AI大模型的历史路径

要让企业微信接上 AI 并变成一个 AI 客服，可以参考以下内容： 1. 基于 COW 框架的 ChatBot 实现方案：这是一个基于大模型搭建的 Chat 机器人框架，可以将多模型塞进微信（包括企业微信）里。张梦飞同学写了更适合小白的使用教程，链接为： 。 可以实现打造属于自己的 ChatBot，包括文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等功能，以及常用开源插件的安装应用。 正式开始前需要知道：本实现思路需要接入大模型 API 的方式实现（API 单独付费）。 风险与注意事项：微信端因为是非常规使用，会有封号危险，不建议主力微信号接入；只探讨操作步骤，请依法合规使用，大模型生成的内容注意甄别，确保所有操作均符合相关法律法规的要求，禁止将此操作用于任何非法目的，处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。 支持多平台接入，如微信、企业微信、公众号、飞书、钉钉等；多模型选择，如 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等等；多消息类型支持，能处理文本、语音和图片，以及基于自有知识库进行定制的企业智能客服功能；多部署方法，如本地运行、服务器运行、Docker 的方式。 2. DIN 配置：先配置 FastGpt、OneAPI，装上 AI 的大脑后，可体验知识库功能并与 AI 对话。新建应用，在知识库菜单新建知识库，上传文件或写入信息，最后将拥有知识库能力的 AI 助手接入微信。

围棋 AI 领域具有重要的研究价值和突破。在古老的围棋游戏中，AI 面临着巨大挑战，如搜索空间大、棋面评估难等。DeepMind 团队通过提出全新方法，利用价值网络评估棋面优劣，策略网络选择最佳落子，且两个网络以人类高手对弈和 AI 自我博弈数据为基础训练，达到蒙特卡洛树搜索水平，并将其与蒙特卡洛树搜索有机结合，取得了前所未有的突破。在复杂领域 AI 第一次战胜人类的神来之笔 37 步，也预示着在其他复杂领域 AI 与人类智能对比的进一步突破可能。此外，神经网络在处理未知规则方面具有优势，虽然传统方法在处理象棋问题上可行，但对于围棋则困难重重，而神经网络专门应对此类未知规则情况。关于这部分内容，推荐阅读《这就是 ChatGPT》一书，其作者备受推崇，美团技术学院院长刘江老师的导读序也有助于了解 AI 和大语言模型计算路线的发展。

以下 AI 工具可以实现提取多个指定网页的更新内容： 1. Coze：支持自动采集和手动采集两种方式。自动采集包括从单个页面或批量从指定网站中导入内容，可选择是否自动更新指定页面的内容及更新频率。批量添加网页内容时，输入要批量添加的网页内容的根地址或 sitemap 地址然后单击导入。手动采集需要先安装浏览器扩展程序，标注要采集的内容，内容上传成功率高。 2. AI Share Card：能够一键解析各类网页内容，生成推荐文案，把分享链接转换为精美的二维码分享卡。通过用户浏览器，以浏览器插件形式本地提取网页内容。

以下是关于文字生成视频（文生视频）的相关信息： 一些提供文生视频功能的产品： Pika：擅长动画制作，支持视频编辑。 SVD：Stable Diffusion 的插件，可在图片基础上生成视频。 Runway：老牌工具，提供实时涂抹修改视频功能，但收费。 Kaiber：视频转视频 AI，能将原视频转换成各种风格。 Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多相关网站可查看：https://www.waytoagi.com/category/38 。 制作 5 秒单镜头文生视频的实操步骤（以梦 AI 为例）： 进入平台：打开梦 AI 网站并登录，新用户有积分可免费体验。 输入提示词：涵盖景别、主体、环境、光线、动作、运镜等描述。 选择参数并点击生成：确认提示词无误后，选择模型、画面比例，点击「生成」按钮。 预览与下载：生成完毕后预览视频，满意则下载保存，不理想可调整提示词再试。 视频模型 Sora：OpenAI 发布的首款文生视频模型，能根据文字指令创造逼真且充满想象力的场景，可生成长达 1 分钟的一镜到底超长视频，视频中的人物和镜头具有惊人的一致性和稳定性。

AI 在设备风控场景的落地可以从以下几个方面考虑： 法律法规方面：《促进创新的人工智能监管方法》指出，AI 的发展带来了一系列新的安全风险，如对个人、组织和关键基础设施的风险。在设备风控中，需要关注法律框架是否能充分应对 AI 带来的风险，如数据隐私、公平性等问题。 趋势研究方面：在制造业中，AI Agent 可用于生产决策、设备维护、供应链协调等。例如，在工业设备监控与预防性维护中，Agent 能通过监测传感器数据识别异常模式，提前通知检修，减少停机损失和维修成本。在生产计划、供应链管理、质量控制、协作机器人、仓储物流、产品设计、建筑工程和能源管理等方面，AI Agent 也能发挥重要作用，实现生产的无人化、决策的数据化和响应的实时化。

以下是 4 月 11 日、4 月 9 日和 4 月 14 日的 AI 视频相关资讯汇总： 4 月 11 日： Pika 上线 Pika Twists 能力，可控制修改原视频中的任何角色或物体。 Higgsfield Mix 在图生视频中，结合多种镜头运动预设与视觉特效生成视频。 FantasyTalking 是阿里技术，可制作角色口型同步视频并具有逼真的面部和全身动作。 LAM 开源技术，实现从单张图片快速生成超逼真的 3D 头像，在任何设备上快速渲染实现实时互动聊天。 Krea 演示新工具 Krea Stage，通过图片生成可自由拼装 3D 场景，再实现风格化渲染。 Veo 2 现已通过 Gemini API 向开发者开放。 Freepik 发布视频编辑器。 Pusa 视频生成模型，无缝支持各种视频生成任务（文本/图像/视频到视频）。 4 月 9 日： ACTalker 是多模态驱动的人物说话视频生成。 Viggle 升级 Mic 2.0 能力。 TestTime Training在英伟达协助研究下，可生成完整的 1 分钟视频。 4 月 14 日： 字节发布一款经济高效的视频生成基础模型 Seaweed7B。 可灵的 AI 视频模型可灵 2.0 大师版及 AI 绘图模型可图 2.0 即将上线。

学习 WaytoAGI 的最佳路径包括以下几个方面： 1. 了解最新的 AI 技术：WaytoAGI 像免费的“技术期刊”，能让您了解最新动态，还能教授实用技能，且开源免费。 2. 线上共学：通过线上共学方式，手把手教您应用 AI 技术，无论您是小白还是有一定基础，都能找到适合自己的学习路径。 3. 找到志同道合的队友：如果您想创业、做副业，或者只是想找对 AI 感兴趣的伙伴一起做事，WaytoAGI 是很好的平台。 使用 WaytoAGI 的方法： 1. 点开链接就能看：无需注册和花钱，直接点击链接：点击。 2. 想看啥就看啥：比如想学 AI 绘画，就去看“AI 绘画”部分；想找 AI 工具，就去“工具推荐”部分，内容分类清晰。 3. 有问题还能问：看了还有不懂的，或者想跟别人交流，可以加入社群讨论。 此外，WaytoAGI 还有整活区，这里不是系统性学习的地方，而是一起做有趣事情的游乐场。在这里，您不用证明想法“有什么用”，可以尽情发挥对 AI 最天马行空的想象，鼓励把 AI 玩出新花样。

以下是为您提供的新手学习 AI 的路径文档： 首先，了解 AI 基本概念。建议阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。同时，浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 然后，开始 AI 学习之旅。在「」中，您将找到一系列为初学者设计的课程，特别推荐李宏毅老师的课程。您还可以通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有可能获得证书。 接着，选择感兴趣的模块深入学习。AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。特别建议您掌握提示词的技巧，它上手容易且很有用。 之后，进行实践和尝试。理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后也进行分享。 最后，体验 AI 产品。与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。通过与这些 AI 产品的对话，您可以获得对 AI 在实际应用中表现的第一手体验，并激发您对 AI 潜力的认识。 此外，雪梅 May 的 AI 学习经验也值得参考。May 发现自己的学习路径是：迈出第一步→大量的学习输入→疯狂的模仿→开始自己创造→学的越来越宽越来越杂→积累的量变产生质变→开始分享。特别是学习 coze 的路径：输入→模仿→自发创造，这是她真实实践下来之后发现的学习规律。May 还提到，虽然费曼学习法告诉我们，学习最好的方式是教会别人，但在一开始学习 AI 时，自学和输入为主也是可行的。回想起来，如果能量更足、更有勇气，可以更早地开始输出倒逼输入。不过不要为难自己，只要迈开脚步，就是进步。

很抱歉，目前没有关于 Randoop 工具使用方法的相关内容。您可以通过以下途径获取更详细的信息： 1. 官方文档：访问 Randoop 的官方网站，查找其提供的详细使用说明和教程。 2. 技术论坛：在相关的技术论坛上搜索关于 Randoop 使用的讨论和经验分享。 3. 开源社区：参与开源社区中关于 Randoop 的交流，向其他开发者请教。

以下是为您提供的全面的 AI 学习路径： 首先，了解 AI 的基础概念是至关重要的。这包括对机器学习、深度学习、自然语言处理等核心领域的基本认识。 在掌握基础概念后，深入学习数学知识，如线性代数、概率论、微积分等，这些是理解 AI 算法的基石。 接着，学习编程语言，如 Python，它在 AI 开发中被广泛应用。 然后，学习常见的机器学习算法，如决策树、聚类算法等，并通过实践项目加深理解。 对于深度学习，要掌握神经网络的原理和常见模型，如卷积神经网络、循环神经网络等。 同时，关注最新的 AI 行业资讯，了解前沿技术和应用案例。 参与相关的实践活动，如模型创作大赛等，将理论知识应用到实际中。 此外，利用丰富的学习资源，如文章、教程、工具推荐等，不断提升自己的能力。 “通往 AGI 之路”是一个致力于人工智能学习的中文知识库和社区平台，由开发者、学者和 AI 爱好者共同参与建设。它提供了系统全面的学习路径，涵盖从基础概念到实际应用的各个方面，包括丰富的学习资源、定期组织的活动等。您可以通过以下渠道获取更多信息： 网站： 知识库介绍说明：https://waytoagi.feishu.cn/wiki/BE57wlWV2iDkOvkbYIockX11nTC 社区业务：https://waytoagi.feishu.cn/wiki/PhZwwGR7jinzLVkqohOc7oofnzf 公众号：通往 AGI 之路 Bilibili：https://space.bilibili.com/259768893 小红书：https://www.xiaohongshu.com/user/profile/6457d2e4000000001f030dbe Twitter：https://twitter.com/WaytoAGI

以下是为您推荐的从 0 基础学习搭建自己的 Coze 来完成业务工作的学习路径和学习计划： 学习路径： 1. 了解 Coze AI 应用的背景和现状，包括其发展历程、适用场景和当前的局限性。 2. 熟悉创建 AI 应用的操作界面，包括学习业务逻辑和用户界面的搭建。 3. 掌握前端和后端的基础知识，了解其在 Coze 应用中的作用。 4. 学习容器的操作和页面布局技巧。 学习计划： 1. 资料获取途径：可以通过飞书知识库获取相关学习资料。 2. 资料推荐： “90 分钟从 0 开始打造你的第一个 Coze 应用:证件照 2025 年 1 月 18 日副本”，其中包含智能纪要和智能章节，详细介绍了 Coze 应用的创建过程、界面讲解、前端与后端基础及界面组件布局、容器操作与页面布局等内容。 （筹划中）「Agent 共学」之“两天学会用 AI 建站”，其中的共学日程表可能会提供相关的学习安排和指导。 在学习过程中，建议您重点熟悉桌面网页版的用户界面，按照资料中的步骤逐步实践，遇到问题及时查阅资料或寻求帮助。祝您学习顺利！

以下是关于学习 AI 的不同方面的学习路径： LLM 开发： 1. 掌握深度学习和自然语言处理基础，包括机器学习、深度学习、神经网络等基础理论，以及自然语言处理中的词向量、序列模型、注意力机制等。相关课程有吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理，包括 Transformer 模型架构及自注意力机制原理，以及 BERT 的预训练和微调方法。掌握相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调，包括大规模文本语料预处理，使用 LLM 预训练框架如 PyTorch、TensorFlow 等，以及微调 LLM 模型进行特定任务迁移。相关资源有 HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署，包括模型压缩、蒸馏、并行等优化技术，模型评估和可解释性，以及模型服务化、在线推理、多语言支持等。相关资源有 ONNX、TVM、BentoML 等开源工具。 5. LLM 工程实践和案例学习，结合行业场景进行个性化的 LLM 训练，分析和优化具体 LLM 工程案例，研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态，关注顶会最新论文、技术博客等资源。 AI 技术研究方向： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 AI 应用方向： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 AI 基础入门： 1. 根据电脑的硬件情况和自身财力选择合适的开始方式，如本地部署（电脑是 M 芯片的 Mac 电脑或 2060Ti 及以上显卡的 Windows 电脑）、在线平台（分为在线出图和云电脑）或配台电脑（不建议一开始就配主机）。 2. 必学、必看内容是基础课，主要解决环境问题和软件安装不上的问题；建炉是针对不同炼丹方式提供不同的炼丹工具的安装教程；正式的内容部分分为数据集预处理、模型训练以及模型调试及优化三个部分。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。

大模型的系统提示词主要包括以下方面： 1. 在“五津：一键生成‘摸鱼打工猫’视频”中，针对用户选择的主题和回答，总结用户的创作意图，如“打工猫摸鱼的 2 小时，在巴厘岛能看一场日落”，并根据此生成 4 组体现幽默风趣、以宫崎骏风格描绘主角为摸秋刀鱼橘猫的绘图提示词，以数组形式输出到“tishici”，将用户意图输出到“biaoti”。 2. 在“云中江树：智能对决：提示词攻防中的 AI 安全博弈”中，系统提示词的相关防御措施分为输入侧、模型侧和输出侧三个部分。输入侧可进行意图识别、语义匹配等综合判断用户输入是否恶意；模型侧对于有能力的厂商应增强安全性并平衡性能，开发者则要在开发中带着安全意识优化系统提示词，加入安全引导和禁止内容等；输出侧可使用传统防御和内容过滤手段，并针对大模型特点进行私有数据泄露等检查。此外，还提到间接注入和提示词泄露的情况，间接注入常发生在应用获取依赖外部数据资源时，攻击者通过隐藏恶意指令完成攻击；提示词泄露指试图操纵模型输出获取部分或全部系统提示词，大模型输出内容可分为系统提示词、用户提示和助手提示词三段，通过攻击手段可获取系统提示词。

以下是对通义千问 Qwen2.5VL 模型的介绍： 版本：有 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai 然而，对于阶跃星辰 step1.5vmini 和 Gemini2.0Flash 模型，目前提供的信息中未包含其与通义千问 Qwen2.5VL 模型的直接对比内容，因此无法确切判断哪个模型在视觉理解方面最厉害。但从通义千问 Qwen2.5VL 模型的上述特点来看，其在视觉理解方面具有较强的能力和优势。

目前在视频视觉理解能力方面表现出色的大模型有： 1. 昆仑万维的 SkyReelsV1：它不仅支持文生视频、图生视频，还是开源视频生成模型中参数最大的支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其具有影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等优势。 2. 通义千问的 Qwen2.5VL：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。擅长万物识别，能分析图像中的文本、图表、图标、图形和布局等。

目前全世界较为厉害的视频视觉理解大模型有以下几个： 1. 昆仑万维的 SkyReelsV1：不仅支持文生视频、图生视频，是开源视频生成模型中参数最大且支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其优势包括影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等。 2. 腾讯的混元：语义理解能力出色，能精准还原复杂的场景和动作，如特定品种的猫在复杂场景中的运动轨迹、从奔跑到跳跃的动作转换、琴音化作七彩音符等。 3. Pixverse V3.5：全球最快的 AI 视频生成模型，Turbo 模式下可在 10 秒内生成视频，最快仅需 5 6 秒。支持运动控制更加稳定、细节表现力强、首尾帧生成功能，具备顶尖动漫生成能力。

目前在视觉理解大模型方面，较为突出的有 DeepSeek 的 JanusPro 模型，它将图像理解和生成统一在一个模型中；还有通义千问的视觉理解模型，其价格有较大降幅。此外，Pixverse V3.5 是全球最快的 AI 视频生成模型，在某些方面也展现出了出色的能力。但很难确切地指出全世界最厉害的视觉理解大模型，因为这取决于不同的评估标准和应用场景。

大模型对话产品具有以下优点： 1. 具有强大的语言理解和生成能力。 2. 能够提供类似恋爱般令人上头的体验，具有一定的“想象力”和“取悦能力”。 3. 可以通过陪聊建立人和 AI 之间的感情连接，产品粘性不完全依赖技术优越性。 4. 能够为用户提供产品咨询服务，适用于有企业官网、钉钉、微信等渠道的客户。 5. 具有多种应用场景，如私有领域知识问答、个性化聊天机器人、智能助手等。 大模型对话产品也存在一些缺点： 1. 存在记忆混乱的问题。 2. AI 无法主动推动剧情，全靠用户脑补，导致用户上头期短，疲劳度高，长期留存低。 3. 无法回答私有领域问题（如公司制度、人员信息等）。 4. 无法及时获取最新信息（如实时天气、比赛结果等）。 5. 无法准确回答专业问题（如复杂数学计算、图像生成等）。

AI 技术的发展历程如下： 1. 早期阶段（1950s 1960s）：包括专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：专家系统、知识表示、自动推理得到发展。 3. 统计学习时期（1990s 2000s）：出现了机器学习算法，如决策树、支持向量机、贝叶斯方法等。 4. 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等兴起。 当前 AI 前沿技术点包括： 1. 大模型，如 GPT、PaLM 等。 2. 多模态 AI，如视觉 语言模型（CLIP、Stable Diffusion）、多模态融合。 3. 自监督学习，如自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习，包括元学习、一次学习、提示学习等。 5. 可解释 AI，涉及模型可解释性、因果推理、符号推理等。 6. 机器人学，涵盖强化学习、运动规划、人机交互等。 7. 量子 AI，包含量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 AI 的起源最早可追溯到 1943 年，心理学家麦卡洛克和数学家皮特斯提出机器的神经元模型，为后续的神经网络奠定基础。1950 年，图灵最早提出图灵测试作为判别机器是否具备智能的标准。1956 年，在美国达特茅斯学院，马文·明斯基和约翰·麦凯西等人共同发起召开了著名的达特茅斯会议，“人工智能”一词被正式提出，并作为一门学科确立下来。此后近 70 年，AI 的发展起起落落。

以下是为您找到的关于 AI 发展历史的相关内容： 2022 年 11 月 30 日，OpenAI 发布基于 GPT 3.5 的 ChatGPT，自此开始，一股 AI 浪潮席卷全球，但 AI 并非近几年才出现。其起源最早可追溯到上世纪的 1943 年。 1943 年，心理学家麦卡洛克和数学家皮特斯提出机器的神经元模型，为后续的神经网络奠定基础。 1950 年，计算机先驱图灵最早提出图灵测试，作为判别机器是否具备智能的标准（即在一个对外不可见的房间内放置一台可以与外界沟通的机器，如果外界交互的人无法区分房间里到底是真人还是机器，那么我们就说房间里的机器具备了智能，通过了图灵测试）。 1956 年，在美国一个小镇的达特茅斯学院中，马文·明斯基和约翰·麦凯西拉着香农大佬站台背书，共同发起召开了著名的达特茅斯会议，在这次会议上，人工智能（Artificial Intelligence）一词被正式提出，并作为一门学科被确立下来。 此后接近 70 年的漫长时间里，AI 的发展起起落落，两次掀起人类对 AI 毁灭人类世界的恐慌，热度拉满，但又最终以“不过如此”冷却收场。 此外，知识库中还整理了 OpenAI 的发展时间线和万字长文回顾等历史脉络类资料。

AI 绘画的历史与发展如下： 早期，AI 绘画成果较为简单粗糙。但随着技术进步，尤其是深度学习算法如卷积神经网络的应用，其能够生成更复杂、逼真和富有创意的图像，涵盖各种风格和题材，从写实到抽象，从风景到人物。 AI 绘画在与人类艺术家的互动和融合中不断创新，为艺术创作带来新的可能性和挑战。它从生成艺术作品到辅助艺术创作，逐渐改变着传统艺术的面貌。 AI 技术在艺术创作中的应用不仅改变了创作方式，还对艺术的审美观念和市场需求产生影响。一方面，人们对 AI 驱动的机器人创作的艺术品和人类创作的艺术品接受程度大致相同，但不太愿意将机器人视为艺术家，这表明其在表达情感和创造性意图方面存在局限性。另一方面，艺术家对 AI 生成艺术的态度复杂，既有期待也有对版权、原创性和伦理问题的担忧。 此外，AI 绘画技术的发展带来了对文化创意领域从业者职业安全的焦虑，以及对其“侵权”嫌疑的反对之声，反映了新技术发展带来的行业生态变化和对现有法律伦理框架的挑战。 尽管存在争议，AI 在艺术领域的应用为艺术创作提供了新的工具和可能性，帮助艺术家探索新的创意表达方式，提高制作效率，降低制作成本，促进艺术与观众之间的互动，提供更加个性化和互动的艺术体验。 艺术与科技的融合正呈现出前所未有的奇妙景象，AI 绘画作为杰出代表，将艺术与先进技术完美结合，开启探索之旅，引领艺术界走向未来。艺术创作通常依赖手工技艺和个人感悟，而 AI 绘画利用机器学习和深度学习等技术，模拟人类创作过程，生成令人惊叹的作品，为艺术家提供新工具，为观众带来新体验，打破了传统创作的局限，使艺术更加民主化和包容。

中国 AI 的发展历史可以追溯到二十世纪中叶。 最初，AI 领域的符号推理较为流行，也取得了一些重要进展，如专家系统。但由于从专家提取知识并以计算机可读形式表现和保持知识库准确性的任务复杂且成本高，20 世纪 70 年代出现了“人工智能寒冬”。 对于大众来说，对 AI 领域的使用在近 20 年随着国内互联网的发展才开始普及。最初的应用主要是基于 NLP 技术的聊天机器人和客服机器人。随后，中英文翻译、语音识别、人脸识别等技术取得突破，在日常生活中的应用广泛，如语音助手、智能翻译设备、人脸识别支付系统等。但此前这些技术突破大多限于特定领域，模型应用范围相对狭窄。 近年来，随着计算资源变得更便宜、可用数据增多，神经网络方法在计算机视觉、语音理解等领域展现出卓越性能。在过去十年中，“人工智能”一词常被用作“神经网络”的同义词。 2022 年 11 月 30 日，OpenAI 发布基于 GPT 3.5 的 ChatGPT ，引发全球 AI 浪潮。AI 的起源最早可追溯到 1943 年，心理学家麦卡洛克和数学家皮特斯提出机器的神经元模型，为后续神经网络奠定基础。1950 年，图灵最早提出图灵测试作为判别机器是否具备智能的标准。1956 年，在美国达特茅斯学院召开的会议上，人工智能一词被正式提出并确立为一门学科。此后近 70 年，AI 的发展起起落落。

AI 的发展历史如下： 1. 早期阶段（1950s 1960s）：包括专家系统、博弈论、机器学习初步理论等。 2. 知识驱动时期（1970s 1980s）：以专家系统、知识表示、自动推理为主要特点。 3. 统计学习时期（1990s 2000s）：出现了机器学习算法，如决策树、支持向量机、贝叶斯方法等。 4. 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等得到广泛应用。 当前 AI 的前沿技术点包括： 1. 大模型，如 GPT、PaLM 等。 2. 多模态 AI，如视觉 语言模型（CLIP、Stable Diffusion）、多模态融合。 3. 自监督学习，如自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习，如元学习、一次学习、提示学习等。 5. 可解释 AI，包括模型可解释性、因果推理、符号推理等。 6. 机器人学，涵盖强化学习、运动规划、人机交互等。 7. 量子 AI，如量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 AI 的起源最早可追溯到 1943 年，心理学家麦卡洛克和数学家皮特斯提出了机器的神经元模型，为后续的神经网络奠定了基础。1950 年，图灵最早提出了图灵测试，作为判别机器是否具备智能的标准。1956 年，在美国达特茅斯学院召开的会议上，人工智能一词被正式提出，并作为一门学科被确立下来。此后近 70 年，AI 的发展起起落落。 最初，符号推理流行，带来了专家系统等重要进展，但因方法局限，20 世纪 70 年代出现“人工智能寒冬”。随着计算资源便宜和数据增多，神经网络方法在计算机视觉、语音理解等领域展现出色性能，过去十年中，“人工智能”一词常被用作“神经网络”的同义词。

AI 作为一个领域始于二十世纪中叶。 早期，符号推理流行，带来了如专家系统等重要进展，但因从专家提取知识并以计算机可读形式表现及保持知识库准确性的任务复杂且成本高，应用场景难以大规模拓展，导致 20 世纪 70 年代出现“人工智能寒冬”。 随着时间推移，计算资源更便宜，数据更多，神经网络方法在计算机视觉、语音理解等领域展现出卓越性能，过去十年中“人工智能”常被视为“神经网络”的同义词。 AI 技术的发展历程包括： 1. 早期阶段（1950s 1960s）：专家系统、博弈论、机器学习初步理论。 2. 知识驱动时期（1970s 1980s）：专家系统、知识表示、自动推理。 3. 统计学习时期（1990s 2000s）：机器学习算法（决策树、支持向量机、贝叶斯方法等）。 4. 深度学习时期（2010s 至今）：深度神经网络、卷积神经网络、循环神经网络等。 当前 AI 前沿技术点有： 1. 大模型（Large Language Models）：GPT、PaLM 等。 2. 多模态 AI：视觉 语言模型（CLIP、Stable Diffusion）、多模态融合。 3. 自监督学习：自监督预训练、对比学习、掩码语言模型等。 4. 小样本学习：元学习、一次学习、提示学习等。 5. 可解释 AI：模型可解释性、因果推理、符号推理等。 6. 机器人学：强化学习、运动规划、人机交互等。 7. 量子 AI：量子机器学习、量子神经网络等。 8. AI 芯片和硬件加速。 最初，查尔斯·巴贝奇发明计算机用于按明确程序运算。现代计算机虽先进，但仍遵循相同受控计算理念。但有些任务如根据照片判断人的年龄，无法明确编程，这正是 AI 感兴趣的。