1955 年 13 月，一群學者提交了 500 美元的資金申請，以便在新罕布什爾州達特茅斯學院舉辦夏季研討會。 他們提議探索的領域是人工智能（AI）。 儘管資金要求不高，但研究人員的假設並非如此：“原則上，學習的每個方面或智能的任何其他特徵都可以如此精確地描述，以至於可以建造一台機器來模仿它。”
由於這些不起眼的開端，電影和媒體已經將 AI 浪漫化或將其描繪成惡棍。 然而，對於大多數人來說，人工智能仍然只是一個爭論的問題，而不是有意識的生活體驗的一部分。
上個月底，人工智能以 ChatGPT 已經突破科幻小說的猜測和研究實驗室，進入普通大眾的台式機和手機。 這就是所謂的“生成式 AI”——意想不到的智能措辭提示可以寫一篇文章或製作食譜和購物清單，或創作一首貓王風格的詩。
儘管 ChatGPT 是生成人工智能成功的一年中最令人印象深刻的參賽者，像這樣的系統已經顯示出創造新內容的更大潛力，文本到圖像的提示被用來創造甚至贏得藝術比賽的生動圖像。 人工智能可能還沒有活生生的意識，也沒有科幻電影和小說中流行的心智理論，但它正在接近至少顛覆我們認為人工智能係統可以做的事情。
與這些系統密切合作的研究人員對智能的前景感到震驚，例如穀歌的 LaMDA 大型語言模型 (LLM)。 LLM 是一種經過訓練可以處理和生成自然語言的模型。
生成式 AI 還引發了對剽竊、利用原始內容構建模型、信息操縱和濫用信任的道德規範，甚至是“編程終結”的擔憂。
人工智能究竟意味著什麼？
所有這一切的核心是一個自達特茅斯夏季研討會以來其相關性一直在增長的問題：AI 與人類智能不同嗎？ 為了被視為人工智能，系統必須展示一定程度的學習和適應能力。 因此，決策、自動化和統計系統都不是人工智能。 從廣義上講，人工智能分為兩大類：狹義人工智能（AI）和通用人工智能（AI）。 目前，SHI 不存在。 構建通用 AI 的一個關鍵挑戰是以一致且有用的方式利用整個知識體係對世界進行充分建模。 委婉地說，這是一項大規模的任務。
我們今天所知道的大多數人工智能都具有狹義智能——特定係統解決特定問題。 與人類智能不同，這種狹義的 AI 智能僅在其接受過訓練的領域有效：例如欺詐檢測、面部識別或社交推薦。 人工智能將以與人相同的方式運作。 目前，嘗試實現這一目標的最突出例子是使用神經網絡和對大量數據進行訓練的深度學習。
神經網絡的靈感來自於人腦的工作方式。 與大多數對訓練數據執行計算的機器學習模型不同，神經網絡的工作方式是通過互連網絡依次饋送每個數據點，每次調整參數。 隨著越來越多的數據通過網絡輸入，參數穩定下來，形成一個“訓練有素”的神經網絡，然後可以在新數據上產生所需的輸出——例如，識別圖像中是否包含貓或狗。
當今人工智能發展的重大飛躍是由於學習大型神經網絡方法的技術改進，由於大型雲計算基礎設施的能力，允許在每次運行期間調整大量參數。 例如，GPT-3（為 ChatGPT 提供動力的人工智能係統）是一個擁有 175 億個參數的大型神經網絡。
人工智能工作需要什麼？
人工智能需要三樣東西才能成功工作。 首先，他需要高質量、客觀的數據，而且是大量的數據。 構建神經網絡的研究人員使用由於社會數字化而出現的大量數據。
作為人類程序員的補充，Co-Pilot 從託管在 GitHub 上的數十億行代碼中提取數據。 ChatGPT 和其他大型語言模型使用互聯網上存儲的數十億個網站和文本文檔。
文本到圖像轉換工具，例如 穩定擴散, 達爾-2 和 Midjourney，使用來自 LAION-5B 等數據集的圖像-文本對。 隨著我們將更多的生活數字化並為它們提供替代數據源，例如模擬數據或來自 Minecraft 等遊戲設置的數據，人工智能模型將繼續發展。
人工智能還需要計算基礎設施來進行有效訓練。 隨著計算機變得越來越強大，現在需要大量工作和大規模計算的模型在不久的將來可能會在本地處理。 例如，Stable Diffusion 模型已經可以在本地計算機上運行，而不是在雲環境中運行。 人工智能的第三個需求是改進模型和算法。 數據驅動系統在曾經被認為是人類認知領域的領域繼續取得快速進步。
然而，由於我們周圍的世界在不斷變化，人工智能係統需要不斷地使用新數據進行再訓練。 如果沒有這一重要步驟，人工智能係統將給出事實上不正確的答案，或者不考慮自訓練以來出現的新信息。
神經網絡並不是人工智能的唯一方法。 人工智能研究中另一個值得注意的陣營是符號人工智能——它不是消化大量數據，而是依賴於類似於人類形成某些現象的內部符號表示的過程的規則和知識。
但在過去十年中，力量平衡嚴重傾向於數據驅動方法，現代深度學習的“創始人”最近獲得了圖靈獎，相當於計算機科學領域的諾貝爾獎。
數據、計算和算法構成了未來人工智能的基礎。 所有指標都表明在可預見的未來所有三個類別都將取得快速進展。