揭秘人工智能背后的真正含义

发表时间: 2024-09-18 19:18

与全球关注人工智能的顶尖精英一起学习!数字化转型网建立了一个专门讨论人工智能技术、产业、学术的研究学习社区,与各位研习社同学一起成长!欢迎扫码加入!

一文学会人工智能,建议收藏! -数字化转型网

一、人工智能的基本概念

1、人工智能的定义

●人工智能的英文全称:artifcialinieligene(人工的、人造的智能),简称AI。

●人工智能的定义:人工智能是研究、开发用于模拟、延伸和扩展人的智能行为的理论、方法、技术及应用系统的一门综合性科学。

● 目的:使计算机系统具备执行“通常需要人类智能才能完成的任务”的能力。

2、人工智能的关键点

●人工智能属于什么学科?

AI的本质属性,是一门科学,是一个技术领域。它涉及到了计算机科学、数学、统计学、哲学、心理学等多种学科的知识。但总体上,归类于计算机学科之下。

●人工智能是研究什么对象?

AI的研究目的,是让一个“系统”具备智能。这个“系统”,可以是一套软件程序,也可以是一台计算机,甚至是一个机器人。

●什么是智能?

目前看来,能够像人一样感知、理解、思考、判断、决策,就是实现了人工智能。

一文学会人工智能,建议收藏! -数字化转型网

3、智能的维度包含哪些?

● 认知能力:理解、学习、推理、记忆等。

● 适应能力:解决问题、应对环境变化等。

● 自主能力:独立完成任务、自主决策等。

一文学会人工智能,建议收藏! -数字化转型网

4、人工智能的学派有哪些?

●符号主义学派

认为人类认知和思维的基本单元是符号,而认知过程就是在符号表示上的一种运算。致力于使用某种符号来描述人类的认知过程,并把这种符号输入到能处理符号的计算机中,从而模拟人类的认知过程。

●联结主义学派

模拟人脑的工作方式,使用神经网络来模拟人脑神经元的连接方式和学习算法。

●行为主义学派

强调从行为的角度来理解智能。认为智能体应该通过与环境的交互来学习和适应,而不是仅仅通过内部符号处理进化学派:对生物进化进行模拟,使用遗传算法和遗传编程。

●贝叶斯学派

使用概率规则及其依赖关系进行推理。

●类推学派……

一文学会人工智能,建议收藏! -数字化转型网

5、人工智能的研究方法有哪些?

(1)基于知识的方法

● 专家系统:基于规则、“知识+推理”

● 知识图谱:结构化的知识表示、存储

(2)基于学习的方法

● 机器学习:通过数据进行训练,建立自动学习模型

● 深度学习:基于神经网络,构建自动学习方法

(3)基于仿生的方法

● 行为主义:模拟生物行为,进行学习

● 进化计算:模拟生物的进化过程,进行优化

6、人工智能的分类有哪些?

一文学会人工智能,建议收藏! -数字化转型网

● 弱人工智能 (Weak AI):只专精于单一任务或一组相关的任务,不具备通用智能能力。目前,人类就处于这个阶段。

● 强人工智能(Strong AI):具有一定的通用智能能力,能够理解、学习并应用于各种不同的任务目前,这个还处于理论和研究阶段,还没落地。

● 超人工智能(Super AI):在几乎所有方面都超过人类智能,包括创造力、社交技能等。超人工智能是未来的终极形态,我们假设它能够实现。

二、人工智能的发展历程

一文学会人工智能,建议收藏! -数字化转型网

1、人工智能的萌芽阶段

●17世纪,莱布尼茨、托马斯·霍布斯和笛卡儿等率先提出:是否可以将人类理性的思考系统,转化为代数学或几何学体系?

●在查尔斯·巴贝奇(Chares Babbage)的分析机、赫尔曼·何乐礼(HemmanHolerit)的制表机、阿兰·图灵(AlanTuring的图灵机以及Z3、珍妮机、MakI、ENIAC等一系列发明的接力推动下,人类终于进入了数字电子计算机时代。

●1950年,阿兰·图灵在《心灵(Mind)》杂志上发表了一篇非常重要的论文,名叫《计算机器与智能(CompulingMachiney andInligeno)》。图灵在论文中仔细讨论了创造“智能机器”的可能性。由于“智能”一词很难定义,他提出了著名的图灵测试。

一文学会人工智能,建议收藏! -数字化转型网

2、人工智能的正式诞生

●1955年9月,约翰·麦卡锡(J.McCarthy)、马文·明斯基(M.LMinsky)、克劳德·香农(C.E.Shannon).纳撒尼尔 ·罗切斯特(N.Rochester)共同提出了一个关于机器智能的研究项目,首次引入了“Aiihtin”这个词,也就是人工智能。

●1956年6月,在约翰·麦卡锡(J.McCarthy)、马文·明斯基(M.LMinsky)、克劳德·香农(C.E.Shannon).纳撒尼尔 ·罗切斯特(N.Rochester)的召集下,十余位来自不同领域的专家,聚集在美国新罕布什尔州汉诺威镇的达特茅斯学院,召开一场为期将近两月的人工智能学术研讨会,就是著名的达特茅斯会议(Dartmouth workshop)。

一文学会人工智能,建议收藏! -数字化转型网

●达特茅斯会议,标志着人工智能作为一个研究领域正式诞生,也被后人视为现代人工智能的起点。

3、人工智能的第一次浪潮

●1955年,赫伯特西蒙(Herbert A.Simon,也译为司马贺)和艾伦纽维尔(Alen Newel)开发的一个名为“逻辑理论家(Logic Theorist)”的程序。

●1957年,赫伯特·西蒙等人在“逻辑理论家”的基础上,又推出了通用问题解决器(General Problem Solver,GPS)。

●1957年,美国康奈尔大学的心理学家和计算机科学家弗兰克罗森布拉特(Frank Rosenblatt),在一台IBM-704计算机上,模拟实现了一种叫感知机(Peroeptran)”的神经网络模型。

●1958年,约翰·麦卡锡正式发布了自己开发的人工智能编程语言——LISP(LIST PROCESSING,意思是“表处理”)。

●1959年,IBM科学家亚瑟·塞缪尔在自家首台商用计算机IBM701上,成功编写了一套西洋跳棋程序。

●1959年,美国发明家乔治德沃尔(Geore Devol)与约瑟夫英格伯格(Joseph Engelberger)发明了人类首台工业机器人一Unimate。

●1966年,美国麻省理工学院的魏泽鲍姆(Joscph Weizenbaum),发布了世界上第一个聊天机器人——ELIZA。

●1966年,查理·罗森(Charie Rosen)领导的美国斯坦福研究所(SRI),研发成功了首台人工智能机器人——Shakey。

●1969年,马文·明斯基和西蒙派珀特(Scymowr Papcr)写了一本书《感知机:计算几何学导论》的书,对罗森布莱特的感知器提出了质疑。

●1973年,数学家莱特希尔(Lighi)向英国政府提交了一份关于人工智能的研究报告(著名的《莱特希尔报告》)。报告对当时的机器人技术、语言处理技术和图像识别技术进行了严厉且猛烈的批评,指出人工智能那些看上去宏伟的目标根本无法实现,研究已经彻底失败。随后,人工智能进入了第一个发展低谷,也被称为“AI Winter(AI之冬)”。

4、人工智能的第二次浪潮

●1968年,美国科学家爱德华·费根鲍姆(Edward Feigenbaum)提出了第一个专家系统——DENDRAL,并对知识库给出了初步的定义。这标志着专家系统的诞生。

一文学会人工智能,建议收藏! -数字化转型网

●1972年,美国医生兼科学家爱德华-H肖特利夫(EdwardH.Shoriic)创建了可以帮助进行医学诊断的专家系统——MYCIN。

●1980年,卡耐基梅隆大学研发的专家系统XCON(eXpcrCONgurer)正式商用,为当时的计算机巨头公司DEC每年省下数干万美金。

●1981年,日本经济产业省拨款8.5亿美元,支持第五代计算机项目。

●1983年,美国国防部高级研究计划局(DARPA)通过战略计算促进会(
StrategicCompuingInitiative)”,重启对人工智能研究的资助。

●1984年,由美国微电子与计算机技术公司发起的Cyc项目(“超级百科全书”项目)正式启动。

●1987年,苹果和IBM公司生产的台式机,在性能上已经超过了Symbolics的AI计算机,导致AI硬件市场需求土崩瓦解。

●80年代晚期,战略计算促进会大幅削减对AI的资助。DARPA 的新任领导也认为AI并非“下一个浪湖”,削减了对其的投资。AI,进入了第二次低谷阶段。

5、人工智能的第三次浪潮(爆发阶段)

●2006年,多伦多大学的杰弗里·辛顿发表了重要的论文《Reducing the dimensionality of data with neural networks(用神经网络降低数据维数)》,提出深度信念网络(Deep Belief Network).深度学习(Deeping Learning),正式诞生了。

●2009年,在斯坦福任教的华裔科学家李飞飞,正式发布了大型图像数据集——ImageNet。

●2012年,杰弗里辛顿和他的学生伊利亚苏茨克沃(llya Sutskever)和亚历克斯克里切夫斯基(Alex Kizhevsky)参加了ImageNet的大规模视觉识别挑战赛,以压倒性优势获得第一名。

●2014年,蒙特利尔大学博士生伊思·古德费洛(lanGoodfiellow),提出了生成对抗网络(GANs,
GeneraliveAdversarialNetworks)。

●2016年3月,DeepMind 开发的人工智能围棋程序AlphaGo(阿尔法狗),对战世界围棋冠军,职业九段选手李世石,并以4:1的总比分获胜,震惊了全世界。

●2017年12月,Google机器翻译团队发表了论文《Attention is you need(你所需要的,就是注意力)》,提出只使用“自我注意力(SelfAttention)”机制来训练自然语言模型,并将这种架构命名为transformer。

●2018年6月,OpenAI发布了第一版的GPT 系列模型——GPT-1。

●2022年11月,OpenAI发布了基于GPT 模型的人工智能对话应用服务——ChatGPT.

一文学会人工智能,建议收藏! -数字化转型网

6、第四次工业革命

一文学会人工智能,建议收藏! -数字化转型网

三、 机器学习和深度学习

1、机器学习(Machine Learning)

(1)机器学习(Machine Learning)的定义

● 机器学习(Machine Learning)的核心思想是构建一个可以从数据中学习的模型,并利用这个模型来进行预测或决策。

● 机器学习(Machine Learning),是人工智能的一个重要分支。

(2)机器学习(Machine Learning)的逻辑

一文学会人工智能,建议收藏! -数字化转型网

(3)机器学习(Machine Learning)的类别

机器学习不是一个具体的模型或算法。它包括了很多种类型,例如:

● 监督学习(Supervised Learning):算法从带有标签的数据集中学习,即每个训练样本都有一个已知的结果。

● 非监督学习(Unsupervised Leanring):算法从没有标签的数据集中学习。

● 半监督学习 (Semi-supervised Leanring):结合了少量的带标签数据和大量的未带标签数据进行训练。

● 强化学习(Reinforcement Leanring):通过试错的方式,学习哪些行为可以获得奖励,哪些行为会导致惩罚。

(4)机器学习(Machine Learning)的算法演变

一文学会人工智能,建议收藏! -数字化转型网

2、深度学习(Deep Learning)

(1)深度学习(Deep Learning)的定义

●深度学习(Deep Learning)具体来说,是深度神经网络(Neural Network Learning)学习。

一文学会人工智能,建议收藏! -数字化转型网

●深度学习(Deep Learning) 是机器学习(Machine Learning)的一个重要分支。机器学习底下有一条“神经网络”路线,而深度学习,是加强版的“神经网络”学习。

一文学会人工智能,建议收藏! -数字化转型网

(2)深度学习(Deep Learning) 的框架

一文学会人工智能,建议收藏! -数字化转型网

3、神经网络(Neural Network Learning)

(1)神经网络(Neural Network Learning)的定义

● 神经网络(Neural Network Learning)是联结主义的代表。

● 神经网络(Neural Network Learning)是模仿人脑的工作原理,建立神经元之间的联结模型,以此实现人工神经运算。

一文学会人工智能,建议收藏! -数字化转型网

深度学习所谓的“深度”是指神经网络中“隐藏层”的层级更“深”:

●经典机器学习算法使用的神经网络,具有输入层、一个或两个“隐藏层”和一个输出层。

●深度学习算法使用了更多的“隐藏层”(数百个)。它的能力更加强大,让神经网络能够完成更困难的工作。

一文学会人工智能,建议收藏! -数字化转型网

(2)神经网络的几大经典模型

一文学会人工智能,建议收藏! -数字化转型网

●卷积神经网络(Convolutional Neural Network,CNN)

一文学会人工智能,建议收藏! -数字化转型网

卷积神经网络(Convolutional Neural Network,CNN)是一种专门设计用于处理具有网格结构的数据(如图像和视频)的深度学习模型。

在计算机视觉领域取得了显著的成功,尤其是在图像分类、物体检测、语义分割等任务中表现突出。

基本组成部分:卷积层、激活函数、池化层、全连接层。

●循环神经网络(Recurrent Neural Network,RNN)

一文学会人工智能,建议收藏! -数字化转型网

循环神经网络(Recurrent Neural Network,RNN)是一种特殊的神经网络架构,专门设计用于处理序列数据,例如时间序列数据、文本序列、语音信号等。

与传统的前馈神经网络不同,RNN 可以处理可变长度的输入序列,并且能够记住先前的输入以影响后续的输出。

核心思想是在网络中引入循环连接,允许信息在不同的时间步之间流动。这样,每个时间步的输出不仅可以作为下一个时间步的输入,还可以影响当前时间步的输出。这种设计使得 RNN 能够捕捉序列数据中的长期依赖关系。

●生成对抗网络(Generative AdversarialNetwork,GAN)

一文学会人工智能,建议收藏! -数字化转型网

生成对抗网络(Generative AdversarialNetwork,GAN)采用了一种对抗式的训练方法,其中两个神经网络相互竞争:一个称为生成器(Generator),另一个称为判别器(Discriminator)。这两个网络的目标是相反的,但最终它们共同协作以生成高质量的数据样本。

非常适用于图片生成、图像分割、视频预测、风格迁移等。

●长短期记忆网络(Long Short-Term Memory,LSTM)

●Transformer(转换器)

一文学会人工智能,建议收藏! -数字化转型网

Transformer(转换器)是一种基于自注意力机制的深度学习模型,最初由Google研究人员在2017年提出,用于处理序列数据。

通过自注意力机制,允许模型在处理序列的任何元素时,同时考虑序列中的所有其他元素并给出不同元素的重要程度从而极大地提高了模型在语言理解、情感分析、语音识别等复杂任务中的表现。

Transformer 模型因其高效和强大的性能,已经成为自然语言处理领域的标准架构之一。

四、大模型和AIGC

1、大模型(Large Model)

(1)大模型(Large Model)的定义

● 大模型(Large Model)是具有庞大参数规模和复杂计算结构的机器学习模型。

● 绝大多数大模型的基础核心结构,都是Transformer及其变体。

● 目前常说的大模型,主要是大语言模型(Large Language Model).

(2)大模型(Large Model)的工作机制

● 大模型(Large Model)在通用性、精度和效率等方面具有显著优势。

● 大模型(Large Model)可以通过预训练或其它方式,在大型数据集上进行学习。再通过微调,高效处理计算机视觉、自然语言处理等复杂任务。

一文学会人工智能,建议收藏! -数字化转型网

(3)大模型(Large Model)的预训练和微调

● 大模型(Large Model)的预训练:使用大量无标注数据训练语言模型的过程。赋予了模型一定的通用性,适应多种不同下游任务的能力。

● 大模型(Large Model)的微调:在预训练的基础上,使用标注数据(即特定任务的数据)进一步训练模型,使其适应特定的应用或任务。

一文学会人工智能,建议收藏! -数字化转型网

(4)大模型VS小模型

一文学会人工智能,建议收藏! -数字化转型网

(5)大模型(Large Model)的类别

●语言大模型:以文本数据进行训练。

●视觉大模型:以图像数据进行训练。

●多模态大模型:文本和图像都有。

一文学会人工智能,建议收藏! -数字化转型网

●行业大模型:训练数据集更加广泛,覆盖的领域更加全面。

●通用大模型:训练数据来自特定行业,应用于专门的领域(例如金融、医疗、法律、工业)。

一文学会人工智能,建议收藏! -数字化转型网

(6)大模型(Large Model)的产业链

一文学会人工智能,建议收藏! -数字化转型网

(7)大模型(Large Model)的商业模式

●订阅模式

●API服务模式

●平台服务模式

●定制化服务模式

●广告和推广模式

●数据授权模式

一文学会人工智能,建议收藏! -数字化转型网

2、模型的分类

●分析式AI(决策式AI):利用AI来辅助或自动化决策过程,能识别数据中的隐藏规律,指导基于数据洞察的决策过程。

●生成式AI:通过已有数据的学习和识别,以适当的泛化能力,生成文本、图片、代码、音频和视频等相关内容。

3、AIGC

(1)AIGC的定义

● AIGC(人工智能生成内容):使用人工智能技术来自动创建或生成内容。

●AIGC(人工智能生成内容)生成的内容可以包括文本、代码、图像、音乐、视频等。

(2)AIGC发展的前提

● 深度学习技术的出现和崛起,使得AIGC开始成为可能。

● GAN的发明,是AIGC发展的一个重要里程碑,尤其在图像和视频生成方面。

● GPT 系列、BERT 等模型的出现,极大地推动了文本生成技术的发展。

(3)内容生成的方式

一文学会人工智能,建议收藏! -数字化转型网

● PGC:Professional Generated Content(专业生成内容),由专业的内容创作者或团队进行创作、编辑和发布的内容。

● UGC:User Generated Content(用户生成内容),由普通用户或受众参与创作、编辑和发布的内容。

● AIGC:Arificial inteligence Generated Content(人工智能生成内容),利用人工智能技术和自然语言处理技术来生成内容。

(4)生成类型及大模型名称

● 生成文本:GPT系列、文心一言、通义千问、盘古、Claude 3、Diffusion-LM、Chinchilla等。

● 文生图:DALL·E 2、Stable Diffusion、Midjourney、Pixeling千象、DreamGaussian、百度AI作画、通义万相等。

● 文生音频:MusicLM、ElevenLabs、Wondershare Filmora、Reecho睿声、天工SkyMusic、琴乐大模型、FunAudioLLM、MusicGen等。

● 文生视频:Sora、Stable Video Diffusion、Vidu等。

(5)GPT系列(OpenAI)

● 2018.6,GPT-1,参数:1.17亿,最初的GPT模型,主要展示Transformer架构在文本生成任务中的应用。

● 2019.2,GPT-2,参数:15亿,引人了更大的模型规模和更多的层,显著提升了文本生成的质量和多样性。

● 2020.5,GPT-3,参数:1250-1750亿,参数量是GPT-2的100多倍,它展示了在多种自然语言处理任务上的强大能力,包括文本生成、翻译、摘要等。

● 2022.3,GPT-3.5,参数:1540-1750亿,引人了更多的训练数据和优化算法,提升了模型的性能和多样性。

● 2022.3,InstructGPT,未公开参数,代码数据训练和人类偏好对齐。

● 2022.11,ChatGPT,参数未公开,ChatGPT支持插件机制,扩展了功能,超越了以往所有人机对话系统的能力水平。

● 2023.3,GPT-4,参数在万亿级别,一个多模态模型,可以接受图像和文本输人,输出文本。

● 2023.9,GPT-4V,参数未公开,专注于视觉输人的安全部署,广泛讨论了相关风险评估和缓解策略。

● 2024.5,GPT-4o,未公开参数,是一个多模态大模型,支持文本、音频和图像的任意组合输人,并能生成文本、音频和图像的任意组合输出。

五、人工智能的应用与发展

1、人工智能的主要能力有哪些

一文学会人工智能,建议收藏! -数字化转型网

●图像识别:有时候也被归类为计算机视觉(ComputerVision,CV),让计算机具备理解和处理图像和视频的能力。常见的是摄像头、工业质检、人脸识别之类的。

●语音识别:就是理解和处理音频,获得音频所搭载的信息。常见的是手机语音助手、电话呼叫中心声控智能家居之类的,多用于交互场景。

●自然语言处理(NLP):使计算机能够理解和处理自然语言,知道我们到底在说什么。多用于创造性的工作,例如写新闻稿、写书面材料、视频制作、游戏开发、音乐创作等。

●具身智能:把人工智能搭载在一个物理形态(“身体”)上,通过与环境互动,来获得和展示智能。

2、人工智能的主要应用场景有哪些

●工业制造:自动化生产、智能质检、设备运维…

●医疗健康:医疗影像分析、基因测序、疾病预测、药品研发、个性化治疗……

●金融证券:风险管理、信用评估、欺诈监测、量化交易、行情预测……

●教育培训:个性化学习路径、智能辅导、课程推荐……

●交通物流:自动驾驶、路线优化、流量分析、应急预案……

●新闻媒体:稿件采写、素材创造……

●游戏娱乐:角色设计、元素生成、剧情设计、特效制作……

3、人工智能的作用和价值有哪些

●从企业角度来看:AI能够自动化重复性、繁琐的任务,提高生产效率和质量,同时降低人力成本。

●从政府角度来看:AI不仅可以提升治理效率,也能够带来新的商业模式、产品和服务,刺激经济。

●从个人角度来看:AI可以帮助我们完成一些工作,也可以提升我们的生活品质。

●从整个人类角度来看:AI在疾病治疗、灾害预测、气候预测、消灭贫穷方面,也可以发挥重要的作用。

4、人工智能带来的挑战有哪些

●AI的发展可能会威胁到大量的人类工作岗位,导致大量失业。

●AI被用于发动战争、欺诈(模仿声音或换脸,进行诈骗)、侵犯公民权益(信息过度采集、侵犯隐私)。

●可能会加剧社会的不公平现象。如果只有少数公司拥有先进的AI技术,可能会加剧社会的不公平现象。AI的算法偏见,也可能导致不公平。

●可能AI变得越来越强大,也会让人们产生对AI的依赖,失去独立思考和解决问题的能力。AI的强大创造力,有可能让人类失去创造的动力和信心。

●围绕AI的发展,还有安全(数据泄露、系统崩溃)、道德伦理等一系列问题。

人工智能就像一把双刃剑,在带来冲击的同时,也开启了无数新的可能。它让我们重新审视人类的价值与能力,促使我们不断提升自我,开拓创新。当我们以积极的心态去拥抱人工智能,与之携手共进,我们定能找到新的平衡与发展之路。我们有理由相信,在人类的智慧与创造力的引领下,人工智能将成为我们迈向更美好未来的有力助手,为我们的生活增添更多的光彩与惊喜。让我们怀揣乐观,勇敢地迎接人工智能时代的每一个挑战,共同书写属于人类的辉煌篇章。

本文素材来源于网络,经由数字化转型网人工智能研习社小编加工编辑而成。

数字化转型网人工智能研习社

与全球关注人工智能的顶尖精英一起学习!数字化转型网建立了一个专门讨论人工智能技术、产业、学术的研究学习社区,与各位研习社同学一起成长!欢迎扫码加入!