1. 起步阶段（1950s-1960s）
初期发展：人工智能领域的研究始于1950年代，标志性事件是Alan Turing提出的“图灵测试”和1956年达特茅斯会议（Dartmouth Conference）。这期间，研究者们希望通过符号处理来实现智能。
早期成就：此阶段的主要成就包括初步的自动推理、求解数学问题和象棋程序。
2. 第一场AI寒冬（1970s）
背景：20世纪70年代初期，人工智能遇到了技术和资金上的双重困难。由于早期AI系统在处理复杂问题上表现不佳，加上对计算资源的需求高昂，导致研究进展缓慢。
结果：许多项目被取消，资金投入锐减，这段时期被称为“AI寒冬”。
3. 符号主义和专家系统（1980s）
专家系统：20世纪80年代，人工智能研究的重点转向专家系统，这些系统在特定领域显示出了优越的性能。
商业应用：一些成功的商业应用（如医疗诊断系统）增加了对AI的投资和兴趣。
4. 第二场AI寒冬（1980s末-1990s初）
背景：尽管专家系统在某些领域取得了成功，但其开发和维护成本高昂，适应新领域的能力有限。市场和学术界对AI的过高期望未能实现，再次导致投资减少和研究热情下降。
结果：AI研究再次进入低谷，这段时期被称为第二场“AI寒冬”。
5. 机器学习和神经网络复兴（1990s-2000s）
神经网络复兴：20世纪90年代，随着计算能力的提升和新的算法（如反向传播算法）的发展，神经网络研究重新受到关注。
数据驱动的AI：大数据和计算能力的提升推动了机器学习和数据驱动方法的发展，AI开始在图像识别、语音识别等领域取得实际应用成果。
6. 深度学习的兴起（2010s-至今）
深度学习：2010年代，深度学习模型（如卷积神经网络和循环神经网络）在处理图像、语音和自然语言任务上取得了巨大成功。
广泛应用：AI技术被广泛应用于自动驾驶、医疗诊断、金融分析等领域。以AlphaGo击败世界围棋冠军李世石为标志性事件，AI在复杂任务中的能力被广泛认可。
老派 AI（GOFAI）
计算机代码是决定性的，代码逻辑写好后，程序运行1万次，每次都会给出同样的结果，计算机非常擅长推理，“男人都有喉结”，因为“关羽是男人”，所以“关羽有喉结”。当用这种Symbol-manipulation符号操作的方式来实现AI时，由于边界情况corner case太多，用再多的if-else也难以穷举，最终进入死胡同。
机器学习
深度学习
深度学习是机器学习的一个子集，是其复杂演化。深度学习算法使用与人类相似的逻辑结构来分析数据。深度学习使用称为人工神经网络的智能系统来分层处理信息。数据从输入层流经多个“深层”隐藏神经网络层，然后到达输出层。额外的隐藏层支持比标准机器学习模型更强大的学习能力。深度学习层是人工神经网络(ANN)节点，其运作方式与人脑神经元类似。节点可以是硬件和软件的组合。深度学习算法中的每一层都由ANN节点组成。每个节点或人工神经元都连接到另一个节点，并具有关联的值号和阈值号。节点在激活时将其值号作为输入发送到下一层节点。仅当其输出高于指定阈值时才会激活。否则，不会传递任何数据。
无监督学习（Unsupervised Learning）：训练数据不再需要人工打标，大大减少了数据准备工作。 Transformer 架构：2017年出现，通过并行处理大大降低了神经网络的训练难度。 人类反馈强化学习（Reinforcement Learning from Human Feedback）：保持输出与预期一致，这点对LLM的应用成熟至关重要。
大语言模型的局限性
大模型就像个压缩算法，参数的不断增加，可以让大模型存储更多的知识，能回答更宽泛的问题。但和其他机器学习算法一样，它仍然是在通过归纳的方式寻找输入和输出间的逻辑关系，也就是说，它不是在回答正确的答案，而是在回答最像正确答案的答案，这就是其幻觉（hallucination）产生的原因。
最简单的是直接使用基础模型，例如直接在www.chatgpt.com网页上和GPT-4对话，或者直接调用Llama的API。 指令工程（Prompt Engineer）：类似ChatGPT提供的GPTs功能，通过指令条件，让LLM扮演某个角色，或向其提供上下文，提高其在特定场景下的表现能力。 检索增强生成（Retrieval Augmented Generation）：总有模型训练时未采用的数据，特别是组织内部或者个人数据。数据的缺失是模型回答幻觉的重要原因，使用RAG可以将私有信息存入向量数据库，根据问题查询相关信息，将搜索结果一并加入prompt提交给模型作为输入，可以大大提高模型对特定问题的准确度。 微调模型（Fine-Tuning）：RAG可以给模型新知识，但有些场景需要的不只是新知识，而是新能力，例如编写代码、总结文章、撰写邮件等。这时就可以用Low-Rank Adaptation(LoRA)等方法对基础模型进行微调，提高其在特定场景的能力。
综上所述，至少大语言模型（LLM）不会成为神。即使扩展法则（Scaling Law）依旧有效，LLM未来可能拥有更多参数和知识，在更多领域表现优于人类，但也不会发展成AGI。相反，与传统的指令性代码不同，深度学习和神经网络提供了一种全新的计算方式，在某些领域能够提供传统计算机无法实现的价值，例如特斯拉FSD V12版本相较于之前版本的显著进步。
在最新的这波AI 热潮中，几家科技巨头冲在了前列。
Nvidia 市值飙升：AI 热潮中的赢家
最近，Nvidia 的市值飙升至 3.3 万亿美元，成为全球市值最高的公司。五月下旬，其市值还只有 2.6 万亿美元，市值的暴涨反映了其业务的快速增长。根据2025财年第一季度财报（4 月结束），Nvidia 的季度收入达到了 204 亿美元，其中数据中心业务（即 AI 业务）比上季度增长了 23%，同比增长了 427%。公司毛利率高达 78%，净利率达到了惊人的 57%。6 月 23 日其市盈率（PE，2025年预估）为 48.9 倍。
在历史上，很少有基础硬件厂商的利润率能超过 50%，尤其是在 Nvidia 的营收规模接近 1000 亿美元的情况下。市场的激增吸引了大量投资者，AMD 的 Ryzen 和 Intel 的 Gaudi 正在奋力追赶，主要客户 Alphabet 和微软也在自研 TPU 和 Maia 来阻挡其势头。虽然 AI 仍在热潮高峰期，并且 AI 发展的瓶颈仍受制于算力，但以 IT 行业的过往历史来看，一个技术栈的利润很难长期由底层硬件厂商攫取。
巨头的 AI 战略：微软、谷歌和 AWS 的不同路径
近两个月，从微软的 Build 2024 大会，到 Google 的 I/O 2024 大会，再到最近的苹果 WWDC 2024 大会，几家巨头都发布了各自的 AI 战略。
微软的 AI 技术栈：底层芯片使用 Nvidia，云服务为自家的 Azure，模型依赖合作伙伴 OpenAI，LLM 平台是 Azure MaaS，应用有自家的 Copilot，同时依赖于第三方应用厂商。
AWS 的 AI 技术栈：芯片也是 Nvidia，云服务为自家的 AWS，模型依赖第三方，LLM 平台是 Bedrock，应用依赖于第三方。 Google 的 AI 技术栈：芯片为自家 TPUs，云服务为自家的 GCP，模型是自家的 Gemini，LLM 平台是 Vertex AI，应用是自己的全家桶。
Meta 和 AI 开源：社交网络的广告巨头
另外还有 AI 开源领域的最大贡献者 Meta，其核心业务是基于社交网络的广告业务。通过开源 Llama，将与其互补的底层 LLM 算法商品化，最有利于其商业目的，类似于早期 Wintel 联盟致力于将 PC 层商品化。
微软的 Copilot+PC 战略：重振 PC 市场
在 Build 2024 大会前，微软发布了 Copilot+PC 战略，试图一举扭转近几年 PC 不温不火的状态。先是发布了性能标准：40TOPS 以上的 NPU、内存 16GB 以上和 256GB 以上的 SSD。然后携手 Intel、AMD 和高通三套芯片方案，一举发布了几十款 AIPC。在随后的台北 Computex 2024 展会上，几乎成了 AIPC 的新品发布会合集。
微软计划用在 AIPC 上的模型 Phi-3 的起步版 Phi-3-mini是 38亿参数，Phi-3-small 和 Phi-3-medium 分别是70 亿 和 140 亿参数。
C:\Users\$USER\AppData\Local\CoreAIPlatform.00\UKP\{GUID}
图片都存储在下面这个子文件夹中
.\ImageStore\
下面是 SQLite 数据库 ukg.db 。
苹果的 Apple Intelligence：用户体验为先
在苹果 WWDC 2024 大会上，苹果如期发布了自己的 AI 战略，非常苹果范的又给起了个不一样的名字 Apple Intelligence。
与聊天形式的 ChatGPT 相反，Apple Intelligence 没有原始的 prompt 输入和结果输出，所有功能都被隐藏在原来的 UI 之下，严格限定了使用场景。体现了苹果用户体验第一的理念，在 LLM 的进展尚不能另人满意的情况下，通过限定场景来提高质量稳定性。
在架构上，终端设备上有两个 LLM，一个处理语言，一个处理图片。文字模型有 30 亿个参数，经过优化，在 iPhone 15 Pro 上 time-to-first-token 时延可以做到 0.6 毫秒，每秒钟能生成 30 个 tokens。本地算力不够时使用云端的 Private Cloud Compute，云端使用与设备上一致的 Apple silicon 硬件，既保证隐私，又提高能源效率。
如有侵权请联系:admin#unsafe.sh