Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

Al发展到什么程度

Answer

目前 AI 的发展呈现出多方面的特点和趋势：

  1. 千脑理论：新皮层由数以万计的皮质柱组成，每根柱子都会学习物体的模型，多模型设计发挥作用的关键是投票。智能机器的“大脑”也应由许多几乎相同的元素（模型）组成，并连接到各种可移动的传感器。大脑中的知识储存在参考框架中，机器也需要学会一个世界的模型。
  2. 通用化趋势：AI 将从专用方案过渡到更多的通用方案。通用电脑因更好的成效比导致技术更快进步，更多努力用于加强受欢迎的设计和支持其生态系统，导致成本降低和性能提升。同时，一些重要的未来应用如探索火星等需要通用方案的灵活性，而当前专用的深度学习模型无法满足。
  3. 游戏领域：随着生成式人工智能革命的进展，它将重塑用户生成内容（UGC），创造任何人都能构建游戏的世界，游戏创作将变得真正民主化，数以百万计的新游戏制作者将被创造出来。
  4. 企业发展：OpenAI 公司成立于 2015 年，总部位于美国旧金山，早期是非营利机构，后来改成有限营利形式。其使命是推进人工智能技术发展，为全球创造更安全、智能的未来。关于 OpenAI 公司的时间线，可参考 Wiki（https://timelines.issarice.com/wiki/Timeline_of_OpenAI）和 OpenAI Blog（https://openai.com/blog/）。
Content generated by AI large model, please carefully verify (powered by aily)

References

机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命

多模型机制的：新皮层由数以万计的皮质柱组成，每根柱子都会学物体的模型，使多模型设计发挥作用的关键是投票。每一列都在一定程度上独立运作，但新皮层中的长距离连接允许各列对其感知的对象进行投票。智能机器的"大脑"也应该由许多几乎相同的元素（模型）组成，然后可以连接到各种可移动的传感器。有自己的参考框架：大脑中的知识被储存在参考框架中。参考框架也被用来进行预测、制定计划和进行运动，当大脑每次激活参考框架中的一个位置并检索相关的知识时，就会发生思考。机器需要学会一个世界的模型，当我们与它们互动时，它们如何变化，以及彼此之间的相对位置，都需要参考框架来表示这类信息。它们是知识的骨干。为什么需要通用人工智能（AGI）AI将从我们今天看到的专用方案过渡到更多的通用方案，这些将在未来占据主导地位，Hawkins认为主要有两个原因：第一个就和通用电脑战胜专用电脑的原因一样。通用电脑有更好的成效比，这导致了技术的更快进步。随着越来越多的人使用相同的设计，更多的努力被用于加强最受欢迎的设计和支持它们的生态系统，导致成本降低和性能的提升。这是算力指数式增长的基本驱动力，它塑造了二十世纪后半叶的工业和社会。Al将通用化的第二个原因是，机器智能的一些最重要的未来应用将需要通用方案的灵活性，例如Elon Musk就希望可以有通用智能的机器人来帮忙探索火星。这些应用将需要处理很多无法预料的问题，并设计出新颖的解决方案，而今天的专用的Deep Learning模型还无法做到这一点。

AI将使任何人都能够创建游戏

原文地址：https://a16z.com/2023/03/17/the-generative-ai-revolution/作者：A16Z分析师随着[游戏中生成式人工智能革命的](https://a16z.com/2022/11/17/the-generative-ai-revolution-in-games/)进展，它将彻底重塑用户生成内容（UGC），创造一个任何人都可以构建游戏的世界，并将游戏市场扩大到超出许多人的想象。在未来几年，深厚的技术知识或艺术掌握将不再是开发游戏所需的基本技能；相反，创作者只会受到他们的精力、创造力和想象力的限制。想法并不便宜；他们会很珍贵。最重要的是，游戏创作将变得真正民主化，数以百万计的新游戏制作者将被创造出来。想法很便宜。只有你对它们做了什么才重要。——艾萨克·阿西莫夫根据UGC平台的历史、最近面向消费者的法学硕士的可用性以及对先前技术变革的观察，我们相信，从UGC游戏到人工智能驱动的UGC（我们将在下文中称为AIGC）的演变将会发生分两个阶段。

OpenAI 公司的时间线

OpenAl是一家人工智能研究公司，成立于2015年，总部位于美国旧金山。OpenAl的使命是推进人工智能技术的发展，为全球创造更加安全、智能的未来。OpenAI早期是个非营利机构，后来改成了有限营利形式。时间线延伸阅读：Wiki：https://timelines.issarice.com/wiki/Timeline_of_OpenAIOpenAI Blog：https://openai.com/blog/

Others are asking
大语言模型、多模态、数据、算力、算法、预训练、微调、RAG、自注意力机制、transformer、token、神经网络、向量、scaling law这些内容的含义
以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 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：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。
2025-02-18
大语言模型、多模态、数据、算力、算法、预训练、微调、RAG、自注意力机制、transformer、token、神经网络、向量、scaling law这些内容的含义
以下是对您所提到的这些内容含义的解释： 大语言模型：是一种基于大量文本数据进行训练的语言处理模型，其工作原理包括训练数据、算力、模型参数等。在训练数据一致的情况下，模型参数越大能力越强。 多模态：指能够处理多种不同类型的数据模态，如文本、图像、音频等，并将它们融合进行理解和生成。 数据：是大语言模型训练和应用的基础，包括各种文本、图像、音频等信息。 算力：指用于支持大语言模型训练和运行的计算能力。 算法：是大语言模型实现各种功能的数学和逻辑方法。 预训练：在大语言模型中，先在大规模数据上进行无特定任务的初步训练。 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：检索增强生成，通过引用外部数据源为模型做数据补充，适用于动态知识更新需求高的任务。其工作流程包括检索、数据库索引、数据索引、分块、嵌入和创建索引、增强、生成等步骤。 自注意力机制：是 Transformer 架构中的重要部分，能理解上下文和文本关联，通过不断检索和匹配来寻找依赖关系，处理词和词之间的位置组合，预测下一个词的概率。 Transformer：是大语言模型训练架构，用于翻译等任务，具备自注意力机制。 Token：在自然语言处理中，是文本的基本单位。 神经网络：是大语言模型的基础架构，模拟人脑神经元的连接和信息处理方式。 向量：在大语言模型中，用于表示文本等数据的数学形式。 Scaling Law：关于大语言模型规模和性能之间关系的规律。
2025-02-18
functioncall
Function Calling 是一种在 AI 领域中重要的技术和应用方式： 在 ChatGPT 中：为让 ChatGPT 返回符合要求的 JSON 格式，prompt 的定制尤为重要和复杂。OpenAI 发布函数调用及其他 API 更新，开发人员可向 gpt40613 和 gpt3.5turbo0613 描述函数，让模型智能选择输出包含调用函数所需参数的 JSON 对象，这是将 GPT 能力与外部工具和 API 连接的新方法。好处是减少 SQL 注入风险，可本地写函数执行查询，也可让函数改为 SQL 查询，根据实际业务需求选择函数查询或 SQL 查询，使 AI 输出更可控。 在谷歌 Gemini 中：在金融业务用例中，如搜索欧元兑美元的当前汇率，需做好配置，使用 Gemini 1.5 Flash 模型。函数调用为 AI 系统带来多个优势，包括简化用户体验、减少错误发生可能性、为更高级自动化开辟道路，能处理如酒店预订或制定旅行计划等复杂操作，重新定义了人与技术的互动方式。
2025-02-14
RuntimeError: Couldn't clone Stable Diffusion. Command: "git" clone --config core.filemode=false "https://github.com/Stability-AI/stablediffusion.git" "/Users/lichenhui/stable-diffusion-webui/repositories/stable-diffusion-stability-ai" Error code: 12
以下是关于您遇到的“RuntimeError: Couldn't clone Stable Diffusion”错误的分析和解决建议： 这个错误通常表示在克隆 Stable Diffusion 时出现问题。可能的原因包括： 1. 库的某些文件或依赖项已更改或已移除，导致无法找到所需的提交。 2. Git 存储库的状态不正确。 3. 网络连接存在问题。 解决方法如下： 1. 尝试清除本地库并重新克隆 Stable Diffusion，然后再次运行代码。 2. 运行以下命令来检查网络连接：ping files.pythonhosted.org
2025-02-12
怎么利用AL赚到钱
利用 AI 赚到钱可以参考以下要点： 1. 对于盈利模式，要确保人们为产品/服务支付的钱超过提供该产品/服务的成本，同时不能忘记考虑自身成本。 2. 若产品免费，不要试图通过购买用户来增长，而是要做出人们愿意与朋友分享的东西。 3. 对于付费产品，若客户生命周期价值（LTV）小于 500 美元，通常负担不起销售费用，可尝试使用不同的用户获取方法，如 SEO/SEM、广告、邮件等，并争取在 3 个月内偿还客户获取成本（CAC）。 4. 若付费产品的客户生命周期价值（LTV）超过 500 美元，通常能负担得起直接销售费用，可先自己销售产品以了解有效方法，《Hacking Sales》是一本有用的参考书籍。 5. 尽可能快地实现“泡面盈利”，即赚足够的钱维持基本生计，这样能掌握自己的命运，不受投资者和金融市场摆布。 6. 密切关注现金流，避免在未意识到的情况下把钱用光。 此外，以 OpenAI 为例，其为了获取资金进行技术研发和运营，想出了创建营利实体的办法，吸引了大量风险投资。但需要注意的是，这种财务安排的目的是为了实现技术目标，而非单纯的盈利。
2025-02-06
自定义采样器（高级） Expected all tensors to be on the same device，but found at least two devices，cuda：0 and cpu！（when checking argument for argument mat2 in method wrapper_CUDA_mm）
以下是关于“自定义采样器（高级）”中“Expected all tensors to be on the same device，but found at least two devices，cuda：0 and cpu！（when checking argument for argument mat2 in method wrapper\_CUDA\_mm）”错误的解决办法： 错误原因：Expected all tensors to be on the same device,but found at least two devices,cuda:0 and cpu! 对应插件地址：https://github.com/sipie800/ComfyUIPuLIDFluxEnhanced 资料链接： 百度网盘：通过网盘分享的文件：ComfyUI_PuLID_Flux_ll 链接:https://pan.baidu.com/s/1dMLAb4s0vroO9Zk6ecKb7Q?pwd=cycy 提取码:cycy 来自百度网盘超级会员 v5 的分享 说明文档：https://www.xiaobot.net/post/b98d55699a754b9baac242a3e285be94 由于 AI 技术更新迭代，请以文档更新为准 更多内容收录在：https://xiaobot.net/p/GoToComfyUI 网盘：https://pan.quark.cn/s/129886bbcc61 相关链接： ComfyUI_PuLID_Flux_ll ：https://github.com/lldacing/ComfyUI_PuLID_Flux_ll?tab=readmeovfile guozinan/PuLID 模型：https://huggingface.co/guozinan/PuLID/tree/main
2025-02-03
现在ai发展到什么程度了？
目前 AI 的发展呈现出以下情况： AGI 方面：AGI 尚未取得巨大进展，仍处于不断探索和发展的阶段。AGI 分为五个等级，分别是具备基本对话能力的聊天机器人、具备人类推理水平的推理者、能执行全自动化业务但仍需人类参与的智能体、能够协助人类完成新发明的创新者以及能够自动执行组织全部业务流程的组织。 ANI 方面：ANI 得到了巨大发展，如智能音箱、网站搜索、自动驾驶、工厂与农场的应用等。 机器学习方面：监督学习因现有数据快速增长、神经网络规模发展以及算力快速发展而近期发展迅速。 数据方面：数据集是由数据组成的集合，通常以表格形式出现，包括结构化数据和非结构化数据。获取数据的方式有手动标注、观察行为和网络下载等。同时，数据的质量和处理也很重要，并非数据多就有用，还需要有效处理不正确和缺少的数据。 大模型方面：开源大模型爆发，未来 AGI 竞争的关键是云端超级大模型，但通用大模型也遇到瓶颈，如算力和知识不够的问题。训大模型需要将饱含人类智慧的高含量知识训进去。
2025-02-09
开发agent有哪些主流的方案，并从功能性，开发难易程度，适用场景进行对比
以下是一些主流的 Agent 开发方案，并从功能性、开发难易程度、适用场景进行对比： 1. Coze： 功能性：集成丰富插件工具，拓展 Bot 能力边界。 开发难易程度：相对较易。 适用场景：适用于构建基于 AI 模型的各类问答 Bot。 2. Microsoft 的 Copilot Studio： 功能性：外挂数据、定义流程、调用 API 和操作，部署到各种渠道。 开发难易程度：适中。 适用场景：适用于多种场景。 3. 文心智能体： 功能性：基于文心大模型，支持开发者打造产品能力。 开发难易程度：适中。 适用场景：多种场景。 4. MindOS 的 Agent 平台： 功能性：允许用户定义 Agent 的个性、动机、知识，访问第三方数据和服务或执行工作流。 开发难易程度：适中。 适用场景：多种场景。 5. 斑头雁： 功能性：基于企业知识库构建专属 AI Agent，提供多种成熟模板，功能强大且开箱即用。 开发难易程度：相对较易。 适用场景：客服、营销、销售等。 6. 钉钉 AI 超级助理： 功能性：依托钉钉优势，提供环境感知和记忆功能，在高频工作场景表现出色。 开发难易程度：适中。 适用场景：销售、客服、行程安排等。 Copilot 和 Agent 的区别： 1. 核心功能： Copilot：辅助驾驶员，更多依赖人类指导和提示，功能局限于给定框架。 Agent：主驾驶，具有更高自主性和决策能力，能自主规划和调整处理流程。 2. 流程决策： Copilot：依赖人类确定的静态流程，参与局部环节。 Agent：自主确定动态流程，能自行规划和调整任务步骤。 3. 应用范围： Copilot：主要处理简单、特定任务，作为工具或助手。 Agent：能处理复杂、大型任务，在 LLM 薄弱阶段使用工具或 API 增强。 4. 开发重点： Copilot：依赖 LLM 性能，重点在于 Prompt Engineering。 Agent：依赖 LLM 性能，重点在于 Flow Engineering，把外围流程和框架系统化。 搭建工作流驱动的 Agent 简单情况分为 3 个步骤： 1. 规划： 制定任务关键方法。 总结任务目标与执行形式。 分解任务为子任务，确立逻辑顺序和依赖关系。 设计子任务执行方法。 2. 实施： 在 Coze 上搭建工作流框架，设定节点逻辑关系。 详细配置子任务节点，验证可用性。 3. 完善： 整体试运行 Agent，识别卡点。 反复测试和迭代，优化至达到预期水平。
2025-02-08
到目前为止，人工只能已经发展到什么样的一个程度了，未来前景怎么样？普通人如何通过人工智能挣到钱
目前人工智能的发展呈现出复杂的态势： 预计明年会有团体花费超过 10 亿美元训练单个大规模模型，通用人工智能的热潮仍在持续，但其成本也在不断增加。 政府和大型科技公司都面临着计算需求超出电网支持能力的问题。 人工智能对选举的影响尚未完全显现，但仍需关注。 以 OpenAI、Meta 以及中国实验室为代表，竞争激烈。 未来前景方面： 深度学习被证明有效，且随着规模扩大预期会改善，能帮助解决更多难题，对全球人民生活产生有意义的改善。 人工智能模型将作为个人助理执行特定任务，帮助构建更好的下一代系统，并推动各领域科学进展。 对于普通人如何通过人工智能挣钱，以下是一些可能的途径： 学习相关技能，如编程、数据分析等，参与人工智能项目的开发和维护。 利用人工智能工具进行内容创作，如写作、绘画等，并通过相关平台实现盈利。 关注人工智能领域的新兴应用，寻找创业机会。
2025-02-05
AI的发展现在到达一个什么程度
目前 AI 的发展呈现出以下特点和程度： 1. 在通用人工智能（AGI）方面，尚未取得巨大进展，但一直在努力接近这一目标。AGI 分为五个等级，分别是具备基本对话能力的聊天机器人、具备人类推理水平的推理者、能执行全自动化业务但仍需人类参与的智能体、能够协助人类完成新发明的创新者以及能够自动执行组织全部业务流程的组织。 2. 弱人工智能（ANI）得到了巨大发展，在智能音箱、网站搜索、自动驾驶、工厂与农场应用等领域有广泛应用。 3. 机器学习中的监督学习近期快速发展，这得益于现有数据的快速增长、神经网络规模的发展以及算力的快速发展。 4. 数据对于 AI 至关重要，包括数据集的定义、获取数据的方式（手动标注、观察行为、网络下载）、使用数据的方法以及数据的分类（结构化数据和非结构化数据）。 5. 在大模型方面，开源大模型爆发，未来 AGI 竞争的关键在于云端超级大模型，同时通用大模型也遇到了瓶颈，如算力和知识沉淀等问题。
2025-02-02
当前ai发展到什么程度了
当前 AI 的发展程度可以从以下几个方面来看： 1. 在通用人工智能（AGI）的发展等级方面： 聊天机器人：具备基本对话能力，主要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。 推理者：具备人类推理水平，如 ChatGPT，能够根据上下文和文件提供详细分析和意见。 智能体：不仅具备推理能力，还能执行全自动化业务，但目前许多产品在执行任务后仍需人类参与。 创新者：能够协助人类完成新发明，如谷歌 DeepMind 的 AlphaFold 模型，可加速科学研究和新药发现。 组织：最高级别，能够自动执行组织的全部业务流程。 2. 技术发展历程： 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、自动推理得到发展。 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。 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等兴起。 3. 当前前沿技术点： 大模型：如 GPT、PaLM 等。 多模态 AI：包括视觉 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：涉及模型可解释性、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。 同时，开源大模型爆发，企业大模型市场崛起，但通用大模型也遇到瓶颈，如算力和知识沉淀等问题。
2025-01-11
现在ai发展到什么程度了
目前 AI 的发展呈现出多方面的特点和进展： 1. 在通用人工智能（AGI）方面，尚未取得巨大进展，但 OpenAI 等机构提出了 AGI 的五个发展等级，包括聊天机器人、推理者、智能体、创新者和组织。其中，聊天机器人具备基本对话能力，推理者能解决复杂问题，智能体可执行全自动化业务但仍需人类参与，创新者能协助人类完成新发明，组织则能自动执行全部业务流程。 2. 在应用方面，ANI（弱人工智能）得到了巨大发展，如智能音箱、网站搜索、自动驾驶、工厂与农场的应用等。 3. 大模型方面，开源大模型爆发，未来 AGI 竞争的关键在于云端超级大模型，但通用大模型也面临瓶颈，如算力和知识不足的问题。 4. 机器学习方面，监督学习因数据增长、神经网络规模发展和算力提升而快速发展。 5. 数据方面，数据集是由数据组成的集合，分为结构化和非结构化数据，获取数据的方式包括手动标注、观察行为和网络下载，同时需要有效处理数据中可能存在的不正确和缺失等问题。
2025-01-07
我想做一个产品（生涯规划领域的垂直大模型），这个产品服务的对象是所有人：帮助所有人进行更好的职业规划。每个人都能通过使用这个产品更好地了解自己，了解自己的天赋、兴趣、优势，然后找到自己的热爱的领域和热爱的事业，并且能够个性化地推荐相关的行业和职业，包括职业的主要工作内容和核心能力要求等等。 请对这个产品进行可行性分析，并给出产品的发展规划，别忘了给这个项目起一个名字。
以下是对您提出的生涯规划领域垂直大模型产品的可行性分析和发展规划，并为项目取名为“生涯智途”。 可行性分析： 1. 需求广泛：帮助人们进行职业规划是一个普遍存在的需求，涵盖了各个年龄段和职业阶段的人群。 2. 数据可用性：可以通过各种渠道收集大量与职业相关的数据，包括行业报告、职位描述、人才需求等。 3. 技术支持：当前大模型技术的发展为实现这样的产品提供了可能，能够处理和分析大量复杂的数据。 发展规划： 1. 数据收集与整理：广泛收集各类职业数据，建立丰富的数据库，确保数据的准确性和完整性。 2. 模型训练与优化：利用收集到的数据进行模型训练，不断优化模型，提高预测和推荐的准确性。 3. 功能开发： 个性化测评：开发能够准确评估用户天赋、兴趣、优势的功能模块。 精准推荐：根据用户的特点，提供个性化的行业和职业推荐，并详细介绍职业的工作内容和核心能力要求。 持续学习与更新：随着行业变化，及时更新数据和模型，以提供最新的职业信息。 4. 用户体验优化：设计简洁、易用的界面，提供良好的用户交互体验。 5. 市场推广：通过线上线下多种渠道进行推广，提高产品的知名度和用户覆盖面。 希望以上分析和规划对您有所帮助。
2025-02-18
目前ai发展成熟吗
目前 AI 仍处于不断发展的阶段，尚未完全成熟。 人类是工具的创造者，每一代都在前人的基础上创造出更强大的工具，如今 AGI 成为了人类进步的又一工具。长期以来，人类创新推动生活各方面繁荣改善，AI 也在持续快速发展。 例如，Transformer 架构早在 2017 年就已提出，但 AI 近几年才爆发，其中神经网络的规模是重要影响因素。以 GPT 模型为例，从 2018 年第一代的 1 亿左右参数量，到 2023 年第四代的万亿规模，规模越大智能程度越高，且在达到一定规模后出现“涌现”能力，智能程度飞速上升，但这种“涌现”出现的机理目前尚无统一解释。 在未来，AI 有望在多个领域取得进展，如 2024 年内，图片超短视频的精细操控、AI 音频能力、“全真 AI 颜值网红”、游戏 AI NPC、AI 男/女朋友聊天、实时生成的内容、AI Agent 等方面会有发展；2025 2027 年，AI 3D 技术、全真 AI 虚拟人、AR/VR 技术、具身智能等技术可能会有明显突破。 然而，AI 立法、伦理讨论仍大规模落后于技术进展，AI 造成的 DeepFake、诈骗、网络攻击等问题开始引发担忧，且可能导致结构性失业等社会问题。
2025-02-18
有关于数据标注行业发展趋势的文章吗？
以下是关于数据标注行业发展趋势的相关内容： 数据标注行业呈现出以下几个主要的发展趋势： 从量到质的转变：早期大模型训练侧重通过大量算力和大规模数据集来提升性能，但随着技术进步，数据质量成为提高模型性能的关键瓶颈，更注重提高数据的质量和相关性，而非单纯增加数据量和算力。 数据标注向知识密集型转变：多模态模型需处理多种类型数据，使数据标注过程更细致复杂。例如进行情绪判断或推理时，需要更高水平的理解和分析能力。这要求从事标注的人员不仅要接受专业培训，在某些情况下还需要特定领域专家执行。 数据标注的自动化和合成数据的使用：随着人工智能技术发展，数据标注领域正经历自动化转型，可使用大模型自动标注数据，提高标注效率并减少人力成本。合成数据使用越来越普遍，因其成本较低、能避免隐私问题及可生成长尾场景数据。例如在自动驾驶领域，可用于生成罕见但关键的路况场景，提高模型的鲁棒性和准确性。 此外，相关法律法规也对生成式人工智能技术研发过程中的数据标注做出规定，如提供者应制定清晰、具体、可操作的标注规则，开展数据标注质量评估，对标注人员进行必要培训等。
2025-02-17
DEEPSEEK发展现状介绍一下
DeepSeek 的发展现状如下： 1. 训练成本方面：远高于传闻的 600 万美元，总计约 13 亿美元。定价低于实际成本，导致高额亏损。MixtureofExpert 方法虽降低计算需求，但大规模内存使用可能增加总成本。 2. 竞争优势方面：以低成本开发顶级 AI 模型的 Mistral AI 被中国 DeepSeek 迅速赶超，DeepSeek 的“极简算力”模式可能削弱 Mistral 的竞争优势。 3. 市场表现方面：展示出媲美领先 AI 产品性能的模型，成本仅为一小部分，在全球主要市场的 App Store 登顶。 4. 实际使用体验方面：在文字能力上表现突出，尤其在中文场景中高度符合日常、写作习惯，但在专业论文总结方面稍弱。数学能力经过优化表现不错，编程能力略逊于 GPT。GRPO 算法替代传统 PPO，降低价值函数估计难度，提高语言评价场景的灵活性与训练速度。 5. 热度方面：微信指数达 10 亿多次，陈财猫将分享提示词及小说创作心得。
2025-02-17
AIagent的发展方向
AI Agent 被认为是大模型未来的主要发展方向之一，其发展具有以下特点和阶段： 从原理上看，中间的“智能体”通常是 LLM 或大模型，为其增加了工具、记忆、行动、规划四个能力。目前行业里主要用到的是 langchain 框架，它通过代码或 prompt 的形式将 LLM 与 LLM 之间以及 LLM 与工具之间进行串接。 在人工智能的发展历程中，AI Agent 并非一蹴而就，其发展可分为几个阶段，并受到符号主义、连接主义、行为主义的影响。在人工智能的黎明时期，符号人工智能作为主导范式，以对符号逻辑的依赖著称，代表之作是基于知识的专家系统。其特点是基于逻辑和规则系统，使用符号来表示知识，通过符号操作进行推理。优点是推理过程明确、可解释性强，缺点是知识获取困难、缺乏常识、难以处理模糊性。时间为 20 世纪 50 70 年代。 近期出现的各类 AI 搜索引擎不断颠覆传统搜索引擎，如 perplexity.ai、metaso、360 搜索、ThinkAny 等。AI Agent 在辅助高效处理信息和简便信息表达方面表现出色，例如智能摘要能辅助快速筛选信息，自然语言描述可生成美观可用的图片。在工作流方面，每个人应根据自身情况找到适合的工具，如产品经理可使用 AI 进行用户画像、竞品调研、设计产品测试用例、绘制产品功能流程图等。关于 AI Agent 的未来，曾被认为异想天开的想法都可能成为现实，技术迭代会不断向前。
2025-02-15
AI发展的方式除了大模型，还有什么
AI 的发展方式除了大模型，还包括以下方面： 1. 算法：算法的不断优化和创新推动着人工智能的发展。 2. 算力：强大的算力支持是实现复杂人工智能任务的基础。 3. 数据：优质的数据集对于人工智能学习算法的发展至关重要，被称为“AI 时代的石油”。 4. 深度神经网络：通过简单细胞检测特征、复杂细胞汇总信息产生结果等方式实现识别、判断和行动等功能。 5. 端侧模型：端侧模型并非越小越好，而是要够用、好用，设备算力决定最优模型规模，多模态能力是突破通用计算的关键。 6. 端侧 Agents：在终端设备上自主运行的智能代理程序，具备感知、决策、执行的闭环能力，是连接模型与应用的关键。 7. 预训练：包括对编程语言、维基百科、新闻常识、网络社区、各类书籍等内容的预训练，但由于版权和费用问题，不包括期刊论文数据库。 8. 开源生态：促进了 AI 技术的交流和发展。
2025-02-15