领域如小语种交流、临床医学、AI 蛋白质结构预测等。 大模型的体验 以‘为什么我爸妈结婚的时候没有邀请我参加婚礼’和‘今天我坐在凳子上’为例，体验了 Kimi、通义千问、豆包等大模型的回答和续写能力，发现回复有差异，且大模型基于统计模型预测生成内容。 大语言模型的工作原理 包括训练数据、算力、模型参数，在训练数据一致情况下，模型参数越大能力越强，参数用 b 链形容大小。 Transformer 架构：Transformer 是大语言模型训练架构，17 年出现用于翻译，具备自我注意力机制能理解上下文和文本关联，其工作原理是单词预测，通过嵌入、位置编码、自注意力机制生成内容，模型调教中有控制输出的 temperature。 大模型幻觉：大模型通过训练数据猜测下一个输出结果，可能因错误数据导致给出错误答案，优质数据集对其很重要。 Prompt 的分类和法则 分为 system prompt、user prompt 和 assistant prompt。 写好 prompt 的法则包括清晰说明、指定角色、使用分隔符、提供样本等，核心是与模型好好沟通。 Fine tuning 微调：基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 RAG 概念：未对 RAG 的具体内容进行详细阐述，仅提出了这个概念。

很抱歉，目前没有关于初中老师适用的知识图谱的相关具体内容。但一般来说，知识图谱是一种以图形化方式展示知识之间关系的技术。对于初中老师而言，知识图谱可以用于组织和呈现学科知识，帮助学生更好地理解知识点之间的关联。例如在数学学科中，可以将代数、几何等不同领域的知识点通过知识图谱进行关联，让学生清晰看到知识的体系结构。您可以根据教学的具体学科和需求，有针对性地构建和运用知识图谱。

知识图谱： 知识图谱是一种揭示实体之间关系的语义网络，能够对现实世界的事物及其相互关系进行形式化描述。它于 2012 年 5 月 17 日由 Google 正式提出，初衷是提高搜索引擎能力，增强用户搜索质量和体验，实现从网页链接到概念链接的转变，支持按主题检索和语义检索。 关键技术包括： 1. 知识抽取：通过自动化技术抽取可用的知识单元，包含实体抽取（命名实体识别）、关系抽取、属性抽取。 2. 知识表示：如属性图、三元组。 3. 知识融合：在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等，包括实体对齐、知识加工、本体构建、质量评估、知识更新，以形成高质量知识库。 4. 知识推理：在已有知识库基础上挖掘隐含知识。 在 AI Agent 系列中，外置知识包括向量数据库、关系型数据库和知识图谱。知识图谱以图的形式组织数据，强调实体之间的关系，适合复杂的语义分析和知识推理。在实际应用中，外置知识的集成和管理常采用 RAG 架构，允许智能体实时检索和整合最新外部信息。 知识表示方面，知识是存在于我们脑海中、代表对世界理解的东西，通过活跃学习过程获得，将接收到的信息碎片整合进世界模型。知识与信息、数据等概念不同，在 DIKW 金字塔中，数据独立存在可传递，信息是头脑中解释数据的方式，知识是融入世界模型的信息，智慧是更高层次的理解。知识表示的问题是找到以数据形式在计算机中表示知识并能自动化使用的有效方法。

以下是使用飞书搭建人工智能知识库的相关内容： 1. 参考文章： 《这可能是讲 Coze 的知识库最通俗易懂的文章了》：介绍了一系列关于 AI 知识库的知识，包括“通往 AGI 之路”这个使用飞书软件搭建的 AI 知识库，以及相关文章对 AI 时代知识库的讲解，读完可收获 AI 时代知识库的概念、实现原理、能力边界等内容。 《【智能体】让 Coze 智能体机器人连上微信和微信群详细配置文档》：其中提到创建知识库时可使用手动清洗数据，包括在线知识库和本地文档的处理方式，如在线知识库需创建飞书在线文档，每个问题和答案以“”分割等；还介绍了发布应用时要确保在 Bot 商店中能搜到。 《「AI 学习三步法：实践」用 Coze 免费打造自己的微信 AI 机器人》：提到创建知识库的路径为个人空间知识库创建知识库，文档类型支持本地文档、在线数据、飞书文档、Notion 等，本次使用本地文档，可按照操作指引上传文档、分段设置、确认数据处理，同时提到知识库内容切分粒度的小技巧，如使用特殊分割符“”。 2. 总体步骤： 确定所需的数据清洗方式，如手动或自动清洗。 对于在线知识库，创建飞书在线文档，每个问题和答案以特定方式分割，选择飞书文档、自定义等选项，并可编辑修改和删除。 对于本地文档，注意拆分内容以提高训练数据准确度，按照固定方式进行人工标注和处理。 完成创建后可发布应用，确保在 Bot 商店中能搜到。

对于 211 本科人工智能专业毕业，考研一志愿结果不理想可能被调剂到双非院校的情况，在就业方面可以有以下几个方向： 大学老师：如果您有继续深造的意愿，在研究生阶段取得优异成果，未来仍有机会进入高校任教，但可能相对较难进入重点高校。 大厂：大厂通常对学历和能力都有较高要求。虽然您的研究生院校可能是双非，但如果在研究生期间积累丰富的项目经验、具备扎实的专业技能，仍有机会进入大厂。 中小厂：中小厂对于学历的要求相对宽松，更注重实际能力。您可以在中小厂获得更多实践机会，积累工作经验，为未来的职业发展打下基础。 国企：国企的稳定性较高，对于学历的要求也相对灵活。您可以关注国企的招聘信息，寻找与人工智能相关的岗位。 考公考编：公务员和事业单位的工作稳定性强，一些与科技、信息化相关的部门可能会招聘人工智能专业的人才。 选调生：如果您符合选调生的选拔条件，可以尝试通过选调生途径进入政府部门工作。 总之，无论选择哪个方向，都需要在研究生期间不断提升自己的专业能力和综合素质，增加就业竞争力。

以下是一些成熟的人工智能大模型及其功能和链接： 百度（文心一言）：https://wenxin.baidu.com 。 抖音（云雀大模型）：https://www.doubao.com 。 智谱 AI（GLM 大模型）：https://chatglm.cn 。 中科院（紫东太初大模型）：https://xihe.mindspore.cn 。 百川智能（百川大模型）：https://www.baichuanai.com/ 。 商汤（日日新大模型）：https://www.sensetime.com/ 。 MiniMax（ABAB 大模型）：https://api.minimax.chat 。 上海人工智能实验室（书生通用大模型）：https://internai.org.cn 。 在这些大模型中： 能生成 Markdown 格式的：智谱清言、商量 Sensechat、MiniMax 。 目前不能进行自然语言交流的：昇思、书生 。 受限制使用：MiniMax（无法对生成的文本进行复制输出，且只有 15 元的预充值额度进行体验，完成企业认证后可以进行充值） 。 特色功能：昇思——生图，MiniMax——语音合成 。 此外，还有其他一些大模型： OpenAI 系统：包括 3.5 和 4.0 版本，一个新的变种使用插件连接到互联网和其他应用程序。Code Interpreter 是一个非常强大的 ChatGPT 版本，可以运行 Python 程序。如果未为 OpenAI 付费，只能使用 3.5 。除了插件变种和一个暂时停用的带有浏览功能的 GPT4 版本之外，这些模型都没有连接到互联网。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，例如可以创建和查看图像，且可以在网页浏览器中阅读文档，并连接到互联网。 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。 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，本质上是 LLM 的记忆。Claude 几乎可以保存一整本书或许多 PDF，与其他大型语言模型相比，它不太可能恶意行事。

以下是为您生成的 600 字左右关于人工智能生成内容（AIGC）的感悟： AIGC 作为当今科技领域的热门话题，正以惊人的速度改变着我们的生活和工作方式。 AIGC 强调的是利用人工智能技术生成各种内容，包括文本、图像、音频和视频等。它并非简单的技术堆砌，而是多种先进技术融合的成果。例如，Transformer 模型在语言处理和多模态领域的应用，为 AIGC 提供了强大的支撑。 从原理上看，AIGC 涉及多种生成算法，如 VAE、GAN、FlowModel 和 Diffusion Model 等。这些算法使得机器能够创造出具有一定质量和创意的内容。同时，还有像 IS 和 FID 这样的评价指标来衡量生成图片的质量。 在实际应用中，AIGC 展现出了巨大的潜力。它可以自动撰写新闻文章，为媒体行业带来效率的提升；能够生成艺术画作，为艺术创作注入新的活力；可以创作音乐，丰富音乐领域的多样性；还能制作视频游戏内容，为娱乐产业增添新的元素。 ChatGPT 作为 AIGC 在文本生成领域的杰出代表，充分展示了 AIGC 的强大能力。它通过预训练和大量的数据投喂，能够与用户进行流畅且相关的文本交流，仿佛在玩“文字接龙游戏”。 然而，AIGC 也面临一些挑战和问题。比如生成内容的准确性和可靠性需要进一步提高，版权和伦理问题也需要引起重视。但不可否认的是，AIGC 为我们开启了一扇充满无限可能的大门，让我们对未来充满期待。随着技术的不断进步和完善，相信 AIGC 将在更多领域发挥重要作用，为人类创造更多的价值。

以下是关于人工智能生成内容（AIGC）的突破、对齐及产业培育的感悟： 一、原理与概念 1. 人工智能（AI）：是一种目标，让机器展现智慧，简称 AI。 2. 生成式人工智能（GenAI）：目标是让机器产生复杂有结构的内容，简称 GenAI。 3. 机器学习：一种手段，让机器自动从资料中找到公式，包括监督学习、无监督学习、强化学习。 监督学习：有标签的训练数据，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，如聚类。 强化学习：从反馈里学习，最大化奖励或最小化损失，类似训小狗。 4. 深度学习：一种更厉害的手段，参照人脑有神经网络和神经元（因有很多层所以叫深度），神经网络可用于多种学习方式。 5. 大语言模型（LLM）：是一类具有大量参数的“深度学习”模型。 6. ChatGPT：是 AIGC 技术的一个应用实例，是美国 OpenAI 公司开发的基于大型语言模型的对话机器人，能根据用户输入生成连贯且相关的文本回复。 二、AIGC 的特点与应用 AIGC 是利用人工智能技术生成内容的新型生产方式，包括文本、图像、音频和视频等内容。其技术可用于多种应用，如自动撰写新闻文章、生成艺术画作、创作音乐、制作视频游戏内容等。 三、相关概念的关系与区别 AGI、GenAI、AIGC 几个概念有所区别与联系，具体可参考相关图示。更多概念可问 Kimi、通义千问、文心一言等大模型。 四、技术里程碑 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处理序列数据，不依赖于循环神经网络或卷积神经网络。

对于新手想要更好地使用该网站来了解人工智能或 AGI 进展以及主流软件的学习和应用，以下是一些相关内容： AE 软件： 基本功能：可通过图层软件抠元素加插件做特效，如利用 auto field 自动填充工具，轨道遮罩功能让图层按特定形状变化等。 与 AI 结合运用：如用 runway 生成烟花爆炸素材，结合 AE 的图层混合模式、遮罩等功能实现特效可控的画面。 其他应用：用内容识别填充功能处理视频画面，如抹掉入镜的人；从素材网站获取粒子素材为画面添加氛围感。 学习路径：可在 B 站找丰富的 AE 软件入门课程自学，也可从包图网下载工程文件学习。 学习方法：通过拆解视频、留意路边广告特效、按层级逻辑思考画面运动来学习 AE，还可参考模板。 与 AI 的关系：AI 出现后，AE 使用减少，有些动效可用 AI 完成。 在短剧中的应用：在火焰、文字、光线等方面有少量应用。 AI 相关技术与活动： AI 音乐创作：通过输入更高级的词汇与 AI 音乐对话能产生更好效果，有 AI 音乐的版块、挑战、分享会和教程，可通过王贝加入 AI 音乐社区。 数字人语音合成：介绍了声音克隆技术，提到了微软、阿里等的相关成果，常用的是 JPT service。 Config UI 的应用：能降低成本、提高效率，在图书出版、引流等方面有应用，岗位稀缺，社区有相关共学课程。 社区共创项目：包括东京的 confii 生态大会、AI 文旅视频、娃卡奖、李普村共创故事、AI 春晚等活动。 作业与报名：作业是询问对 AI 方向的兴趣和想做的项目，活动报名可通过填写名字和申请新增学校参与。 线下寄送物料组织活动：会给大家寄送线下活动物料，在学校内组织。 AI 春晚即将开始：去年 300 人 30 天共创了 AI 春晚，今年的也即将开始，可报名参与多种岗位。 AIPO 活动及相关挑战：10 月 20 日的 AIPO 活动，可提前构思展示项目，有会话和视频相关的挑战赛。 共学活动与技能提升：接下来 10 天有从零基础到建站等内容的讲解，回放会放在链接里，可先从练习提示词入手。 硬件机器人材料购买：若搞硬件机器人，部分材料需尽快购买。 自媒体发布与流量扶持：在小红书发布活动内容带特定标签有流量扶持，作品也可发布在 GitHub 等平台。 活动奖项与历史玩法：设最佳创业奖和最佳投资奖各四个，有线下摆摊展示交流、IPO 路演等玩法，之前在多个城市举办过 AI 切磋大会。 工具使用与新大赛预告：可使用多种 AI 工具，新的大赛即将开启，有百万奖金池，相关动态会在社区活动栏目公布。 AI 音乐和数字人语音合成： AI 音乐方面，提到草爷、格林 king、狗哥带大家入门，有相关课程与教程，且淘宝上有套壳工具抄袭。社区伙伴做的 AI 音乐专辑不错。 数字人语音合成部分提到声音克隆，有新的声音克隆且音质很不错。 提到了微软新出的成果、阿里的 Cozy voice（指出其泛化能力不强）、大家常用的 GPT solve it、刚举办的 AI 3D 活动。 以小田的 config UI 基础工作流一日谈展开，讲述了多个案例，如许建拍摄场景图成本降低，郭佑萌在图书出版行业提升效率，影楼可进行换装等操作，文旅文创场景有有趣的合影生成方式，还提到该工作流岗位稀缺且社区有课程可供学习。 AJ 介绍平台资源，包括共学课程、专栏报告、数据等，还提及就业创业及一些企业专栏的内容。

AI 的发展历史可以追溯到二十世纪中叶，大致经历了以下几个阶段： 1. 早期阶段（1950s 1960s）： 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召开的会议上，人工智能一词被正式提出，并作为一门学科确立下来。这一时期专家系统、博弈论、机器学习初步理论等受到关注。 2. 知识驱动时期（1970s 1980s）：专家系统、知识表示、自动推理等是研究重点。 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。 在发展过程中，AI 也经历了起伏。20 世纪 70 年代出现了“人工智能寒冬”，但随着计算资源变得便宜、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。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、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，涉及强化学习、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。

目前没有这样合法合规且普遍可用的产品。获取他人的推特信息需要遵循相关平台的规定和法律法规，未经授权获取他人的信息是不被允许的。

AI 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，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。 AI 技术的发展历程如下： 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。 当前 AI 前沿技术点包括： 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。 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，因不知大脑完成任务的具体步骤，这类任务正是 AI 感兴趣的。

很抱歉，上述提供的内容中没有直接提到可以分析历史事件关联性的 AI 相关信息。但目前在 AI 领域，有一些自然语言处理和数据分析的技术及工具可能会被应用于历史事件关联性的分析。例如，利用大规模的语言模型结合历史数据进行文本挖掘和关联分析。不过，具体的专门用于此目的的成熟 AI 应用可能还需要进一步的研究和开发。

以下是关于历史进程分析的 AI 相关内容： AI 技术的发展历程和前沿技术点可以概括如下： 发展历程： 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发展。 当前前沿技术点： 1. 大模型（Large Language Models）：如 GPT、PaLM 等。 2. 多模态 AI：包括视觉 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：有元学习、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：包含强化学习、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。 对于大众来说，AI 领域的使用随着国内互联网的发展，在近 20 年才开始普及。最初的应用主要是基于 NLP 技术的聊天机器人和客服机器人。随后，中英文翻译、语音识别、人脸识别等技术取得突破，在日常生活中的应用广泛，如语音助手、智能翻译设备、人脸识别支付系统等。但以前的技术突破大多限于特定领域，模型应用范围相对狭窄。而随着 OpenAI ChatGPT 等大型语言模型的突破，展示了通过大规模模型预训练涌现出广泛智能应用的新发展路线，一个模型就能实现多种能力。 此外，在法律法规方面，某些用于司法和民主进程的 AI 系统应被归类为高风险，考虑到其对民主、法治、个人自由以及有效补救和公平审判权利的潜在重大影响。但某些用于纯辅助行政活动且不影响个别案件实际司法管理的 AI 系统不应被归类为高风险。

大模型的发展历史如下： 2017 年，发布了 Attention Is All You Need 论文，开启了大模型发展的序幕。 2018 年，Google 提出 BERT（Bidirectional Encoder Representations from Transformers），通过双向预训练并行获取上下文语义信息和掩码语言建模，开创了预训练语言表示范式，参数规模在 110M 到 340M 之间。 2018 年，OpenAI 提出 GPT（Generative Pretrained Transformer），开创了仅使用自回归语言建模作为预训练目标而无需额外监督信号的方式，展示了强大的语言生成能力，参数规模达 1750 亿。 2021 年，Meta 提出 Large LAnguage Model Approach（LLAMA），这是首个开源模型，为构建更大规模、更通用的语言模型提供了系统化的方法与工具，参数规模在十亿到千亿之间。 2023 年是大模型澎湃发展的一年，从 22 年 11 月 ChatGPT 的惊艳面世，到 23 年 3 月 GPT4 作为“与 AGI（通用人工智能）的第一次接触”，到 23 年末多模态大模型的全面爆发，再到刚刚面世的 Sora 再次震惊世界。随着大模型技术的愈发成熟和规模增大，为 AI Agent 提供强大能力，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。