人工智能一些基础概念与应用场景学习笔记
AI发展经历了从规则系统到统计学习，再到基于Transformer架构的大模型演进。核心要素包括数据、算法和算力，2017年后大模型展现出涌现效应，参数量超6B时性能显著提升。主要类型涵盖NLP、CV、多模态及科学预测等。AI范式从算法为中心转向数据为中心，训练关键取决于数据规模与质量。模型分为可解释的白盒设计和数据驱动的黑盒设计，神经网络属于深度学习范畴。三大学习范式为自监督、监督和强化学习。A
·
- AI发展：基于规则，统计学习，大模型，类人学习
- 核心三要素：数据、算法、算力
- 2017年开始的transformer--gpt
- ai大模型定义：使用transformer架构，参数量较大，与训练、微调机制；涌现效应，参数达到一定规模后，模型准确率大幅度提升；参数量起步在6B以上
- 典型类型：
- 自然语言处理，nlp大模型
- 计算机视觉，cv大模型，如工业质检
- 多模态，看图说话
- 科学计算，AI4S大模型，如气象预测、基因分析
- 预测大模型，回归预测、异常检测，如制造业的工艺预测等
- 以算法为中心到以数据为中心，是AI大模型带来的重大范式转移。模型训练关键因素：数据规模+质量
- 算法理论基础：业务抽象成数据模型的表达式
- 建模（建立关系表达--算法），训练（参数），微调，推理
- 算法模型理论体系：白盒设计+黑盒设计
- 白盒：要求更加深入了解业务逻辑，直接设计算法模型
- 黑盒：大量训练数据和标签，训练黑盒模型
- 选择原则：“能说清楚的”用白盒，“说不清楚”需要从数据中学习的，用黑盒
- 神经网络
- 范畴：人工智能>机器学习〉深度学习
- 人工智能：专家系统、复杂系统、定理证明、事实与规则
- 机器学习：人工设计、可解释，数据规模较小；随机森林、决策树、贝叶斯学习、SVN向量机
- 深度学习：数据中学习，黑盒，数据规模较大；NN 、CNN、 RNN
- 三大学习范式：自监督学习、监督学习、强化学习。可分别形容为：自习课、常规授课（人类标注数据）、习题课（用环境活模型作为监督信号）
- 训练和推理：
- 开发态：AI训练，不断数据、学习，形成模型/算法
- 部署态：AI推理，利用已训练好的规则，完成具体任务
- AI计算用NPU（神经网络处理单元）/GPU（图像处理器）而不是CPU（中央处理器）？能够处理计算密集型、高并发任务。
- 通用人工智能三大里程碑：
- 超级应用
- 科学人工智能（AI4S）
- 机器人工智能：ai+机器人
更多推荐
7
0- 0
已为社区贡献1条内容
所有评论(0)