1955 年 13 月，一群学者提交了 500 美元的资金申请，以便在新罕布什尔州达特茅斯学院举办夏季研讨会。 他们提议探索的领域是人工智能（AI）。 尽管资金要求不高，但研究人员的假设并非如此：“原则上，学习的每个方面或智能的任何其他特征都可以如此精确地描述，以至于可以建造一台机器来模仿它。”
由于这些不起眼的开端，电影和媒体已经将 AI 浪漫化或将其描绘成恶棍。 然而，对于大多数人来说，人工智能仍然只是一个争论的问题，而不是有意识的生活体验的一部分。
上个月底，人工智能以 ChatGPT 已经突破科幻小说的猜测和研究实验室，进入普通大众的台式机和手机。 这就是所谓的“生成式 AI”——意想不到的智能措辞提示可以写一篇文章或制作食谱和购物清单，或创作一首猫王风格的诗。
虽然 ChatGPT 是生成人工智能成功的一年中最令人印象深刻的参赛者，像这样的系统已经显示出创造新内容的更大潜力，文本到图像的提示被用来创造甚至赢得艺术比赛的生动图像。 AI 可能还没有活生生的意识或科幻电影和小说中流行的心智理论，但它正在接近至少颠覆我们认为人工智能系统可以做的事情。
与这些系统密切合作的研究人员对智能的前景感到震惊，例如谷歌的 LaMDA 大型语言模型 (LLM)。 LLM 是一种经过训练可以处理和生成自然语言的模型。
生成式 AI 还引发了对剽窃、利用原始内容构建模型、信息操纵和滥用信任的道德规范，甚至是“编程终结”的担忧。
人工智能究竟意味着什么？
所有这一切的核心是一个自达特茅斯夏季研讨会以来其相关性一直在增长的问题：AI 与人类智能不同吗？ 为了被视为人工智能，系统必须展示一定程度的学习和适应能力。 因此，决策、自动化和统计系统都不是人工智能。 从广义上讲，人工智能分为两大类：狭义人工智能（AI）和通用人工智能（AI）。 目前，SHI 不存在。 构建通用 AI 的一个关键挑战是以一致且有用的方式利用整个知识体系对世界进行充分建模。 委婉地说，这是一项大规模的任务。
我们今天所知道的大多数人工智能都具有狭义智能——特定系统解决特定问题。 与人类智能不同，这种狭义的 AI 智能仅在其接受过训练的领域有效：例如欺诈检测、面部识别或社交推荐。 人工智能将以与人相同的方式运作。 目前，尝试实现这一目标的最突出例子是使用神经网络和对大量数据进行训练的深度学习。
神经网络的灵感来自于人脑的工作方式。 与大多数对训练数据执行计算的机器学习模型不同，神经网络的工作方式是通过互连网络依次馈送每个数据点，每次调整参数。 随着越来越多的数据通过网络输入，参数稳定下来，形成一个“训练有素”的神经网络，然后可以在新数据上产生所需的输出——例如，识别图像中是否包含猫或狗。
当今人工智能发展的重大飞跃是由于学习大型神经网络方法的技术改进，由于大型云计算基础设施的能力，允许在每次运行期间调整大量参数。 例如，GPT-3（为 ChatGPT 提供动力的人工智能系统）是一个拥有 175 亿个参数的大型神经网络。
人工智能工作需要什么？
人工智能需要三样东西才能成功工作。 首先，他需要高质量、客观的数据，而且是大量的数据。 构建神经网络的研究人员使用由于社会数字化而出现的大量数据。
作为人类程序员的补充，Co-Pilot 从托管在 GitHub 上的数十亿行代码中提取数据。 ChatGPT 和其他大型语言模型使用互联网上存储的数十亿个网站和文本文档。
文本到图像转换工具，例如 稳定扩散, FROM-2 和 Midjourney，使用来自 LAION-5B 等数据集的图像-文本对。 随着我们将更多的生活数字化并为它们提供替代数据源，例如模拟数据或来自 Minecraft 等游戏设置的数据，人工智能模型将继续发展。
人工智能还需要计算基础设施来进行有效训练。 随着计算机变得越来越强大，现在需要大量工作和大规模计算的模型在不久的将来可能会在本地处理。 例如，Stable Diffusion 模型已经可以在本地计算机上运行，而不是在云环境中运行。 人工智能的第三个需求是改进模型和算法。 数据驱动系统在曾经被认为是人类认知领域的领域继续取得快速进步。
然而，由于我们周围的世界在不断变化，人工智能系统需要不断地使用新数据进行再训练。 如果没有这一重要步骤，人工智能系统将给出事实上不正确的答案，或者不考虑自训练以来出现的新信息。
神经网络并不是人工智能的唯一方法。 人工智能研究中另一个值得注意的阵营是符号人工智能——它不是消化大量数据，而是依赖于类似于人类形成某些现象的内部符号表示的过程的规则和知识。
但在过去十年中，力量平衡严重倾向于数据驱动方法，现代深度学习的“创始人”最近获得了图灵奖，相当于计算机科学领域的诺贝尔奖。
数据、计算和算法构成了未来人工智能的基础。 所有指标都表明在可预见的未来所有三个类别都将取得快速进展。