一文彻底搞懂大模型 - AI四次大发展

AI四次大发展

在探讨AI(人工智能)的发展历程时,我们可以将其划分为Artificial Intelligence、Machine Learning、Deep Learning和Large Language Model四个关键阶段,每个阶段都标志着技术上的重大突破和应用领域的扩展。以下是对这四个阶段的详细解析,以及它们如何共同推动了AI技术的演进,特别是最近的大语言模型(Large Language Model, LLM)的兴起。

AI四次大发展

阶段一:Artificial Intelligence

1950-1980:Artificial Intelligence(人工智能)的萌芽期

Artificial Intelligence

关键词:symbolic(符号主义)、基于规则、专家系统、图灵测试

symbolic

核心特点:以理论基础建立为核心,采用符号主义方法,受限于计算与数据,系统多针对特定简单问题,泛化能力不足。

  • 理论基础建立:这一时期,AI的概念由艾伦·图灵等先驱提出,并围绕逻辑推理、问题求解等核心议题展开研究。

  • 符号主义:主要基于规则的系统,通过编写大量规则来模拟人类智能行为,如专家系统。

  • 局限与挑战:受限于计算能力和数据量的不足,AI系统往往只能解决特定领域内的简单问题,且难以泛化到更广泛的应用场景。

Turing Test

代表成果:约翰·麦卡锡提出“人工智能”概念以及DENDRAL专家系统在化学领域的成功应用,这两者共同奠定了AI发展的基础。

  • 约翰·麦卡锡提出“人工智能”一词。

  • 第一个专家系统DENDRAL在化学领域取得成功。

DENDRAL

阶段二:Machine Learning

1980-2010:Machine Learning(机器学习)的兴起

****Machine Learning


关键词:基于统计、数据驱动、机器学习算法、特征工程

Machine Learning


核心特点:以数据驱动和统计学习为核心,通过优化模型参数提升预测和分类准确性,并成功拓展至语音识别、图像识别等多个应用领域。

  • 数据驱动:随着数据量的增加和计算能力的提升,机器学习开始兴起,强调从数据中自动学习并改进算法。

  • 统计学习:基于统计学原理,通过训练数据来优化模型参数,提高预测或分类的准确性。

  • 应用拓展:机器学习技术开始应用于语音识别、图像识别等领域,并取得显著进展。

Machine Learning

代表技术:支持向量机(SVM)、决策树、随机森林等算法的出现,以及神经网络的复兴(尽管面临规模和训练上的挑战),共同推动了机器学习领域的显著进步。

  • 支持向量机(SVM)、决策树、随机森林等算法的出现。

  • 神经网络(尽管当时规模较小且训练困难)的复兴。

Machine Learning

阶段三:Deep Learning

2010-2020:Deep Learning(深度学习)的爆发

Deep Learning

关键词:connectionist(连接主义)、深度神经网络、PyTorch、Tensorflow

connectionist vs symbolic

核心特点:在大数据、高性能计算和算法创新的推动下实现了神经网络的复兴,通过端到端学习直接从数据中提取特征,广泛应用于图像识别、自然语言处理和语音识别等领域,推动了AI技术的飞跃。

  • 神经网络复兴:得益于大数据、高性能计算(如GPU)和算法创新(如反向传播算法的优化),深度神经网络(DNN)得以快速发展。

  • 端到端学习:深度学习模型能够直接从原始数据中学习特征表示,无需人工设计特征工程。

  • 广泛应用:在图像识别(如ImageNet竞赛)、自然语言处理(NLP)、语音识别等领域取得突破性进展,推动了AI技术的广泛应用。

Deep Learning

代表成果:AlphaGo在围棋领域的卓越表现彰显了AI的深度学习能力,而Transformer模型的诞生则极大地推动了自然语言处理(NLP)技术的飞跃发展。

  • AlphaGo在围棋比赛中击败人类世界冠军。

  • Transformer模型的出现,极大地推动了NLP领域的发展。

AlphaGo

阶段四:Large Language Model

2020-?:Large Language Model(大语言模型)的崛起

Large Language Model

关键词:scaling law(缩放定律)、AIGC、超大规模参数、PLM、SFL

Large Language Model

核心特点:超大规模参数、零样本/少样本学习能力以及广泛的应用前景,这些特点共同赋予了它们对自然语言的深刻理解和生成能力,推动了AI技术的革新与发展。

  • 超大规模:大语言模型(如GPT系列、BERT等)通过训练包含数十亿甚至数千亿参数的模型,实现了对自然语言的深刻理解和生成能力。

  • 零样本/少样本学习:这些模型能够在没有或仅有少量标注数据的情况下,完成各种NLP任务,展现了强大的泛化能力。

  • 应用前景广阔:大语言模型正在改变内容创作、智能客服、教育、医疗等多个行业的面貌,成为AI技术发展的新热点。

Large Language Model

代表成果:GPT系列(GPT-3、ChatGPT、GPT-4)凭借超大规模与强生成力重塑NLP,LLaMA开源则加速了LLM技术的普及与应用创新。

  • GPT-3及其后续如ChatGPT、GPT-4,凭借超大规模参数和强大生成能力,重塑了NLP领域,推动对话系统、文本创作等前沿发展。

  • LLaMA作为开源大模型,为研究者提供了灵活工具,加速LLM技术普及与应用探索。

LLaMA 3 vs GPT-4

在这里插入图片描述

如何学习AI大模型?

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

在这里插入图片描述

👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

<think>好的,用户想知道如何在Word中将英文小写字母转换为写。首先,我需要回忆一下自己知道的Word功能。常用的方法可能有使用快捷键,或者通过菜单栏的字体设置来更改小写。对了,我记得Shift+F3这个快捷键可以在不同的小写格式之间切换,比如全写、全小写或者首字母写。这个应该适用于选中的文本。 另外,用户可能需要更详细的操作步骤。比如,在菜单栏中找到“开始”选项卡,然后点击“字体”组里的“更改小写”按钮,选择“写”选项。这种方法对于不熟悉快捷键的用户来说更直观。还有,如果用户需要批量处理多个段落或整个文档,可能需要使用查找和替换功能,或者编写宏来自动化操作。不过根据用户提供的引用,他们可能对VBA宏比较感兴趣,因为引用[3]提到了用VBA创建宏来处理金额转换。虽然问题不是关于数字而是英文小写,但也许可以建议使用宏来处理更复杂的转换需求。 需要注意用户是否提到了具体的Word版本,但问题中没有说明,所以需要给出通用方法,适用于多数版本。同时,检查是否有其他方法,比如使用Word的公式功能或者插件,但常见的方法还是上述几种。还要确保步骤清晰,避免遗漏关键点,比如选中文本后再操作。另外,提醒用户注意全角半角的问题,但可能用户只是简单转换,不需要涉及这些细节。总结下来,回答应包括快捷键、菜单操作,以及可能的VBA方法,并引用提供的参考资料中的相关部分,比如引用[3]的宏示例,虽然内容不同,但可以类比说明宏的可行性。</think>在Microsoft Word中,将英文小写字母转换为写的常用方法有以下三种,操作步骤清晰且适用于多数Word版本: ### 方法一:快捷键转换(推荐) 1. 选中需要转换的英文文本 2. 按下组合键$Shift+F3$ 3. 连续按会循环切换三种格式: - 首字母写(如:"example" → "Example") -写(如:"example" → "EXAMPLE") - 全小写(如:"EXAMPLE" → "example") ### 方法二:菜单栏操作 1. 选中目标文本 2. 点击「开始」选项卡 →「字体」组中的「更改小写」按钮(Aa图标) 3. 在下拉菜单中选择「写」 ### 方法三:VBA宏批量转换(适合批量处理) 1. 按$Alt+F11$打开VBA编辑器 2. 插入新模块并粘贴以下代码: ```vba Sub ConvertToUpperCase() Selection.Range.Case = wdUpperCase End Sub ``` 3. 返回Word文档,选中文本后运行宏即可转换(可自定义快捷键绑定) 如果需要处理复杂格式或特殊需求,可以参考类似数字转换中文写的宏实现思路[^3],通过修改VBA代码实现更智能的转换功能。对于常规使用,前两种方法已足够高效,快捷键转换效率最佳,处理500字文档仅需3秒即可完成格式转换。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值