当前位置： 编码机 >> 编码机优势 >> 人工智能的演变从图灵到ChatGPT
人工智能（AI）的发展源自穿孔卡片机、基础机器人和革命性的游戏引擎。年，心理学家弗兰克·罗森布拉特（FrankRosenblatt）推出了Perceptron，一项令人振奋的创新，被誉为“第一台能够产生原创思想的机器”。Perceptron在一台当时尖端的IBM大型计算机上运行，它模拟人类神经元，学会区分标有左边和右边的穿孔卡片。
尽管在早期显示出了潜力，但Perceptron仅仅是一个基础的神经网络，远未达到推动现代AI的复杂“深度”神经网络的水平。近70年来，AI已经发展，但仍然没有能够与人脑匹敌，这导致一些人将当前的AI景观比作“人工鹦鹉”。AI的进展有许多“创始人”，其中艾伦·图灵（AlanTuring）等人被认为是先驱。图灵探讨了机器是否能思考的想法，并提出了机器学习等概念，以及著名的图灵测试，该测试评估了机器是否能在书面交流中与人类无法区分。
感知器的灵感来自人类神经元。图灵还通过在BletchleyPark时期使用贝叶斯统计方法来解码加密消息，对AI做出了巨大贡献。他和他的团队逐字使用统计数据来回答问题，例如：“这个特定的德国单词生成了这些加密字母的概率是多少？”类似的贝叶斯方法现在驱动生成型AI程序，用于生成文章、艺术作品和从未存在的人物形象。“过去70年来，贝叶斯统计领域发生了一整个平行宇宙的活动，完全支持了今天我们所看到的生成型AI，我们可以将其追溯到图灵在加密方面的工作，”吉罗拉米（Girolami）教授表示。
“人工智能”这个术语直到年才出现。约翰·麦卡锡（JohnMcCarthy），新罕布什尔州达特茅斯学院的计算机科学家，提出了这个短语，对AI的前景充满乐观。他写道：“我们认为，如果一组精选的科学家在夏季一起工作，就可以取得重大进展。”然而，当时的进展很小，年代AI泡沫破裂，英国著名数学家詹姆斯·莱特希尔（JamesLighthill）撰写了一份严厉的关于AI进展不足的报告，导致立即削减了资金。
AI的复兴是以将人类专业知识直接编码到计算机中为焦点的，Cyc等项目旨在捕捉受过教育的人在日常生活中使用的知识。然而，这意味着编码这些知识，但让专家解释他们如何做出决策，然后将这些信息编码到计算机中，这比科学家们想象的要困难得多。
然而，20世纪的AI确实取得了显著的成功。年，IBM的DeepBlue战胜了国际象棋大师加里·卡斯帕罗夫，这一比赛登上了全球头条新闻，新闻周刊宣布“大脑的最后阵地”。然而，这标志着AI采用传统方法，真实世界的问题由于其复杂性和不确定性而变得更具挑战性。
AI的转折点在年到来，当时包括卡耐基梅隆大学的杰弗里·欣顿（GeoffreyHinton）在内的研究人员开发了“反向传播”作为一种教授网络的方法。这个发展为随后的深度学习革命铺平了道路。年，欣顿和其他人推出了AlexNet，这是一个具有约1万个神经元的八层网络，在国际ImageNet挑战中表现出色，凸显了规模和计算的重要性。
随后的成就，包括谷歌的DeepMind算法和AlphaFold，进一步提高了AI的能力。然而，近年来最重大的飞跃是生成型AI的兴起，由OpenAI的ChatGPT所代表。生成型AI的核心是转换器（transformer），最初是为了改进翻译而开发的。这些大型语言模型，如GPT，可以根据大量训练数据生成流畅的文本，掌握了以前的算法无法捕捉的语言特征。
转换器的多功能性特别令人兴奋，一旦它们了解了它们所接收的数据的特征，它们可以生成各种内容，从音乐和视频到图像和语音。转换器在AI中的影响如此之深，以至于它们已经成为各种应用的基础。
然而，AI革命并非没有挑战。像ChatGPT这样的模型的训练需要大量的计算能力，导致巨大的碳排放。生成型AI的这一方面引发了有关其环境影响和伦理问题的担忧。
ChatGPT在大量数据上进行训练总之，AI从Perceptron到生成型AI的演进代表了一段令人瞩目的旅程，继续塑造着我们的世界。虽然仍然没有能够与人脑匹敌，但AI的进步变革性。AI领域要归功于像艾伦·图灵（AlanTuring）这样的先见之明者以及对理解和复制人类智能的不懈追求。随着生成型AI的发展，可能性是巨大的，但在管理其环境影响和伦理问题方面，责任也同样重大。随着AI的不断进步，我们必须在利用其力量造福人类和应对其潜在不利影响之间取得平衡，尤其是在气候变化的背景下。
