通往agi之路的网站啥时候建立的?

“通往 AGI 之路”（WaytoAGI）是一个致力于人工智能学习的中文知识库和社区平台： 旨在为学习者提供系统全面的 AI 学习路径，涵盖从基础概念到实际应用的各个方面，帮助用户有效地获取 AI 知识，提高自身能力。 由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 其品牌 VI 融合了独特的设计元素： 选择彩虹色作为主要的配色方案，代表多样性、包容性和创新。 标志性图案是一只鹿，与“路”谐音，象征着通往 AGI 未来的道路，寓意优雅与智慧。 选用简洁现代的非衬线字体，强调信息传达的清晰度和直接性。 此外，WaytoAGI 里有个离谱村： 是由 WaytoAGI 孵化的千人共创项目，让大家学习和接触 AI 更容易、更感兴趣。 参与者不分年龄层，一起脑洞和创意，都可以通过 AI 工具快速简单地创作出各种各样的作品。 离谱村是一个没有被定义的地方，每个人心中都有自己想象中的离谱村，是灵魂的避风港，激励着每一个生命体发挥其无限的想象力，创造属于自己的独特生活方式。 如果您对 AI 学习感兴趣，加入“通往 AGI 之路”社区将是一个不错的选择。在这里，您可以获取最新的 AI 知识，参与实践活动，与志同道合的学习者共同成长。

AGI 即通用人工智能（Artificial General Intelligence），通常指一种能够完成任何聪明人类所能完成的智力任务的人工智能系统，能够在许多领域内以人类水平应对日益复杂的问题。例如，OpenAI 致力于实现 AGI，其研发的 ChatGPT 是朝着 AGI 迈出的巨大一步。Sam Altman 认为确保 AGI 造福全人类是使命，人工通用智能是人类进步脚手架上的另一个工具，可能带来治愈所有疾病、有更多时间与家人共享、充分发挥创造潜力等美好前景。

AGI 即人工通用智能，通常被定义为一种能够完成任何聪明人类所能完成的智力任务的人工智能，其能力不局限于特定领域。 例如，OpenAI 原计划在 2026 年发布最初被称为 GPT6 后重新命名为 GPT7 的产品，2027 年发布 Q2025（GPT8）以实现完全的 AGI，但因埃隆·马斯克的诉讼而推迟。GPT3 及其半步后继者 GPT3.5 在某种程度上是朝着 AGI 迈出的巨大一步，早期的模型则不具备这样的能力。 AGI 的出现被视为人类历史上具有转折意义的事件，当 AGI 真正实现并可能迅速发展为超人工智能（ASI）时，人类社会将在随后的二十年里经历深刻变革。例如，社会结构、价值观、权力格局、人类角色等多个方面都可能发生变化，人类与 AGI 是走向冲突还是共生合作也值得探讨。 Sam Altman 认为确保 AGI 造福全人类是使命，呈现人工通用智能特征的系统正浮现，人工通用智能是一个定义较弱的术语，通常指一种能够在许多领域内以人类水平应对日益复杂的问题的系统。

目前没有专门降低 AGI 率的 AI 软件。AGI（通用人工智能）的发展仍处于不断探索和进步的阶段，通常软件的目的是提升 AI 的性能和能力，而非降低相关指标。

AGI（通用人工智能）和 AI（人工智能）的区别主要体现在以下几个方面： 1. 能力范围：AI 通常分为 ANI（弱人工智能），如智能音箱、网站搜索、自动驾驶等，只能完成特定的单一任务；而 AGI 能够像人类一样思考、学习和执行多种任务。 2. 智能水平：ANI 得到了巨大发展，但 AGI 尚未取得巨大进展。AGI 具备更广泛和全面的智能能力。 例如，ChatGPT 是由致力于 AGI 的公司 OpenAI 研发的一款 AI 技术驱动的 NLP 聊天工具。Web3 和人工智能初创公司 AGII 获得 1500 万美元融资，AGII 是一个 AI 驱动的平台，旨在为用户提供强大的 AI 驱动工具和高质量内容生成能力。

对于小白从头开始学习 AGI 并集中于应用层面，建议您按照以下步骤进行： 1. 记忆：先了解 AGI 的历史、基本术语、重要概念、方法和原理等。 2. 理解：进一步了解 AGI 领域的主要思想。 3. 应用：深入了解 Prompt，选择适合自己的 AI 对话（https://ywh1bkansf.feishu.cn/wiki/QddLw0teKi7nUCkDRIecskn3nuc ）、绘画（https://ywh1bkansf.feishu.cn/wiki/Q5ddwxfkMiVUZBkQXN7cgXf4nOb ）和语音（https://ywh1bkansf.feishu.cn/wiki/ZXPiw2OuLi2YsxkkmaLcPTyInrc ）产品，每天使用它们来解决实际问题或提升效率（https://waytoagi.feishu.cn/wiki/A0Y0wpBOcig7HLkSFNcceTA6nwb ）。 4. 分析：大量阅读各类文章（https://ywh1bkansf.feishu.cn/wiki/YjJgwbKnriZBZ0kVn6Kc1gSKnsf?table=tblsQKR3a22uFqsp ）、视频（https://ywh1bkansf.feishu.cn/wiki/LEnvwwEy0iufT3k4kfVc8Ehenvf?table=tbllpoPWJn6MNOR6&view=vew68BlUHo ）以及行业报告（https://ywh1bkansf.feishu.cn/wiki/FnXcwGrwSimQxnkNo1kcJzPYn7f ），理解各知识之间的关系。 此外，您还可以观看以下两个对建立框架有帮助的视频： 1. 【包教包会】一条视频速通 AI 大模型原理_哔哩哔哩_bilibili（https://www.bilibili.com/video/BV17t4218761/?vd_source=3cc4af77a2ef185635e8097d3326c893 ），由林粒粒呀（女神）主讲，和某知识 up 主 Genji 一起制作的免费公益课，新手友好，50 分钟速通 AI 大模型原理。 2. 用大模型保存你的全部人生，你会接受吗：专访安克创新 CEO 阳萌|大咖谈芯第 11 期_哔哩哔哩_bilibili（https://www.bilibili.com/video/BV1iT421Q7M1 ），某知识 up 主老石谈芯专访安克创新 CEO 阳萌的视频，一共两期，两期内容都值得观看。

以下是为您规划的学习 AGI 的可行之路： 1. 应用方面： 深入了解 Prompt，选择适合自己的 AI 对话、绘画和语音产品，每天使用并用于解决实际问题或提升效率。 2. 分析方面： 大量阅读各类文章、视频以及行业报告，理解各知识之间的关系。 3. 记忆方面： 先从 AI 的历史、基本术语、重要人物、方法和原理等开始了解，查看入门课程。 具体的学习资源包括： 关于 Prompt 的了解：https://ywh1bkansf.feishu.cn/wiki/Q5mXww4rriujFFkFQOzc8uIsnah?table=tbldSgFt2xNUDNAz&view=vewo2g2ktO 适合的 AI 对话：https://ywh1bkansf.feishu.cn/wiki/QddLw0teKi7nUCkDRIecskn3nuc 绘画相关：https://ywh1bkansf.feishu.cn/wiki/Q5ddwxfkMiVUZBkQXN7cgXf4nOb 语音相关：https://ywh1bkansf.feishu.cn/wiki/ZXPiw2OuLi2YsxkkmaLcPTyInrc AI 历史：https://ywh1bkansf.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=tbl1tOC3ZKbrcHVn&view=vewTtypUZc 基本术语：https://ywh1bkansf.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=tbltvr7KExCt7Jpw&view=vewjxk9tDu 重要人物：https://ywh1bkansf.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=tblLtN12KuvP5reO&view=vewuvGBXhd 方法和原理：https://ywh1bkansf.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=tblolGx2mprs1EQz&view=vewx5ROYtl 入门课程：https://waytoagi.feishu.cn/wiki/ZYtkwJQSJiLa5rkMF5scEN4Onhd?table=tblWqPFOvA24Jv6X&view=veweFm2l9w

MCP（模型上下文协议）是由 Anthropic 于 2024 年 11 月推出的一项创新标准。它旨在实现大语言模型与第三方数据源的无缝连接，通过支持内容存储库、业务工具和开发环境等多种外部服务，让 AI 模型获取更丰富的上下文信息，从而生成更加精准、相关的智能回答。 Lark 认为，用一句话概括，MCP 是一种通用的方式，向各类大语言模型提供数据源和工具。官网解释：MCP 是一个开放协议，用于标准化应用程序向大语言模型提供上下文的方式，可以将其想象成 AI 应用程序的 USBC 接口。 此外，还有文章介绍了如何通过 MCP 连接 Claude 3.7 与 Blender，实现一句话生成 3D 场景的功能。随着 MCP 的崛起，AI 不再是数据孤岛，未来的 AI 智能体将能自主完成更复杂的任务，开启创作的新纪元。

“通往 AGI 之路”网站具有以下建设意义： 1. 学习平台：是一个致力于人工智能学习的中文知识库和社区平台，为学习者提供系统全面的 AI 学习路径，涵盖从基础概念到实际应用的各个方面，帮助用户有效地获取 AI 知识，提高自身能力。 2. 资源丰富：由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 3. 实践促进：定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 4. 品牌形象：品牌 VI 融合独特设计元素，以彩虹色彰显多元性和创新，以鹿的形象象征智慧与优雅，通过非衬线字体展现现代感和清晰性，共同构建充满活力和前瞻性的品牌形象。 5. 连接作用：不仅是一个知识库，更是连接学习者、实践者和创新者的社区，让大家在这里碰撞思想，相互鼓舞，一同成长。 6. 影响力大：在没有任何推广的情况下，一年时间已有超过 70 万用户和超千万次的访问量，是很多 AI 爱好者知识的源头。社群的口号是让更多的人因 AI 而强大，有很多学社和共学共建的活动。

以下是为您设计的大模型学习之路及推荐资料： 学习之路： 1. 了解大模型的基本概念：通俗来讲，大模型是输入大量语料，让计算机获得类似人类的“思考”能力，能进行文本生成、推理问答、对话、文档摘要等工作。可以用“上学参加工作”来类比大模型的训练和使用过程，包括找学校（训练所需的大量计算和 GPU 等）、确定教材（大量的数据量）、找老师（算法讲述内容）、就业指导（微调）、搬砖（推导）。 2. 学习大模型的构建过程： 收集海量数据：如同教孩子成为博学多才的人需要让其阅读大量资料，对于大模型，要收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。 预处理数据：像为孩子整理适合的资料，AI 研究人员要清理和组织收集到的数据，如删除垃圾信息、纠正拼写错误、分割文本。 设计模型架构：为孩子设计学习计划一样，研究人员要设计大模型的“大脑”结构，如使用 Transformer 架构等特定的神经网络结构。 训练模型：如同孩子开始阅读和学习，大模型开始“阅读”提供的数据，通过反复预测句子中的下一个词来逐渐学会理解和生成人类语言。 推荐资料： 1. 直播共学： 可在飞书知识库中查看以下分享内容和教程：小七姐、刘宇龙、熊猫、MQ、财猫、李继刚、凯翔、AJ、南瓜博士、江树的分享。 参与每晚群里的分享和讨论会，包括 3.4 直播聊天（讲讲大家最初入门学 prompt 的一些入门方法）、3.5 直播分享（小七姐提示词学习路径）、3.5 直播答疑（小七姐、宇龙、AJ 学习路径中的各类问题和 AGI 对应知识推荐）、3.6 直播分享（MQ：文科小白+普通宝妈的 AI 学习之路、熊猫提示词和思维模型）、3.7 直播分享（南瓜博士&财猫文理兼修话 PROMPT）、3.7 直播聊天解答作业等。 2. 文章学习： 大模型工具请大家自行准备，推荐顺序为：1.chat 2.kimi.ai 3.智谱清言 4

大模型的学习之路包括以下几个主要方面： 1. 大模型的定义：通俗来讲，大模型是输入大量语料，让计算机获得类似人类的“思考”能力，能进行文本生成、推理问答、对话、文档摘要等工作。 2. 大模型的训练和使用类比： 找学校：训练大模型需要大量计算，GPU更合适，只有购买得起大量GPU的才有资本训练。 确定教材：大模型需要大量数据，几千亿序列（Token）的输入基本是标配。 找老师：用合适算法让大模型更好理解Token之间的关系。 就业指导：为让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 搬砖：就业指导完成后，进行如翻译、问答等工作，在大模型里称之为推导（infer）。 Token：Token被视为模型处理和生成的文本单位，可代表单个字符、单词等，在将输入进行分词时会数字化形成词汇表。 3. 大模型的底层原理：计算机科学家/工程师以大脑神经元细胞结构为灵感，利用概览模型在计算机上实现对人脑结构的模仿，但大模型内部是混沌系统，存在不确定的“不安感”，同时也学习了人类大脑的优点和特质，这些特质在实际应用中表现出“缺陷”和“不足”。 4. 大模型的构建过程： 收集海量数据：如让孩子阅读大量书籍等，对于AI模型就是收集互联网上的各种文本数据。 预处理数据：像为孩子整理资料，AI研究人员也需清理和组织收集的数据，如删除垃圾信息等。 设计模型架构：为孩子设计学习计划，研究人员需设计AI模型的“大脑”结构，如使用Transformer架构。 训练模型：如孩子开始学习，AI模型开始“阅读”数据，通过反复预测句子中的下一个词逐渐学会理解和生成人类语言。

《通往 AGI 之路》的学习方法如下： 1. 系统学习：观看李弘毅老师的生成式 AI 导论、吴达的生成式 AI 入门视频等高质量学习内容，并整理成学习笔记，在整理过程中与大家交流互动。 2. 社区共创学习：对于觉得系统学习枯燥的同学，可以等待社区共创内容，通过共创做小项目来反向推动学习。 3. 了解相关原理：学习 A16Z 推荐的包括 GPT 相关知识、Transformer 模型运作原理、大语言模型词语接龙原理等基础知识。 4. 探索应用：例如了解 Stable Diffusion 运作原理与 GPT 训练现状。 5. 针对特定软件：对于 AE 软件，可在 B 站找丰富的入门课程自学，也可从包图网下载工程文件学习。通过拆解视频、留意路边广告特效、按层级逻辑思考画面运动来学习，还可参考模板。 6. 名词解释：理解包括 AGI、AIGC、agent、prompt 等 AI 相关名词，可通过与 AI 对话或李继刚老师的课程来理解。 7. 信息获取：关注赛博蝉星公众号、国外优质博主的 blog 或 Twitter 等，订阅获取最新信息并投稿。 8. 参与活动：参加如 AIPO、CONFIUI 生态大会等社区活动，每月还有切磋大会。 9. 阅读经典：阅读介绍 GPT 运作原理、Transformer 模型、扩散模型等的经典必读文章，以及软件 2.0 时代相关内容。 10. 初学者推荐：对于初学者，推荐看 Open AI 的官方 Cookbook，小琪姐做了中文精读翻译，也可查看 cloud 的相关内容。同时，整理 open AI 的发展时间线和万字长文回顾等历史脉络类资料。

“通往 AGI 之路”是一个由开发者、学者和有志人士等参与的学习社区和开源的 AI 知识库。 它具有以下特点： 1. 目标是助力每一个怀揣 AI 梦想的人在探索知识的道路上“无弯路，全速前进”。 2. 这里既是知识的消费者，也是知识的创作者。 3. 拥有 200 多个微信群和 140 多个高校群。 4. 举办了 AIPO 等相关活动，活动遵循先共学再以赛代练的学习路径，邀请了 10 位 AI 界大佬分享经验。 5. 有赛博禅心主理人大聪明等人员的参与和支持，赛博禅心公众号有 5000 个 AI 项目详解，可为活动提供灵感。 6. 中科院翟教授曾开场致辞。 7. 提供了 v two agi.com 网站供注册进入知识库。 同时，“通往 AGI 之路”还有众多友情链接，涉及麦橘、orange、Web3 天空之城、Ragnar 瑞哥那、海辛、三思、云中江树、陈财猫、阿文等在 AI 领域的不同角色，如产品经理、艺术家、工程师等。

以下是一份通往 AIGC 的学习目录： 1. AIGC 概述 1.1 GenAI、AIGC 的基本概念 GenAI 的定义、工作原理及应用 典型的 GenAI 产品 AIGC 的定义及创建方式 国内 AIGC 的监管框架 1.2 AIGC 的分类及应用 语言文本生成的模型和代表项目 图像生成的技术和代表项目 音视频生成的方法和代表项目 AIGC 在音乐生成、游戏开发和医疗保健等领域的应用 1.3 AIGC 应用可能引发的风险 内生风险，如算法的不可解释性和不可问责性，代码开源的安全和伦理担忧 数据隐私问题，如数据泄露、匿名化不足、未经授权的数据共享 知识产权风险，如作品侵权、不当竞争 相关法律和规定对 AIGC 的要求 AIGC 滥用可能导致的问题，如虚假信息传播、侵犯隐私 2. AI 赋能教学 从易到难的学习路径 了解 AI 工作原理 尝试各种 AI 工具 学会优化提示词 生成课程资源 解决教学场景 课上师生机共学 促学生正确使用 提升人机共创力 相关主题 AIGC 教育革命：技术原理与课堂实践 AI 从工具到助手赋能教师提升效率与能力 大语言模型的教学潜力：交流技巧与心得 AI 与教育场景融合拓展教学边界与创新场景 AI 与人类智能的共生放大学生思考力塑造深度学习能力 一线教师的 AI 需求与高效工具推荐 AI 赋能课堂的核心逻辑：从理论到应用 解码 AI 教学案例：创新与实践 教学主要负担分析，如备课压力、适应新课标

Transformer 并非通往 AGI 的必经之路。在已知的 token space 中，Transformer 符合一些条件，但在更通用的场景中不太符合。AI 本质包含一堆 scaling law，一个值得被 scale up 的架构是基础，且架构要支持不断加入更多数据。当前在数据方面，如限定问题的数据生成有进展，但通用问题还没有完全的解法。 世界模型方面，目前的研究正在以指数级别的速度增长。对于语言这种有结构、有规则的指令系统，其逻辑受指向描述变化，如早期语言模型建模中用到的 RNN、LSTM 及当前 LLM 的 Transformer 模型结构，都是对语言序列性所体现逻辑结构的适配。同时也在思考是否存在其他形式的符号化表征及相应的建模结构，以及对于非碳基生物语言的使用情况等。未来通往 AGI 的道路并非简单，需要探寻 RL 与 LLM 的本质普遍性。