Apakah asal usul kecerdasan buatan
Asal usul kecerdasan buatan boleh dikesan sejak tahun 1950-an, dan perkembangannya didorong oleh penyelidikan dan kemajuan teknologi dalam pelbagai bidang. Pada tahun 1950-an, konsep kecerdasan buatan mula muncul dan menarik perhatian kalangan akademik dan teknologi Tempoh ini dipanggil "musim panas kecerdasan buatan." Pada tahun 1960-an dan 1970-an, penyelidikan kecerdasan buatan memasuki tempoh yang agak lembap, yang dikenali sebagai "musim sejuk kecerdasan buatan disebabkan oleh kuasa pemprosesan dan kapasiti penyimpanan komputer yang terhad, serta kekurangan algoritma dan kaedah yang berkesan, pembangunan." kecerdasan buatan Pembangunan telah dihadkan dan sebagainya.
Sistem pengendalian tutorial ini: sistem Windows 10, komputer DELL G3.
Asal usul Kepintaran Buatan (AI) boleh dikesan kembali ke tahun 1950-an. Pembangunan kecerdasan buatan didorong oleh penyelidikan dan kemajuan teknologi dalam pelbagai bidang. Di bawah ini saya akan memperkenalkan secara terperinci asal usul dan proses pembangunan kecerdasan buatan.
Para saintis dan penyelidik komputer awal mempunyai minat yang tinggi dalam membina mesin yang mampu meniru kecerdasan manusia. Pada tahun 1950-an, konsep kecerdasan buatan mula muncul dan menarik perhatian kalangan akademik dan teknologi. Tempoh ini dikenali sebagai "Musim Panas Kepintaran Buatan."
Pada tahun 1950, ahli matematik British Alan Turing mencadangkan "ujian Turing" yang terkenal, yang merupakan piawaian untuk mengukur sama ada mesin itu pintar. Beliau juga menerbitkan kertas kerja meneroka kemungkinan bahawa mesin boleh berfikir dan belajar.
Dalam tempoh ini, penyelidikan kecerdasan buatan tertumpu terutamanya pada penaakulan dan penyelesaian masalah. Penyelidik cuba membangunkan program komputer yang boleh mensimulasikan proses penaakulan manusia. Pada tahun 1956, Persidangan Dartmouth telah diadakan di Kolej Dartmouth di New Hampshire, Amerika Syarikat Persidangan ini dianggap sebagai peristiwa penting dalam bidang kecerdasan buatan Ia menandakan kelahiran kecerdasan buatan sebagai bidang penyelidikan bebas.
Pada 1960-an dan 1970-an, penyelidikan kecerdasan buatan memasuki tempoh yang agak lembap, dikenali sebagai "musim sejuk kecerdasan buatan." Pembangunan kecerdasan buatan telah dihadkan kerana kuasa pemprosesan dan kapasiti penyimpanan komputer yang terhad, serta kekurangan algoritma dan kaedah yang berkesan.
Namun, pada tahun 1980-an dan 1990-an, dengan perkembangan pesat teknologi komputer dan peningkatan algoritma, kecerdasan buatan telah dihidupkan semula. Teknologi seperti sistem pakar, pembelajaran mesin dan rangkaian saraf digunakan secara meluas.
Sistem pakar ialah teknologi kecerdasan buatan berdasarkan pengetahuan dan penaakulan, yang meniru pengetahuan dan proses membuat keputusan pakar. Teknologi ini telah mencapai kejayaan tertentu dalam bidang seperti diagnosis, perancangan dan sokongan keputusan.
Pembelajaran mesin ialah cabang penting kecerdasan buatan Ia membolehkan komputer belajar dan bertambah baik secara automatik, membolehkan mereka menyesuaikan diri dengan perubahan persekitaran dan tugas. Pembelajaran mesin mempunyai pelbagai aplikasi, termasuk pengecaman imej, pengecaman pertuturan, pemprosesan bahasa semula jadi, dsb.
Rangkaian saraf ialah teknologi kecerdasan buatan yang menyerupai struktur rangkaian neuron otak manusia. Ia mencapai keupayaan penyesuaian dan pembelajaran dengan mensimulasikan hubungan antara neuron dan cara ia menghantar maklumat. Rangkaian saraf telah mencapai hasil yang luar biasa dalam pengecaman corak, ramalan dan pengoptimuman.
Dengan peningkatan Internet dan data besar, kecerdasan buatan telah memasuki peringkat pembangunan baharu. Teknologi kecerdasan buatan moden seperti pembelajaran mendalam, pemprosesan bahasa semula jadi dan penglihatan komputer telah membuat penemuan besar. Teknologi ini digunakan secara meluas dalam carian Internet, pembantu pintar, pemanduan autonomi, diagnosis perubatan dan bidang lain, membawa perubahan besar kepada kehidupan dan pekerjaan orang ramai.
Untuk meringkaskan, asal usul kecerdasan buatan boleh dikesan kembali ke tahun 1950-an, apabila saintis komputer dan penyelidik mula berminat untuk membina mesin yang mampu meniru kecerdasan manusia. Selepas beberapa dekad pembangunan, teknologi kecerdasan buatan telah mencapai kemajuan yang ketara dan telah digunakan secara meluas dalam pelbagai bidang. Memandangkan teknologi terus maju, prospek pembangunan kecerdasan buatan masih penuh dengan potensi.
Atas ialah kandungan terperinci Apakah asal usul kecerdasan buatan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas