ai的技术阶段

简介: 【6月更文挑战第22天】ai的技术阶段

ai的技术阶段

人工智能(AI)的技术发展可分为起步发展期、反思发展期、应用发展期、低迷发展期、稳步发展期和蓬勃发展期。这些阶段不仅标志着AI技术的进步,也反映了社会对AI技术的接受程度及其在实际应用中的探索。以下是对这些阶段的详细分析:

  1. 起步发展期
    • 时间范围:1956年—20世纪60年代初。
    • 重要事件:1956年,麦卡锡、明斯基等科学家在美国达特茅斯学院首次提出“人工智能”概念,揭开了AI研究的序幕[^2^]。随之出现了机器定理证明、跳棋程序等研究成果,掀起了人工智能的第一个高潮。
  2. 反思发展期
    • 时间范围:20世纪60年代—70年代初。
    • 重要事件:人们开始尝试更具挑战性的任务,并提出了一些不切实际的研发目标。然而,由于预期目标的落空,如无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等,人工智能进入低谷[^2^]。
  3. 应用发展期
    • 时间范围:20世纪70年代初—80年代中。
    • 重要事件:专家系统的出现,模拟人类专家的知识和经验解决特定领域的问题,实现了从理论研究走向实际应用的重大突破。专家系统在医疗、化学、地质等领域取得成功,推动人工智能进入应用发展的新高潮[^2^]。
  4. 低迷发展期
    • 时间范围:20世纪80年代中—90年代中。
    • 重要事件:随着人工智能应用规模的扩大,专家系统暴露出应用领域狭窄、缺乏常识性知识、知识获取困难等问题,导致人工智能进入另一个低迷期[^2^]。
  5. 稳步发展期
    • 时间范围:20世纪90年代中—2010年。
    • 重要事件:网络技术尤其是互联网技术的发展,加速了人工智能的创新研究,促使AI进一步实用化。标志性事件包括1997年IBM深蓝超级计算机战胜国际象棋世界冠军卡斯帕罗夫,以及2008年IBM提出“智慧地球”的概念[^2^]。
  6. 蓬勃发展期
    • 时间范围:2011年至今。
    • 重要事件:大数据、云计算、互联网、物联网等信息技术的发展,推动了以深度神经网络为代表的人工智能技术飞速发展。图像分类、语音识别、知识问答、人机对弈、无人驾驶等技术取得重大突破,AI迎来爆发式增长的新高潮[^2^][^3^]。

总的来说,人工智能的技术阶段展示了其从起步到蓬勃发展的历程。未来,随着技术的不断进步和社会需求的提升,AI将在更多领域发挥更广泛的应用,带来更大的社会变革和影响。面对这些变化,相关从业者需密切关注行业动态,适时调整策略,确保紧跟时代步伐。

目录
相关文章
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
AI技术深度解析:从基础到应用的全面介绍
人工智能(AI)技术的迅猛发展,正在深刻改变着我们的生活和工作方式。从自然语言处理(NLP)到机器学习,从神经网络到大型语言模型(LLM),AI技术的每一次进步都带来了前所未有的机遇和挑战。本文将从背景、历史、业务场景、Python代码示例、流程图以及如何上手等多个方面,对AI技术中的关键组件进行深度解析,为读者呈现一个全面而深入的AI技术世界。
66 10
|
3天前
|
机器学习/深度学习 人工智能 物联网
AI赋能大学计划·大模型技术与应用实战学生训练营——湖南大学站圆满结营
12月14日,由中国软件行业校园招聘与实习公共服务平台携手魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·湖南大学站圆满结营。
AI赋能大学计划·大模型技术与应用实战学生训练营——湖南大学站圆满结营
|
7天前
|
人工智能 安全 算法
深度剖析 打造大模型时代的可信AI:技术创新与安全治理并重
2024年12月11日,由中国计算机学会计算机视觉专委会主办的“打造大模型时代的可信AI”论坛在上海举行。论坛汇聚了来自多家知名学术机构和企业的顶尖专家,围绕AI的技术风险与治理挑战,探讨如何在大模型时代确保AI的安全性和可信度,推动技术创新与安全治理并行。论坛重点关注计算机视觉领域的最新进展,提出了多项技术手段和治理框架,为AI的健康发展提供了有力支持。
42 8
深度剖析 打造大模型时代的可信AI:技术创新与安全治理并重
|
7天前
|
机器学习/深度学习 人工智能 运维
阿里云技术公开课直播预告:基于阿里云 Elasticsearch 构建 AI 搜索和可观测 Chatbot
阿里云技术公开课预告:Elastic和阿里云搜索技术专家将深入解读阿里云Elasticsearch Enterprise版的AI功能及其在实际应用。
阿里云技术公开课直播预告:基于阿里云 Elasticsearch 构建 AI 搜索和可观测 Chatbot
|
18天前
|
机器学习/深度学习 存储 人工智能
【AI系统】离线图优化技术
本文回顾了计算图优化的各个方面,包括基础优化、扩展优化和布局与内存优化,旨在提高计算效率。基础优化涵盖常量折叠、冗余节点消除、算子融合、算子替换和算子前移等技术。这些技术通过减少不必要的计算和内存访问,提高模型的执行效率。文章还探讨了AI框架和推理引擎在图优化中的应用差异,为深度学习模型的优化提供了全面的指导。
37 5
【AI系统】离线图优化技术
|
6天前
|
机器学习/深度学习 传感器 人工智能
AI视频监控系统在养老院中的技术实现
AI视频监控系统在养老院的应用,结合了计算机视觉、深度学习和传感器融合技术,实现了对老人体征、摔倒和异常行为的实时监控与分析。系统通过高清摄像头和算法模型,能够准确识别老人的动作和健康状况,并及时向护理人员发出警报,提高护理质量和安全性。
41 14
|
7天前
|
传感器 机器学习/深度学习 人工智能
AI视频监控卫士技术介绍:智能化河道管理解决方案
AI视频监控卫士系统,通过高清摄像头、智能传感器和深度学习技术,实现河道、水库、城市水务及生态保护区的全天候、全覆盖智能监控。系统能够自动识别非法行为、水质变化和异常情况,并实时生成警报,提升管理效率和精准度。
41 13
|
6天前
|
存储 人工智能 运维
AI-Native的路要怎么走?一群技术“老炮儿”指明了方向
上世纪70年代,沃兹尼亚克、乔布斯等人成立Homebrew Computer Club,推动个人电脑普及。如今,创原会承袭这一精神,由CNCF执行董事Priyanka Sharma等构建,聚焦云原生和AI技术,汇聚各行业技术骨干,探索前沿科技。2024年创原会年度峰会达成“全面拥抱AI-Native”共识,解决算力与存储瓶颈,推动AI原生应用开发,助力千行万业智能化转型,成为行业创新风向标。
|
7天前
|
人工智能 计算机视觉
幻觉不一定有害,新框架用AI的幻觉优化图像分割技术
在图像分割领域,传统方法依赖大量手动标注数据,效率低下且难以适应复杂场景。为解决这一问题,研究人员提出了“任务通用可提示分割”方法,利用多模态大型语言模型(MLLM)生成实例特定提示。然而,MLLM常出现幻觉,影响分割精度。为此,研究团队开发了“Prompt-Mask Cycle”(ProMaC)框架,通过迭代生成和验证提示及掩码,有效利用幻觉信息,提高了分割精度和效率。实验结果表明,ProMaC在多个基准数据集上表现出色,为图像分割技术的发展提供了新思路。
21 6
|
12天前
|
机器学习/深度学习 人工智能 监控
AI视频监控技术的核心优势与实践
AI视频监控技术结合了计算机视觉、深度学习和大数据分析,能够实时分析监控画面,识别异常行为和场景变化。其核心在于从“被动记录”转型为“主动识别”,提升监控效率并减少安全隐患。主要应用场景包括泳池管理、健身器械区域、人员密度预警和异常事件检测。系统架构支持多种摄像头设备,采用边缘计算和Docker部署,具备实时性、高准确率和扩展性等优势。未来将优化复杂场景适应性和实时计算负载,进一步提高系统性能。

热门文章

最新文章