一文彻底搞懂大模型 - AI四次大发展

于 2024-08-25 08:15:00 发布
阅读量323 收藏 8
点赞数 2
文章标签： 人工智能 语言模型 ai agi 学习 langchain LLM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_53880910/article/details/141474092
版权

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

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。

在这里插入图片描述

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

在这里插入图片描述

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。

在这里插入图片描述

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

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
在这里插入图片描述

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

在这里插入图片描述

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

在这里插入图片描述

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型探索者
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【人工智能】大模型的发展历史
禅与计算机程序设计艺术
05-13 1万+
2012年以后的深度学习热潮：2012年，AlexNet横空出世，以卷积神经网络（CNN）为代表的深度学习模型在计算机视觉任务中取得了巨大突破，吸引了越来越多的计算机科学家和工程师投入深度学习研究和应用。：2018年，Google推出了基于Transformer的预训练模型BERT，通过大量无标签文本数据的预训练和有标签任务的微调，BERT在自然语言处理任务中取得了显著的突破。自深度学习的崛起以来，大量的大模型不断涌现，它们在很多领域取得了显著的突破，并不断推动着人工智能的发展。
四张图片道清AI大模型的发展史(1943-2023)
weixin_47567401的博客
08-16 6273
快速了解大规模语言模型的发展历程
大模型的发展历程
追求更专业的设计
06-09 1933
该阶段主要是传统神经网络模型的阶段，例如循环神经网络(Recurrent Neural Network，“RNN”)卷积神经网络(ConvolutionalNeuralNetworks，“CNN”)起初，AI发展主要基于小规模的专家知识，然后逐渐转向机器学习，1980年和1998年诞生的CNN和LeNet-55奠定了深度学习模型的基础。该阶段是全新的神经网络模型阶段，模型的发展方向主要聚焦长序列的处理和计算效率的提升，以Transformer架构的出现为代表。对词向量的语序和语境进行位置编码形成位置向量。
大模型技术的发展与实践
shiwei0813的博客
12-04 1653
我们对大模型相关的发展历史、openAI技术的发展脉络、当前国内外主流的大语言模型进行了简单的介绍，同时针对大模型区别于之前模型的核心技术原理进行了简单讲解，本章提到的预训练、指令微调、对齐微调、上下文学习、思维链提示、规划等核心技术读者需要了解。相信通过本章的讲解，读者大致了解了大模型相关的知识。在最后一节从内容生成、问题解答、互动式对话、生产力工具/企业服务、搜索推荐等5个维度介绍了大模型能够赋能的领域和应用场景。未来大模型一定会革新所有的行业和场景的。
大模型相关技术综述
liangwqi的博客
02-15 1万+
大模型相关技术综述
学习笔记：从零开始了解AI大模型 - 概念篇：一文带你走进大模型世界
09-20
学习笔记：从零开始了解AI大模型 - 概念篇：一文带你走进大模型世界
LLM大模型技术实战6：一文总结大模型微调方法-大模型微调技术路线
最新发布
07-22
LLM大模型技术实战6：一文总结大模型微调方法_大模型微调技术路线
一文读懂ChatGPT模型原理-ChatGPT的原理分析.docx
04-23
不光是做人工智能、机器学习的人关注，而是大量的各行各业从业人员都来关注这个模型，真可谓空前盛世。 我赶紧把 OpenAI 以往的 GPT-n 系列论文又翻出来，重新学习一下，认真领会**大规模预训练语言模型（Large ...
一文让你读懂工业4.0-智能制造与工业互联网.pdf
07-14
工业4.0，也被称为第四次工业革命，是现代制造业的重大变革，旨在融合先进的信息技术与传统的制造过程，...随着大数据、云计算、人工智能等技术的不断发展，工业4.0的潜力和影响将持续深化，为人类社会带来更多可能性。
一文读懂计算机视觉中的注意力机制原理及其模型发展
02-24
所谓Attention机制，便是聚焦于局部信息的机制，比如图像中的某一个图像区域。...它的输入是一张图，输出是一张概率图，概率越大的地方，代表是图像中重要目标的概率越大，即人眼关注的重点，一个典型的显著
从概念到现实：大模型技术的发展历程与应用前景
xxue345678的博客
05-18 1193
本周，两大科技巨头Open AI和谷歌先后召开发布会，它们不仅展示了大模型技术的最新进展，更将这一领域推向了新的高潮。图片来源：OpenAIOpenAI率先亮相了其创新的GPT-4o模型，这是一款革命性的语音助手，它在文本、语音和图像的理解上均展现出卓越的能力，甚至能够进行实时的语音对话，并准确捕捉和表达人类情感。紧接着，谷歌也不甘示弱，发布了包括轻量级的Gemini 1.5 Flash模型和全能的AI智能体Project Astra在内的多款产品，彰显了其在人工智能领域的全面布局和深厚技术积累。
LLM资料大全：文本多模态大模型、垂直领域微调模型、STF数据集、训练微调部署框架、提示词工程等
2401_85325726的博客
06-15 1349
自ChatGPT为代表的大语言模型（Large Language Model, LLM）出现以后，由于其惊人的类通用人工智能（AGI）的能力，掀起了新一轮[自然语言处理]领域的研究和应用的浪潮。尤其是以ChatGLM、LLaMA等平民玩家都能跑起来的较小规模的LLM开源之后，业界涌现了非常多基于LLM的二次微调或应用的案例。本项目旨在收集和梳理中文LLM相关的开源模型、应用、数据集及教程等资料，目前收录的资源已达100+个！底座包含模型模型参数大小训练token数训练最大长度是否可商用。
大模型入门介绍
qq_43756420的博客
04-12 656
大模型（large model）**大语言模型（Large Language Model LLM）**是大模型在自然语言领域的一个应用。
大模型综述来了！一文带你理清全球AI巨头的大模型进化史
夕小瑶科技说
05-16 6913
大模型的训练数据包括书籍、文章、网站信息、代码信息等等，这些数据输入到大模型中的目的，实质在于全面准确的反应“人类”这个东西，通过告诉大模型单词、语法、句法和语义的信息，让模型获得识别上下文并生成连贯响应的能力，以捕捉人类的知识、语言、文化等等方面。：不夸张的说，GPT-4 的算术与推理判断的能力超过了以往的任何模型，在 GSM8k、SVAMP 和 AQuA 上大模型都具有突破性的能力，值得指出的是，通过思维链（CoT）的提示方式，可以显著的增强 LLMs 的计算能力；
大模型算法演进
吃果冻不吐果冻皮
01-19 3075
2018年谷歌发布了BERT，便一举击败 11 个 NLP 任务的 State-of-the-art (Sota)结果，成为了 NLP 界新的里程碑，同时为模型训练和NLP领域打开了新的思路，预训练模型逐渐成为自然语言处理（NLP）领域的主流；2021年12月，谷歌推出了具有万亿权重的通用语言模型 (Generalist Language Model，GLaM)，该模型的一大特点就是具有稀疏性，可以高效地进行训练和服务（在计算和资源使用方面），在多个小样本学习任务上取得有竞争力的性能。
什么是大模型？一文读懂大模型的基本概念
热门推荐
weixin_46880696的博客
11-06 8万+
大模型通过训练海量数据来学习复杂的模式和特征，具有更强大的泛化能力，可以对未见过的数据做出准确的预测。引申到模型层面，涌现能力指的是当模型的训练数据突破一定规模，模型突然涌现出之前小模型所没有的、意料之外的、能够综合分析和解决更深层次问题的复杂能力和特性，展现出类似人类的思维和智能。ChatGPT对大模型的解释更为通俗易懂，也更体现出类似人类的归纳和思考能力：大模型本质上是一个使用海量数据训练而成的深度神经网络模型，其巨大的数据和参数规模，实现了智能的涌现，展现出类似人类的智能。
【人工智能】大模型综述 —— 一文带你理清全球AI巨头的大模型进化史
禅与计算机程序设计艺术
05-17 1万+
大模型必然是未来很长一段时间我们工作生活的一部分，而对于这样一个与我们生活高度同频互动的“大家伙”，除了性能、效率、成本等问题外，大规模语言模型的安全问题几乎是大模型所面对的所有挑战之中的重中之重，机器幻觉是大模型目前还没有极佳解决方案的主要问题，大模型输出的有偏差或有害的幻觉将会对使用者造成严重后果。同时，随着 LLMs 的“公信度”越来越高，用户可能会过度依赖 LLMs 并相信它们能够提供准确的信息，这点可以预见的趋势增加了大模型的安全风险。
AI大模型知识点大梳理
yang1fei2的博客
06-12 2万+
AI大模型是指具有巨大参数量的深度学习模型，通常包含数十亿甚至数万亿个参数。这些模型可以通过学习大量的数据来提高预测能力，从而在自然语言处理、计算机视觉、自主驾驶等领域取得重要突破。AI大模型的定义具体可以根据参数规模来分类
探索AI大模型：理论、技术与应用
HUIBUR的博客
04-18 406
近年来，随着深度学习技术的迅猛发展，AI大模型已经成为人工智能领域的重要研究方向和热点话题。AI大模型，指的是拥有巨大参数规模和强大学习能力的神经网络模型，如BERT、GPT等，这些模型在自然语言处理、计算机视觉等领域取得了令人瞩目的成果。
一文彻底搞懂python面向对象编程
07-07
Python面向对象编程（Object-Oriented Programming，简称OOP）是一种程序设计方法，它将数据和操作数据的方法组合成对象，通过定义类（class）来创建对象。下面是一些概念和原则，可以帮助你更好地理解Python面向对象编程。 1. 类和对象： - 类是一种抽象的数据类型，它定义了对象的属性和方法。 - 对象是类的实例，它具有类定义的属性和方法。 2. 属性和方法： - 属性是对象的数据，可以是整数、字符串、列表等。 - 方法是对象的行为，可以是函数或过程。 3. 封装： - 封装是将数据和对数据的操作封装在一起，以创建一个独立的实体。 - 使用类来封装数据和方法，可以隐藏实现细节，提高代码的可读性和可维护性。 4. 继承： - 继承是一种机制，允许一个类继承另一个类的属性和方法。 - 子类可以重用父类的代码，并且可以添加新的属性和方法。 5. 多态： - 多态是指同一个方法可以在不同的类中具有不同的实现方式。 - 多态可以提高代码的灵活性和可扩展性。 下面是一个简单的例子，展示了如何定义一个类、创建对象并调用对象的方法： ```python class Person: def __init__(self, name, age): self.name = name self.age = age def say_hello(self): print(f"Hello, my name is {self.name} and I'm {self.age} years old.") # 创建对象 person = Person("Alice", 25) # 调用对象的方法 person.say_hello() ``` 这个例子定义了一个名为`Person`的类，它有两个属性（`name`和`age`）和一个方法（`say_hello`）。我们通过`Person`类创建了一个名为`person`的对象，并调用了它的`say_hello`方法。 希望这个简单的例子能帮助你更好地理解Python面向对象编程。如果你有其他问题，请随时提问。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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