现在人工智能处于什么阶段

•AI目前仍处于“任务渗透”阶段，而非“职业颠覆”。•AI最常用于编程37%和写作10%，对体力劳动和专业职业影响小•中等收入、高学历职业AI采用率最高，低收入和极高收入低•AI增强人类工作比例57%大于完全自动化43%，短期内AI主要是辅助工具，而非取代人工•AI未来可能从“人机共创”模式向“任务外包”模式演进不久的将来，AI在所有的考试都能超越人类的时代，我们的应试教育还有什么价值？生成式AI对教育是颠覆式创新AI会让学校消亡么？•不会：人才培养是学校唯一不可替代的功能。换句话说，•学校的人才培养的中心位置并不会因为新技术的加入而发生根本AI教师会代替人类教师么？中小学教师讨论群热议：小学生已经开始用AI交作业了，教师怎么应付人工智能来袭，学生先用上了，教师怎么办？北京市，上海市，先后出台应用指南、应用框架基础教育教师们马上行动起来自媒体泛滥时代，人的三个核心技能：管理好自己的注意力过滤能力刺破社交媒体的泡泡垃圾堆里找宝驾驭能力善用AI来增强自己更主动的选择鉴别能力在AI的幻象中寻找人类的痕迹与价值用AI赋能教学，从易到难的学习路径是4.⽣成课程资源3.学会优化提示词

传统的人工智能概念依赖于逻辑和规则来给计算机编程。在20世纪60年代，那时候人工智能的研究还更多处于理论阶段，不能实用。使用神经网络的思路被「摧毁（destroyed）」和抹黑，Hinton教授说，传统的模型得到了人们无疑的信赖。但随着过去几年计算机算力的极大增长，神经网络的突破出现了，情况也随即发生了变化。2009年，Hinton教授的2位研究生使用一个神经网络赢下了一个语音识别比赛，击败了之前最好的成熟方法，该神经网络后来升级并被整合到了谷歌的安卓手机中。2012年，他的另外两个学生又轻松赢下了一场图像识别比赛。其使用的技术涉及到使用一个包含100万张图像的数据库所训练的一个系统，该系统在识别和描述一张图像上的错误率仅有5%——接近了人类的水平。为了解释神经网络的工作方式，Hinton教授举了一个翻译程序的例子。他解释说，使用神经网络作为翻译器涉及到将巨量词汇和句子片段送入一个计算机网络。该系统会找出句子的含义，并将其送入另一个神经网络，然后再以另一种语言输出该句子，而无需使用编程或语言学规则。它甚至能自己学会主动语态和被动语态。「没有告诉它什么是主动语态和被动语态。就像你的小孩一样，你不会说：『瞧，Johnny，这是主动语态，这是被动语态……』你不会这么说，但他们在一段时间后就学会了。」Hinton教授说，「对于这些神经网络来说，关键就是它们确实学会了。」在游历了美国多所大学后，他于1987年来到多伦多大学，并将做出这个决定归为两个因素。一个源于加拿大高等研究院资助了他的人工智能研究。另一个则更带有政治色彩：「我不想从美国军方获得资金。在美国，大多数人工智能研究资金都来源于军方。」

Sonya Huang的演讲深入探讨了人工智能的现状，强调了它在各个行业的影响以及人工智能充分发挥其潜力需要解决的挑战。[heading2]核心观点：[content]AI产品越来越契合市场的需要：人工智能已经在客户支持、法律服务和软件工程等行业展示了产品与市场的契合度。例如，由人工智能驱动的客户服务平台Klarnas通过处理三分之二的客户服务查询，实现了相当于700个全职座席工作的自动化。生成式人工智能正在经历快速增长：第一年的收入约为30亿美元，这一壮举是SaaS市场花了近十年时间才实现的。与以前的技术转变相比，这凸显了人工智能的加速采用和价值创造潜力。AI的$200B问题：虽然公司在AI基础设施上投入了大量资金，仅去年一年就有大约500亿美元用于NVIDIA GPU，但AI应用程序产生的收入仍然相对适中。这就提出了一个问题，即对人工智能的投资何时以及如何转化为可观的回报？预测：Sonya Huang预测，2024年将是真正的AI应用将我们从Copilots(副驾驶)转变为可以作为人类Agents(代理)的一年。之前的人工智能可能更像是一种辅助工具，而未来的人工智能将变成你的同事。她还预计，随着人工智能应用进入生产阶段，人工智能将更有能力完成更高层次的认知任务，如规划和推理，并使计算的平衡从预训练转向推理。融资环境不均衡：目前的人工智能公司的融资环境并不均衡，更关注基础模型而不是应用。对于希望利用人工智能革命的初创公司来说，这既是挑战也是机遇。关键挑战：从长远来看，提高用户保留率和缩小期望与现实之间的差距是人工智能应用取得成功需要解决的关键挑战。目前，与移动应用相比，生成式AI应用的日月活跃用户比率和一个月留存率较低。产品与市场的契合度需要进一步提升：随着基础模型变得更加智能，人工智能的产品与市场的契合度有望加速，从而在各个行业中出现更成功的人工智能应用。