XiaoMi-AI文件搜索系统
World File Search System布拉特
Aleksandar（Aljoša）Jovanović（1949-2020） div>Aleksandar（Aljoša）Jovanović（1949-2020） div>
aljoša出生于1949年的斯普利特（Split），在贝尔格莱德（Belgrade）长大，在那里他上小学和高中。他于1970年毕业于贝尔格莱德的数学学院。他于1982年在同一教职员工获得的数学博士学位（集合理论 - 真实的可测量的红衣主教，超副措施理论）。三十年来，他曾在Rijeka，Niš，Kragujevac和Belgrade大学担任数学教授。他于1990年成为Kragujevac大学的一名相关教授。从1975年到2000年，他是塞尔维亚科学与艺术学院数学研究所的兼职研究员。他的教学生涯的最后18年，他在贝尔格莱德的数学学院工作，他于2014年退休。他还是一个非常熟练的程序员，热情的天文学家，钢琴和风琴演奏者，船长和潜水员。他流利地说英语，法语，意大利语和俄语。他的配偶，两个女儿和四个孙子幸存下来。在学术生涯中，他在数学逻辑，理论，人工智能，离散数学，线性代数，计算机科学，编程语言和数据库中教授本科和研究生课程。他是贝尔格莱德数学学院的三个博士学位论文和十二个大师论文的顾问。aljoša的研究兴趣主要是在集合理论和理论计算机科学（自动推理，自动定理证明，智能系统，信号和图像处理）中。他在著名的数学期刊和会议上发表了90多篇论文。作为一名访问学者，还是作为受邀讲师，他曾在众多著名大学工作，包括加利福尼亚大学伯克利分校，加利福尼亚大学，加利福尼亚大学，爱丁堡大学，加利福尼亚大学，加利福尼亚大学，洛杉矶大学，斯坦福大学，巴黎大学，巴黎大学，巴黎大学，哥伦比亚大学，埃斯特大学，埃克塞特大学，布拉特拉维亚大学，分校。彼得斯堡技术大学。他是一本大学教科书，两本研究生教科书和专着的10章的作者。在他的整个学术生涯中，他曾担任研究人员，从事国家政府或
“会说话的大脑”关于人工智能、神经回路的集体论文......
前言 在 1995 年出版的《说话的头脑》一书中，编辑 Peter Baumgartner 和 Sabine Payr 整理了一系列精彩的访谈，采访对象是 20 世纪最杰出的 20 位认知科学家。从这些访谈中，我们了解到其中一些伟大人物之间存在着多么根深蒂固且明显具有争议性的敌意，并展示了人工智能的两个阵营最终分裂是不可避免的。就像两只从未实现的承诺的认知灰烬中重生的凤凰一样，这个两面怪兽将呈现出近乎宗教狂热的色彩和对彼此的蔑视，因为双方都试图为对方在当时被认为是一个新兴领域的不足之处辩解，而这个领域对未来的人工智能大有裨益。尽管以今天的标准来看，1995 年的采访似乎新颖且细致入微，但辩论本身却有着更早的先例，可以追溯到唐纳德·赫布 (Donald Hebb) 等先驱（“一起放电的神经元连接在一起”），以及战前才华横溢的博学者，如冯·诺依曼和图灵本人（图灵测试）——他们都促成了战后马文·明斯基 (Marvin Minsky) 和弗兰克·罗森布拉特 (Frank Rosenblatt)（同一所布朗克斯科学高中的同学）之间著名的辩论。这些争论可以一口气概括为以下几个方面：（i）人工智能和认知科学（将导致深度学习和我们当前的 Chat-GPT）是否应该尝试模拟人类大脑实际的内部神经结构，即“人类学习”源自单一的神经元二元/数字活动模式（其性质严重依赖于强力概念，如局部性、频率和加权强度）；或（ii）大脑结构——当时和现在仍然无法被我们完全理解——是否应该基于其知之甚少的神经元结构进行建模，而是基于其计算性能和逻辑、推理、因果关系等能力的结果进行建模。后者这些过程是人类独有的，并且本质上似乎相当类似，因为它们产生了基于符号规则的语言和“人类理解”程序。目前，该领域正在进行单一机制模型与双重机制模型的争论。这些论文概括了我对这个主题的一些想法。以下链接摘自非正式工作论文和短文，代表了我对潜在 AI 到自然语言界面现状的一些想法。最后三篇论文（第三部分），特别是“为什么要移动？”，试图捕捉这个 AI 到自然语言界面关于儿童语法发展阶段的内容。这本非正式电子书分为三部分：第一部分“语言的神经基础”，第二部分“递归语法”，第三部分“儿童语言习得”。*关于这个主题的论文、短文和文章都可以在我的学术网站上找到：https://csun。academia.edu/josephgalasso
目标、计划、执行、审查和修订 (GPDR/R) 指南
执行功能技能对于我们一生的成功至关重要——它们是基础技能，可帮助我们集中注意力、做出决定、设定目标、控制冲动、制定和执行计划以及在必要时修改和调整计划和目标。虽然在培养儿童执行功能技能方面有着悠久的历史和许多资源，但直到最近，人们才开始关注支持或培养成年人的执行功能技能。（这些技能也称为核心成人能力或执行技能。）明确关注培养和支持执行功能技能以用于人力服务和求职计划的方法的发展在很大程度上源于哈佛大学儿童发展中心为提升成年人在为儿童创造突破性成果方面所发挥的重要作用而做出的努力。安妮·E·凯西基金会希望推动这一框架的发展，以帮助成年人成为成功的工作者和父母，因此资助了多项计划，旨在确定就业和相关人力服务计划如何利用执行功能和自我调节原则和概念来改善父母的结果。出于这种考虑，他们为本指南的开发以及人力服务人员的配套虚拟培训提供了资金。在编写本手册的过程中，我们借鉴了许多人的成果，包括：神经心理学家和应用行为分析师 Richard Guare 以及教育心理学家 Peg Dawson（《Smart But Scattered》系列的作者）；明尼苏达大学的神经科学家 Phil Zelazo；儿童国家医疗中心（《目标、计划、执行、检查》）的神经心理学家 Lauren Kenworthy 和她的同事；认知连接（《Ready、Do、Done》）的言语治疗师 Sarah Ward 和 Kristen Jacobsen；伯克利大学的神经科学家 Silvia Bunge；以及纽约大学心理学教授兼《重新思考积极思考》的作者 Gabriele Oettingen。预算和政策优先中心家庭收入支持副总裁 LaDonna Pavetti 领导了目标、计划、执行、审查/修订（GPDR/R）模型的开发以及本手册的编写。 Global Learning Partners 的所有者兼高级合伙人 Valerie Uccellani 和独立顾问 Megan Stanley 担任联合创作者。Global learning Partners 的 Meg Logue 负责了手册的设计工作。Mathematica 的 Michelle Derr 和 Jonathan McCay 是这项工作的重要思想合作伙伴。在本指南的开发和多次修订过程中，我们受益于该领域众多合作伙伴的见解，包括拉姆齐县劳动力解决方案（明尼苏达州）、加州县福利主任协会（CalWORKs 2.0 计划）、俄勒冈州第 2 区 TANF 办公室、经济机会办公室和佛蒙特州的布拉特尔伯勒和拉特兰 TANF 办公室以及纽约市（曼哈顿和布鲁克林）的 NADAP 职业指南。公共咨询集团的 Deb Joffe 和独立顾问 Terri Feely 对初稿提供了有用的反馈。我们中的许多人现在通过执行功能的视角来看待人类服务计划，这在很大程度上要归功于理查德 (Dick) Guare，他教会了我们许多人执行技能如何在成年人生活的各个方面发挥作用，并提供了如何将培养和支持这些技能的策略融入人类服务计划的实用解决方案。
samartha brahmbhatt
指导出版物1。“针对目标投掷的最终效力者的识别和学习控制” - Hasith Venkata Sai Pasala，Nagamanikandan Govindan和Samarth Brahmbhatt，IEEE Robotics and Automation and Automation Fetters，第1卷。9，不。11，pp。9558-9564，2024年11月2。“ Imagine2Servo: Intelligent Visual Servoing with Diffusion-Driven Goal Generation for Robotic Tasks ” - Pranjali Pathre, Gunjan Gupta, M. Nomaan Qureshi, Mandyam Brunda, Samarth Brahmbhatt , and K. Madhava Krishna, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2024 3.“ OpenBot-Fleet：与真实机器人进行集体学习的系统” - MatthiasMéuller，Samarth Brahmbhatt，Ankur Deka，Ankur Deka，Quentin Leboutet，David Hafner和Vladlen Koltun和Vladlen Koltun，国际机器人和自动化（ICRA）2024 4。“偷偷摸摸的人：偷偷摸摸的声学本地化” - 孟尤杨，帕特里克·格雷迪，萨玛斯·布拉姆布哈特，Arun Balajee Vasudevan，Charles C. Kemp，Charles C. Kemp和James Hays，Inter-National-National-National-National-National-National-National-inter-National-inter-National-national-inter-National-national-of Robotics and Automation and Automation（ICRA）20224 5。“基于触觉的对象插入政策的零射击” - 萨玛斯·布拉姆·伯特（Samarth Brahmbhatt），安卡尔·德卡（Ankur Deka），安德鲁·斯皮尔伯格（Andrew Spielberg）和马蒂亚斯·米勒（MatthiasMéuller），国际机器人和自动化会议（ICRA）2023 6。“压力之间：估算单个RGB图像的手压力” - 帕特里克·格雷迪，昌昌唐，萨玛斯·布拉姆·Bhatt，克里斯托弗·D·特里克，陈德·沃恩，詹姆斯·海斯，詹姆斯·海斯和查尔斯·肯普，欧洲计算机视觉会议（ECCV）2022（ORAL）7。“对软机器人抓手的视觉压力估计和控制” - 帕特里克·格雷迪，杰里米·A·柯林斯，萨玛斯·布拉姆·布拉特，克里斯托弗·D·特·特维格，昌昌唐，詹姆斯·海斯和查尔斯·C·坎普，IEEE/RSJ IEEE/RSJ国际智能机器人与系统（IROS）（IROS）2022 8。“联系人：优化联系以提高抓地力” - 帕特里克·格雷迪，郑昌，明·沃，克里斯托弗·D。“联系人：带有物体接触和手动姿势的grasps的数据集” - 萨马斯·布拉姆·汉特（Samarth Brahmbhatt），昌昌唐（Chengcheng Tang），克里斯托弗·D·特克格（Christopher D. Twigg），查尔斯·C·肯普（Charles C.“走向无标记的抓握捕获” -Samarth Brahmbhatt，Charles C. Kemp和James Hays，AR/VR计算机视觉的第三次研讨会，CVPR 2019 11.“ ContactGrasp：来自接触的功能性多手指掌握综合” - Samarth Brahmbhatt，Ankur Handa，James Hays和Dieter Fox，IEEE/RSJ国际智能机器人和系统国际会议（IROS）2019
课程vitae
[1] T. Cui和F. Pillichshammer（2025）。伯恩斯坦近似及以后：通过基本概率理论的证明，元素der Mathematik，被接受，Arxiv：2307.11533。[2] T. Cui，J。Dong，A。Jasra和X. T. Tong（2025）。数值MCMC的收敛速度和近似精度，应用概率的进步，57（1），doi：10.1017/apr.2024.28。[3] T. Cui，G。Ditommaso，R。Scheichl（2024）。多级维度独立于可能性的MCMC，用于大规模反问题，反问题，40，035005。[4] Y. Zhao和T. Cui（2024）。张量训练方法用于状态空间模型中的顺序状态和参数学习，机器学习研究杂志，接受，ARXIV：2301.09891。[5] T. Cui，H。de Sterck，A。D. Gilbert，S。Polishchuk和R. Scheichl（2024）。多层次的蒙特卡洛方法用于随机对流扩散特征值问题，《科学计算杂志》，99（3），1-34。[6] T. Cui，S。Dolgov和R. Scheichl（2024）。使用张量列车进行的深度重要性采样，并适用于先验和后验罕见的事件估计，《 Siam Scientific Computing杂志》，46（1），C1 – C29。[7] T. Cui，S。Dolgov，O。Zahm（2023）。可扩展的有条件深度逆罗森布拉特使用张量列和基于梯度的尺寸降低，计算物理学杂志，485，112103。[8] T. Cui，S。Dolgov（2022）。使用平方逆的Rosenblatt传输，计算数学基础，22（6），1863– 1922年对张量列车的深度组成。[9] T. Cui，X。T。Tong和O. Zahm（2022）。先前的标准化了贝叶斯反问题，逆问题，38（12），124002。[10] T. Cui，X。T. Tong（2022）。统一的绩效分析对信息性的子空间方法，Bernoulli，28（4），2788–2815。[11] O. Zahm，T。Cui，K。Law，Y。Marzouk和A. Spantini（2022）。非线性贝叶斯逆问题的认证维度降低，计算数学，91（336），1789–1835。[12] T. Cui，Z. Wang和Z. Zhang（2022）。通过非线性流变学，计算物理学的通信，ARXIV：2209.02088，一种用于冰川建模的变分神经网络方法。[13] L. Bian，T。Cui，B.T。 Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。[13] L. Bian，T。Cui，B.T。Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。Yeo，A。Fornito，A。Razi，J。Keith（2021）。使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div>[14] T. Cui，O。Zahm（2021）。无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。[15] J. Bardsley，T。Cui（2021）。基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。[16] C. Fox，T。Cui，M。Neumayer（2020）。随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。[17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。[18] R. Brown，J。Bardsley，T。Cui（2020）。[19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。基于功能空间的基于可扩展优化的采样，《暹罗科学计算杂志》，42（2），A1317 – A1347。贝叶斯逆问题中的晶状麦片先验的半变量图超参数估计，逆问题，36（5），055006。一种用于推断遗传调节网络的非线性反向工程方法，PEERJ，8，E9065。[20] T. Cui，C。Fox，C.，M。O'Sullivan（2019）。大规模逆问题的自适应误差模型 - 延迟 - 受众MCMC中降低的模型的随机校正，并应用于多相性逆问题，《工程数值国际杂志》，118（10），578-605。[21] T. Cui，C。Fox，G。Nicholls，M。O'Sullivan（2019）。使用平行马尔可夫链蒙特卡洛来量化地热储层校准中的不确定性，国际不确定性量化杂志，9（3），295–310。[22] S. Thiele，L。Grose，T。Cui，S。Micklethwaite，A。Cruden（2019）。从数字数据中提取高分辨率结构取向：贝叶斯方法，结构地质杂志，122，106–115。[23] C. Reboul，S。Kiesewetter，M。Eager，M。Belousoff，T。Cui，H。DeSterck，D。Elmlund，H。Elmlund（2018）。快速接近原子分辨率单粒子3D重建，简单，结构生物学杂志，204（2），172-181。[24] A. Spantini，T。Cui，K。Willcox，L。Tenorio和Y. Marzouk（2017）。贝叶斯线性反问题的面向目标的最佳近似，《暹罗科学计算杂志》，39（5），S167 – S196。[25] Z. Wang，Y。Marzouk，J。Bardsley，T。Cui和A. Solonen（2017）。贝叶斯的逆问题L 1先验：随机化 - 优化方法，Siam on Scientific Computing杂志，39（5），S140 – S166。
人工是什么意思
在当今快节奏的世界中，人工智能已成为一个广泛讨论的话题，它已从科幻小说中的概念转变为影响我们日常生活的现实。人们对人工智能及其将想象力融入日常生活的能力着迷。本文旨在探讨人工智能的概念、发展历程、各种类型的人工智能、训练模型、优势以及其多样化应用的案例。人工智能是指开发能够执行需要人类智能的任务的计算机系统。它通过机器学习、自然语言处理、计算机视觉和机器人技术等技术，帮助处理大量数据、识别模式并根据收集的信息做出决策。人工智能涵盖学习、推理、感知、解决问题、数据分析和语言理解等能力。人工智能的最终目标是创造出能够模拟人类能力并以更高的效率和精度执行各种任务的机器。人工智能领域有可能彻底改变我们日常生活的各个方面，例如虚拟个人助理、自动驾驶汽车、医疗诊断和治疗、推荐系统和欺诈检测。人工智能已融入众多行业和日常生活，展现出其多样化的应用。Siri、Google Assistant 和 Amazon Alexa 等虚拟个人助理利用人工智能进行自然语言处理和机器学习，从而提供更精准的响应。自动驾驶汽车使用人工智能算法分析传感数据，并进行实时驾驶决策。医疗保健专业人员利用 IBM Watson for Health 和 Google DeepMind 等平台，将人工智能算法应用于医疗诊断和治疗。Netflix、Amazon 和 Spotify 等在线平台利用人工智能根据用户行为和偏好提供个性化推荐。金融机构利用人工智能通过分析数据的算法实时检测欺诈活动。人工智能 (AI) 是一个复杂的决策过程，在某些领域超越了人类的能力。人工智能机器的一个关键特性是重复学习，这使它们能够从现实生活中的事件中学习并与人类互动。这种学习过程被称为机器学习，是人工智能的一个子领域。由于缺乏准确性和热情，人类难以完成重复性任务。相比之下，人工智能系统在其任务中表现出卓越的准确性。人工智能在医疗保健、零售、制造和银行等各个领域都有广泛的应用。人工智能主要分为两类：弱人工智能（Narrow AI）和强人工智能（General AI）。弱人工智能是指专为特定任务或特定范围的任务而设计的人工智能系统。这些系统在其指定领域表现出色，但缺乏广泛的认知能力。其特征包括专业化能力、应用范围有限以及缺乏意识。狭义人工智能的例子包括虚拟个人助理、推荐系统、图像识别软件、聊天机器人和自动驾驶汽车。而广义人工智能则旨在全面模拟人类智能，包括推理、解决问题、学习和适应新情况的能力。广义人工智能的特征包括类似人类的认知能力、适应性以及在各种任务和领域中概括知识的能力。目前，狭义人工智能是人工智能最常用的形式，广泛应用于各行各业。狭义人工智能的例子包括Siri和Alexa等虚拟个人助理、推荐系统、图像识别软件、聊天机器人和自动驾驶汽车。随着研究人员不断突破人工智能的界限，他们提出了不同级别的人工智能能力。广义人工智能就是这样一个概念，它被认为具有自我意识、意识和主观体验。然而，达到这一水平仍然是一个理论挑战。广义人工智能的发展仍是一个持续研究的领域。另一个极端是超级人工智能，也称为人工智能超级智能 (ASI)。这种类型的人工智能几乎在各个方面都超越了人类智能，并对社会和人类的未来产生重大影响。超级人工智能的特点包括认知优势、快速学习和适应能力，这些特点可以推动各个领域的快速发展。超级人工智能的发展也引发了人们对其潜在社会影响的担忧，包括与控制相关的风险、与人类价值观的契合度以及对人类生存的威胁。尽管目前还处于理论阶段，但研究人员正在积极探索其发展带来的影响和挑战。相比之下，反应式机器是最基本的人工智能类型，纯粹是反应式的。它们不会形成记忆，也不会利用过去的经验来做出决策。例如，IBM 的“深蓝”国际象棋超级计算机在 1997 年击败了国际象棋大师加里·卡斯帕罗夫。这些机器可以感知世界并采取行动，而无需存储任何记忆。而记忆有限的机器可以回顾过去，并根据观察结果做出决策。一个常见的例子是自动驾驶汽车，它会观察其他车辆的速度和方向，并相应地进行调整。这需要在特定时间内监控车辆的驾驶情况。这些信息不会存储在机器的经验库中。基于心智理论的机器可以理解人类的信念、情绪、期望等，并做出情绪化的反应。索菲亚就是这类人工智能的典型例子，尽管该领域的研究仍在进行中。换句话说，先进的机器正在被开发，它们对世界及其实体（包括人类和动物）有着更深入的理解。这些机器将能够回答简单的“假设”问题，并具备同理心，从而更好地理解他人的观点。更重要的飞跃是创造出具有自我意识的机器，它们能够意识到自身身份并预测他人的感受。这种智能水平将代表人工智能研究的重大突破。人工智能 (AI) 的工作原理是通过算法、计算能力和来自各种来源的数据来利用海量数据。该过程包括收集相关数据，对其进行预处理以确保其清洁度和结构化，根据任务需求选择合适的算法，使用标记或未标记数据训练模型，评估其性能，并将其部署到生产环境中执行实际任务。人工智能功能广泛而多样，涵盖各种随时间推移进行调整和改进的技术。这使得模型能够通过持续学习在动态环境中保持相关性和准确性。在线学习、迁移学习和强化学习等技术有助于从经验和反馈中获取新知识。在推理过程中，经过训练的人工智能模型会运用其学习到的模式和表征，对新数据进行预测或决策。此过程包括将输入数据输入模型，并根据模型的内部工作原理获得输出预测或分类。人工智能系统依靠数据、算法和计算能力从经验中学习、做出决策并自主执行任务。人工智能系统的具体功能取决于其架构、算法以及其设计目标任务的性质。人工智能的应用领域广泛，已被广泛应用于医疗保健、金融、零售、制造、交通运输、教育、市场营销、游戏、安全和自然语言处理等各个行业。这些应用包括诊断、患者预后预测、个性化治疗方案、信用评分、欺诈检测、客户服务、需求预测、供应链优化、智能游戏角色、面部识别、入侵检测、机器翻译、情绪分析等等。人工智能的未来很可能涉及机器学习、自然语言处理和计算机视觉的进一步发展，从而为各种应用和行业带来功能日益强大、集成度更高的系统。人工智能的潜在增长领域包括医疗保健、金融、交通、客户服务、刑事司法决策、招聘、教育以及其他涉及道德考虑的敏感领域。人工智能 (AI) 是一种使计算机和机器能够模拟人类学习、解决问题和决策等能力的技术。AI 应用程序和设备可以识别物体、理解人类语言、从新信息中学习，并向用户和专家提供建议。AI 研究的最新焦点是生成式 AI，它可以创建文本、图像和视频等原创内容。生成式 AI 依赖于机器学习 (ML) 和深度学习技术。深度学习彻底改变了机器学习领域，它使算法能够在无需人工干预的情况下从大量未标记数据集中进行预测。这项技术尤其适用于自然语言处理、计算机视觉以及其他需要在海量数据中识别复杂模式和关系的任务。因此，深度学习为我们日常生活中的大多数 AI 应用提供支持。深度学习还支持多种先进技术，包括半监督学习，它结合了监督学习和非监督学习，可以在标记数据和未标记数据上训练模型。此外，自监督学习从非结构化数据中生成隐式标签，而强化学习则通过反复试验和奖励函数进行学习。迁移学习允许将从一个任务或数据集获得的知识应用于另一个相关任务或不同的数据集。生成式人工智能是指能够根据用户的提示或请求创建复杂原始内容（例如文本、图像、视频或音频）的深度学习模型。这些模型对其训练数据的简化表示进行编码，然后从该表示中提取数据以生成与原始数据相似但不完全相同的新作品。生成式人工智能的最新进展促成了复杂的深度学习模型类型的发展，包括变分自编码器 (VAE)、扩散模型和变换器。变换器是许多备受瞩目的生成式人工智能工具的核心，例如 ChatGPT 和 GPT-4、Copilot、BERT、Bard 和 Midjourney。生成式人工智能的运作分为三个阶段：训练、调整和生成。该流程始于基础模型，这是一种深度学习模型，可作为多种不同类型生成式人工智能应用的基础。基础模型可以针对特定任务进行定制，例如文本或图像生成，并且通常基于海量数据进行训练。深度学习算法处理海量非结构化数据（TB级或PB级的文本、图像或视频），并使用基础模型根据提示自主生成内容。这一训练过程计算密集、耗时且成本高昂，需要数千个GPU和数周的处理时间，总计数百万美元。像Meta的Llama-2这样的开源基础模型项目使开发人员能够绕过这一步骤及其成本。为了针对特定的内容生成任务对模型进行微调，开发者可以使用诸如标记数据微调或人工反馈强化学习 (RLHF) 等技术。这需要向模型输入特定于应用的问题或提示以及正确答案。开发者定期评估其生成式 AI 应用的输出，进一步调整模型以提高准确性或相关性。另一种方法是检索增强生成 (RAG)，它通过整合训练数据以外的相关来源来扩展基础模型，从而优化参数以提高准确性或相关性。生成式 AI 为各行各业和应用带来了诸多优势，包括重复性任务的自动化、更快地从数据中获取洞察、增强决策能力、减少人为错误、全天候可用以及降低物理风险。AI 可以自动化日常任务，使人类能够专注于创造性工作。它能够做出更快、更准确的预测和可靠的决策，使其成为决策支持或全自动决策的理想选择。AI 通过引导人们完成流程、标记潜在错误以及在无人干预的情况下自动执行任务来减少人为错误，尤其是在医疗保健等精准度至关重要的行业。随着机器学习算法接触更多数据并从经验中学习，其准确性不断提高，错误也随之减少。人工智能始终在线，全天候提供一致的结果。人工智能可以通过使用聊天机器人或虚拟助手来简化客户服务或支持的人员需求。它还可以简化生产流程，保持一致的产出水平，并自动执行那些可能危及人类工人的危险任务。例如，自动驾驶汽车可以降低乘客受伤风险。人工智能的实际应用包括通过聊天机器人改善客户服务、检测欺诈交易、个性化客户体验以及简化招聘流程。此外，人工智能代码生成工具可以加速应用程序开发，而预测性维护模型可以防止设备故障和停机。人工智能的快速应用带来了诸多好处，但也带来了挑战和风险。人工智能系统依赖的数据集可能容易受到篡改、偏见或网络攻击，从而损害其完整性和安全性。为了降低这些风险，组织必须在从开发到部署的整个人工智能生命周期中保护数据完整性。威胁行为者会针对人工智能模型进行盗窃、逆向工程或未经授权的操作，这可能会损害模型的架构、权重或参数。此外，还存在诸如模型漂移、偏差和治理结构崩溃等运营风险。如果不加以解决，这些风险可能会导致系统故障和网络安全漏洞，而威胁行为者可能会利用这些漏洞。为了优先考虑安全和道德，组织必须开发透明、可解释、公平的人工智能系统，包容、稳健、安全且可问责。人工智能伦理是一个多学科领域，旨在优化人工智能的有益影响，同时降低风险。人工智能伦理的原则包括可解释性、公平性和透明性。可解释的人工智能使人类用户能够解读算法产生的结果和输出。公平性和包容性要求在数据收集和模型设计过程中最大限度地减少算法偏差。建立多元化的团队对于创建包容性的人工智能系统至关重要。稳健的人工智能能够处理异常情况而不会造成损害，能够抵御有意和无意的干扰，并防止漏洞。问责制要求对人工智能的开发、部署和结果建立明确的责任和治理结构。与人工智能伦理相关的共同价值观包括可解释性、公平性、包容性、稳健性、安全性、问责制、透明性和责任感。用户必须了解人工智能的开发方式、功能、优势和劣势。提高透明度可以为人工智能模型和服务的创建提供宝贵的见解。确保隐私和合规性至关重要，因为像《通用数据保护条例》（GDPR）这样的监管框架要求组织保护个人信息。这包括保护可能包含敏感数据的人工智能模型，并开发能够适应不断变化的法规的适应性系统。研究人员根据人工智能的复杂程度对其进行了分类：弱人工智能（狭义人工智能）执行特定任务，而强人工智能（通用人工智能，AGI）则具有理解、学习和应用知识处理各种任务的能力，超越人类智能。具有自我意识的人工智能系统的概念仍是一个有争议的话题。人工智能发展的关键里程碑包括：- 1950 年：艾伦·图灵出版了《计算机器与智能》，提出了“机器能思考吗？”的问题，并提出了图灵测试。- 1956 年：约翰·麦卡锡在达特茅斯学院的第一次人工智能会议上提出了“人工智能”一词。- 1967 年：弗兰克·罗森布拉特制造了 Mark 1 感知器，这是一台基于通过反复试验进行学习的神经网络的计算机。- 1980 年：使用反向传播算法的神经网络在人工智能开发中得到广泛应用。 1995年，斯图尔特·罗素和彼得·诺维格出版了《人工智能：一种现代方法》，这是一本关于人工智能的权威教科书，探讨了人工智能的四个潜在目标或定义。大约在同一时期，IBM的“深蓝”国际象棋系统在一场对决中击败了世界冠军加里·卡斯帕罗夫。大数据和云计算时代到来，使企业能够管理用于训练人工智能模型的大型数据资产。21世纪初，人工智能取得了重大进展，包括约翰·麦卡锡在其2004年的论文《什么是人工智能？》中对人工智能的定义。数据科学开始成为一门热门学科，IBM Watson击败了《危险边缘！》冠军肯·詹宁斯和布拉德·鲁特。2015年，百度的 Minwa 超级计算机使用卷积神经网络识别图像的准确率高于人类。同年，在 DeepMind 的 AlphaGo 程序击败世界围棋冠军李索孛后，谷歌以 4 亿美元收购了 DeepMind。2020 年代，大型语言模型 (LLM) 兴起，例如 OpenAI 的 ChatGPT，它们显著提高了人工智能性能和推动企业价值的潜力。生成式人工智能实践使深度学习模型能够在大型数据集上进行预训练。截至 2024 年，人工智能趋势表明它将持续复兴，多模态模型通过结合计算机视觉和 NLP 功能提供更丰富的体验。IBM 强大的人工智能战略：推进值得信赖的人工智能以获得竞争优势一种利用人工智能力量的全面方法，包括创造竞争优势、在整个业务中扩展人工智能以及推进值得信赖的人工智能。