生成式人工智能的历史

[nusaiba128]

有什么区别？认为传统的人工智能是反应性的；系统可以理解对它们的要求并做出相应的反应，但它们缺乏创造力或创新能力。它们无法独自创造任何新东西。但这就是生成式人工智能的作用所在：由于其能够创造新颖的结果，因此它似乎具有变革性的本质。

生成模型专注于使用算法从头开始生成图像、音乐和文本等创意输出，是大多数最有趣项目背后的动力。人工智能生成的内容，例如谷歌的 DeepDream 可以创建超现实的图像，或 OpenAI 的 ChatGPT 可以像人类一样撰写完整的文章。因此，这一独特特征将生成式人工智能与传统人工智能区分开来。

然而，一些相似之处使他们紧密团结，而一些差异则使他们分道扬镳。这 车主数据库 两种技术都依赖于严格的“AI训练数据”。这些不断发展的系统利用来自人类用户或模拟的预先存在的数据集，吸收信息并努力随着时间的推移优化性能。

简而言之，尽管功能上截然不同，但这两个学科都支撑了人工智能的力量及其当今日益广泛的存在。


生成式人工智能的历史是一个令人着迷的故事，其特点是朝着进步和创新迈进。从诞生之初到现在所取得的成就，这个令人兴奋的领域经历了重大的发展。

在早期阶段，研究人员试图解释生成模型在人工智能中发挥作用的原因。我将其归类为生成式人工智能之旅的第一“代”：定义基本模型和理解其基本机制的时期。

2006年，Geoffrey Hinton提出深度信念网络（DBN），开创了深度学习模型的时代。这些尝试是使用神经网络来生成类似于训练期间提供的输入的新数据。