AI大模型基础概念

什么是人工智能？

人工智能 (AI) 是一种使计算机和机器能够模拟人类智能和解决问题能力的技术。

人工智能 (AI) 可以单独使用或与其他技术（例如，传感器、地理定位、机器人）相结合，执行原本需要人类智能或人工干预的任务。数字助理、GPS 制导、自动驾驶汽车和生成式 AI 工具（如 Open AI 的 Chat GPT）只是日常新闻和我们日常生活中 AI 的几个例子。

作为计算机科学的一个领域，人工智能包括（并经常一起提及）机器学习和深度学习。这些学科涉及以人脑决策过程为模型的 AI 算法的开发，这些算法可以从可用数据中“学习”，并随着时间的推移做出越来越准确的分类或预测。

人工智能已经历多次炒作周期，但即使对怀疑论者来说，ChatGPT 的发布似乎也标志着一个转折点。上一次生成式 AI 能让人如此忧心忡忡的时候，还是因为在计算机视觉方面取得突破，而现在的飞跃则是在自然语言处理 (NLP) 方面。如今，生成式 AI 不仅可以学习和合成语言，还可以学习和合成其他数据类型，包括图像、视频、软件代码甚至分子结构。

AI 的应用每天都在增长。但随着 AI 工具在商业中的使用大肆宣传，围绕 AI 伦理和负责任的 AI 的对话变得至关重要。

深度学习与机器学习的对比

机器学习和深度学习是 AI 的子学科，而深度学习是机器学习的子学科。

机器学习和深度学习算法都使用神经网络来从大量数据中“学习”。这些神经网络是以人脑决策过程为模型的编程结构。它们由相互连接的节点层组成，这些节点从数据中提取特征并预测数据所代表的内容。

机器学习和深度学习在所使用的神经网络类型以及涉及的人为干预程度上有所不同。经典机器学习算法使用具有输入层、一个或两个“隐藏”层和一个输出层的神经网络。通常，这些算法仅限于监督学习：数据需要由人类专家进行结构化或标记，以使算法能够从数据中提取特征。

深度学习算法使用深度神经网络 - 由一个输入层、三个或更多（但通常数百个）隐藏层和一个输出布局组成的网络。这些多层级结构可以实现无监督学习：它们可以自动从大型、未标记和非结构化数据集中提取特征。它不需要人工干预，所以深度学习本质上实现了大规模的机器学习。

人工智能应用

如今，AI 系统有许多实际应用。以下是一些最常见的用例：

语音识别

语音识别也称为自动语音识别 (ASR)、计算机语音识别或 Speech to Text，它使用 NLP 将人类语音处理成书面格式。许多移动设备将语音识别技术集成到其系统中，以进行语音搜索（比如 Siri），或者提供更多关于英语或许多广泛使用的语言中发送短信的可访问性。

客户服务

在线虚拟代理和聊天机器人正在客户旅程中取代人工代理。它们可以回答有关运输等主题的常见问题 (FAQ)，或者提供个性化建议、交叉销售产品或为用户建议规格等，从而改变了我们所设想的网站和社交媒体平台中的客户参与方式。示例包括：电子商务网站上带有虚拟代理的消息传递机器人；Slack 和 Facebook Messenger 等消息传递应用平台；以及通常由虚拟助手和语音助手完成的任务。

计算机视觉

这种 AI 技术使计算机和系统将能够从数字图像、视频和其他视觉输入中获取有意义的信息，并根据这些输入采取行动。这种提供建议的能力让它有别于图像识别任务。在卷积神经网络的支持下，计算机视觉可应用于社交媒体中的照片标记、医疗保健中的放射成像以及汽车行业中的自动驾驶汽车。

供应链

自适应机器人根据物联网 (IoT) 设备信息以及结构化和非结构化数据做出自主决策。NLP 工具可以理解人类的语音，并对他们听到的内容做出反应。预测分析应用于需求响应、库存和网络优化、预防性维护和数字化制造。搜索和模式识别算法（不再只是预测性的，而是分层的）分析实时数据，帮助供应链对机器生成的增强智能作出反应，同时提供即时可见性和透明度。

天气预报

广播公司依赖的天气模型由超级计算机上运行的复杂算法组成，用于进行准确预测。机器学习技术增强了这些模型，使其更具适用性和精确性。

异常检测

AI 模型可以梳理大量数据，并在数据集中发现非典型数据点。这些异常现象可以提高人们对设备故障、人为错误或网络安全漏洞的认识。

大模型落地应用案例集

国内公司的 AI 大模型研发虽然比国外公司晚，但是发展却异常地迅速，其内在逻辑便是：本土企业和学者对深度学习技术的深入理解与创新。在大模型的底层技术已经固定的时代，他们靠着持续的探索和努力才能构建出秀丽的“上层建筑”。

在OpenAI发布ChatGPT之前，国内的一些企业就已经押注AI大模型技术：例如2021 年 4