如今，当你浏览互联网时，你很可能会发现各种形式的人工智能元素随处可见。
这已经不再是科幻电影中的情节了。
从手机的自动更正功能到 Netflix 推荐，再到现在打开的 ChatGPT 标签，它并不像 TikTok 病毒式的轰动效应那样一夜之间就出现，而是一直存在并在我们眼前不断演变。
从 "如果机器能够思考该怎么办 "到 "ChatGPT，给我列出一个为期一年的商业战略"，我们走过了多么令人惊叹的历程。
在整个发展过程中，人工智能经历了许多失败和突破，也产生了许多杰出的思想家。
在这篇文章中，我们不仅要回顾过去，还要了解人工智能是如何成为日常对话的一部分的。
剧透提醒：它所涉及的数学焦虑和生存恐惧比你想象的要多得多。
主要收获
- 人工智能研究始于 20 世纪 40 年代，早期的计算机先驱们梦想着拥有会思考的机器。
- 1956 年，该领域在达特茅斯会议上正式启动，并创造了 "人工智能 "一词。
- 人工智能经历了多个 "冬天"，资金枯竭，聚光灯逐渐暗淡。
- 现代人工智能的突破来自于海量数据集与强大计算能力的结合。
- 今天的生成式人工智能代表了人类 70 年雄心壮志的最新篇章。
人工智能如何从理论走向现实
把人工智能的历史想象成你最喜欢的乐队的职业生涯。
这要从地下时期说起，那时只有真正的粉丝才会关注。
然后，主流突破出现了，每个人都说他们预料到了。
再也不用担心人工智能检测到你的短信了 Undetectable AI 可以帮助您：
- 让人工智能辅助写作显现出来 像人一样
- 旁路 只需点击一下，就能使用所有主要的人工智能检测工具。
- 使用 人工智能 安全地 和 自信地 在学校和工作中。
几次失败和复出之后，它们突然变得无处不在，你的父母也开始打听它们。
人工智能正是沿着这一轨迹发展的。早期的研究人员并没有试图 建立 ChatGPT.
他们提出了一些基本问题：机器会思考吗？它们能学习吗？它们能像人类一样解决问题吗？
答案是 "算是吧，但很复杂"。
人工智能的起源（20 世纪 50 年代前）
在有电脑之前，我们有梦想家。古代神话讲述了人造生命的故事。
希腊神话中的塔洛斯是保护克里特岛的青铜巨人。犹太民间传说中的 "鹅精"，是一种用神秘的语言赋予生命的黏土生物。
但真正的人工智能起源故事要从二战期间的艾伦-图灵说起。图灵破解了纳粹的密码，为现代计算奠定了基础。说到多任务处理
1936 年，图灵 提出了通用计算器的概念.
如果得到正确的指令，这个理论装置可以进行任何计算。
这听起来有点无聊，直到你意识到这个想法成为了你使用过的每台电脑的基础，包括你正在阅读本文的这台电脑。
战争加速了一切，创造了 需要 创新。突然之间，政府将预算用于任何可能为其带来优势的技术。
第一台电子计算机就是在这种高压锅环境下诞生的。
像 ENIAC 这样的机器占满了整个房间，需要工程师团队才能操作，但它们可以在几秒钟内计算出人类需要几个小时才能计算出的结果。
到了 20 世纪 40 年代末，研究人员开始思考：如果这些机器能够计算，它们能思考吗？
1950s:人工智能的诞生
1956 年是人工智能的主角时刻。一群研究人员聚集在新罕布什尔州的达特茅斯学院，参加一个将改变一切的夏季研讨会。
约翰-麦卡锡、马文-明斯基、纳撒尼尔-罗切斯特和克劳德-香农基本上把自己关在一个房间里，决定创造会思考的机器。
他们 创造了 "人工智能 "一词 并制定了雄心勃勃的路线图。
这些研究人员相信，在一代人的时间里，机器将能够解决人类能够解决的任何问题。
最终，他们相差了几十年，但他们的自信令人钦佩。
达特茅斯会议使人工智能成为一个合法的研究领域。
突然之间，各所大学纷纷建立人工智能实验室，各国政府纷纷开出支票，研究人员也对未来做出了大胆的预测。
艾伦-图灵（Alan Turing）已经通过他著名的测试给了他们一个良好的开端。
图灵测试提出了一个简单的问题：如果你正在与某物对话，却无法分辨它是人类还是机器，这重要吗？
这是 "不成功便成仁 "的终极哲学，如今依然适用。
20 世纪 60-70 年代：早期乐观主义和首批模型
20 世纪 60 年代伊始，研究势头迅猛。研究人员拥有资金、媒体的关注和明确的使命。还能出什么问题呢？
事实证明，一切都是如此。
早期的人工智能程序在受控环境下运行良好，但在面对现实世界的复杂性时就会崩溃。
这就好比你在自家车道上打篮球很厉害，但在真正的比赛中却完全瘫痪了。
ELIZA约瑟夫-韦曾鲍姆于 1964 年发明了该设备，它可以通过识别关键字进行对话，并用预先编好的短语做出回应。
它是 Magic 8-Ball 玩具的升级版，深受人们喜爱。
ELIZA 的工作原理是模式匹配和替换。如果你说 "我很伤心"，它可能会回答 "你为什么伤心？
这个程序很简单，但却很有效，足以骗过一些用户，让他们以为自己在与真正的治疗师交谈。当人们开始对他的程序产生情感依赖时，魏岑鲍姆感到非常震惊。
检测不到的人工智能 询问人工智能 工作原理类似。您可以用它来模拟或解释早期的人工智能模型（如 ELIZA）与现代语言模型相比是如何工作的。
然而，两者之间的差距是惊人的。ELIZA 玩的是单词联想，而今天的人工智能能够真正理解上下文，并产生连贯的反应。
与此同时，研究人员正在攻克更加雄心勃勃的项目。 特里-维诺格拉德的《SHRDLU 可以理解和操纵由积木组成的虚拟世界中的物体。
它可以遵循复杂的指令，比如 "把红色积木放在绿色积木上面，但首先要把蓝色积木移开"。
SHRDLU 令人印象深刻，但它只能在狭小的区块世界中运行。如果把它扩展到现实世界，它就会比期末考试周的笔记本电脑更容易崩溃。
问题不仅仅是技术上的。研究人员发现，智力比他们想象的要复杂得多。
人类毫不费力就能做到的事情，比如识别人脸或理解讽刺，对机器来说却难上加难。
1980s:专家系统和商业人工智能
就在所有人都以为人工智能已死的时候，它又卷土重来。20 世纪 80 年代，人工智能带来了专家系统，突然之间，人工智能开始真正赚钱了。
专家系统与早期的人工智能方法不同。它们并不试图复制一般智能，而是专注于人类专家拥有深厚知识的特定领域。
把他们当作真正聪明、真正专业的顾问。
这些程序捕捉人类专家的知识，并将其提供给其他人。
关键的见解是，你不需要一般的智力就能发挥作用。
你只需要精通一件事。这就像一个人对漫威电影了如指掌，却不记得钥匙放在哪里了。
公司开始关注。专家系统可以解决实际问题，节省开支。医疗诊断、财务规划、设备故障排除--人工智能不再只是一种学术好奇心。
日本政府启动了 第五代计算机项目美国计划在 20 世纪 90 年代之前制造出智能计算机。其他国家也惊慌失措，开始了自己的人工智能计划。
太空竞赛已经结束，为什么不改成人工智能竞赛呢？
不过，专家系统也有局限性。它们需要大量的知识工程，手动将人类的专业知识编码成计算机可读的规则。
这就好比要教一个人骑自行车，就得把他可能遇到的各种情况都写下来。
1990s:人工智能（悄然）成为主流
20 世纪 90 年代是人工智能尴尬的青春期。这个领域正在经历变革，寻找自己的定位，而且绝对不会谈论自己的感受。
专家系统的热潮已经冷却下来。这些系统的维护成本高昂，而且无法适应新情况。企业开始寻找替代方案。
但人工智能并没有消失。它只是不再自称为人工智能。
酝酿于学术实验室的机器学习技术开始得到实际应用。
人工智能以电子邮件垃圾邮件过滤器、信用卡欺诈检测和推荐系统的形式随处可见，但没有人对此夸夸其谈。
这是一次聪明的营销。人工智能 "一词承载了太多以往周期的包袱。人们发现谈论 "统计分析"、"模式识别 "或 "决策支持系统 "更好。
真正的突破来自方法的转变。
不过，没有人称它为人工智能。那样就太明显了。
2000s:现代人工智能的基础
2000 年代为今天的人工智能奠定了基础。
这就像体育电影中的训练蒙太奇，只不过持续时间长达十年，涉及的数学知识也更多。
多种因素交织在一起，为人工智能的发展创造了绝佳的条件。计算能力越来越便宜，越来越强大。
互联网创造了海量数据集。研究人员已经找到了有效训练神经网络的方法。
与此同时，科技公司也在悄悄地 将人工智能融入一切.
谷歌的搜索算法利用机器学习对网页进行排名。亚马逊的推荐引擎推动了数十亿美元的销售额。Facebook 的新闻源算法决定了数百万人每天看到的内容。
iPhone 于 2007 年推出，将功能强大的电脑装进了每个人的口袋，并产生了前所未有的大量个人数据。
每一次点击、轻扫和搜索都成为一个数据点，可以训练出更好的人工智能系统。
到本十年末，人工智能已融入现代生活的数字基础设施。
大多数人并没有意识到，他们每天都要与人工智能系统进行数十次交互。
2010s:深度学习和大数据
2010 年代，人工智能从 "巧妙的技术诀窍 "变成了 "我的妈呀，这改变了一切"。
深度学习为这十年拉开了序幕。2012 年，一个名为 亚历克斯网 在图像识别竞赛中一举击败对手。
它不仅优于其他人工智能系统，还优于人类专家。
这本不该发生。
秘诀在于更大的数据集、更强大的计算机和更好的训练技术。
图形处理器（GPU）最初是为视频游戏而设计的，结果却成为训练神经网络的完美工具。游戏玩家意外地创造了推动人工智能革命的硬件。
媒体乐此不疲。人工智能的每一次突破都成为头条新闻。 深蓝击败卡斯帕罗夫 在 20 世纪 90 年代，AlphaGo 在国际象棋上的表现令人印象深刻，但 2016 年，AlphaGo 在围棋上击败世界冠军则让人大跌眼镜。
围棋对计算机来说太复杂了。
你对这些先进技术感到一头雾水？现代人工智能工具，如无法检测的人工智能 人工智能聊天 可以向非技术人员解释卷积神经网络或强化学习等复杂的人工智能概念。
为图像识别提供动力的深度学习技术同样也能为当今的语言模型提供动力。
自动驾驶汽车吸引了所有人的想象力。自动驾驶汽车从科幻小说变成了 "明年面世"（这一承诺仍在兑现，但如今更加谨慎）。
虚拟助手成为主流。Siri、Alexa 和 Google Assistant 将人工智能带入千家万户。
现在，每个人都在用他们的设备进行对话，即使这些对话大多是 "播放我的音乐 "和 "天气如何？"
这十年结束时，出现了变压器架构和注意力机制。
这些创新对人工智能下一阶段的发展至关重要，尽管大多数人从未听说过它们。
2020s:生成式人工智能和大型语言模型
2020 年代一开始就发生了大流行病，但人工智能研究人员忙于改变世界，根本没有注意到这一点。
OpenAI 的 GPT 模型从有趣的研究项目变成了文化现象。GPT-3 于 2020 年推出，它几乎能就任何主题写出连贯的文字，令所有人大开眼界。
那么 ChatGPT 诞生于 2022 年末 并打破了互联网。几天之内，数百万人首次与人工智能对话。
学生们用它来做家庭作业。工人的部分工作实现了自动化。内容创作者比以往任何时候都更快地产生创意。
反响立即而强烈。一些人感到惊讶。也有人感到恐惧。大多数人则介于两者之间，试图弄清楚这对他们的事业和孩子的未来意味着什么。
生成式人工智能成为自 iPhone 诞生以来最轰动的科技事件。
每家公司都开始增加人工智能功能。每家初创公司都声称自己是 "人工智能驱动的"。
每次会议都至少有十二个小组讨论人工智能的未来。
这正是像 Undetectable AI 这样的工具 人工智能搜索引擎优化撰稿人, 人工智能论文作者和 人工智能人性化设计器 符合故事情节。
这些现代应用代表了生成式人工智能技术的实际发展。它们采用了与 ChatGPT 相同的底层模型，并将其应用于特定的使用案例中。
图像生成也遵循着类似的轨迹。DALL-E、Midjourney 和稳定扩散可以 根据文本创建逼真图像 描述。艺术家们既兴奋又担忧。
技术飞速进步。机型变得更大、更智能、功能更强。GPT-4 可以通过专业考试并编写代码。
克劳德可以就复杂的话题进行细致入微的对话。巴德可以搜索网络并提供最新信息。
人工智能历史上的重要里程碑
人工智能历史上的某些时刻值得特别表彰。
这些不仅仅是技术上的成就，更是文化上的转折点，改变了我们对人工智能的看法。
- 达特茅斯会议（1956 年）正式启动了这一领域，并为人工智能命名。如果没有这次会议，我们可能会称之为 "机器智能 "或 "计算思维 "或其他同样无聊的名称。
- 深蓝在国际象棋中击败加里-卡斯帕罗夫（1997 年）是人工智能首次成为主流的时刻。数百万人目睹了计算机战胜人类最伟大的战略头脑之一。未来突然变得非常真实，也略显可怕。
- IBM Watson 在 "危险！"游戏中获胜（2011 年） 表明人工智能可以处理自然语言和常识。观看计算机完成 "每日双倍"，既令人印象深刻，又令人不安。
- AlphaGo 在围棋比赛中击败李世石（2016 年） 是一项技术杰作。围棋可能出现的棋盘位置比可观测宇宙中的原子还要多，但 DeepMind 的系统却找到了人类专家从未考虑过的制胜策略。
- ImageNet 的突破（2012 年)揭开了深度学习革命的序幕。AlexNet 在图像识别竞赛中的胜利证明，神经网络已经准备好进入黄金时代。
- GPT-3 的发布（2020 年）实现了人工智能内容生成的民主化。突然之间，任何人都可以通过简单的网络界面访问强大的语言模型。
- ChatGPT 的发布（2022 年）将人工智能带入大众视野。在两个月内，它就拥有了 1 亿用户，成为历史上增长最快的消费者应用。
每一个里程碑都建立在先前工作的基础上，同时又开辟了新的可能性。
这就是进步的运作方式：逐步改进，中间穿插着突破性的时刻，让每个人都重新考虑什么是可能的。
人工智能的冬天和复出
人工智能的发展史并不是一条直线。它更像是一个有承诺问题的人设计的过山车。
该领域经历了数次 "人工智能寒冬"，资金枯竭，研究人员转行，媒体宣布人工智能已死。
这些不仅仅是小挫折，而是几乎让人工智能研究完全夭折的生存危机。
是什么导致了人工智能 "寒冬"？
20 世纪 70 年代中期，人工智能迎来了第一个寒冬。早期的研究人员曾大胆预测，将在几十年内实现人类水平的智能。当这些预测没有实现时，失望的情绪油然而生。
政府资助机构开始提出令人不安的问题。他们承诺的思考机器在哪里？
为什么人工智能系统仍然如此有限？研究人员到底在用那些钱做什么？
英国政府委托 1973 年莱特希尔报告该报告认为人工智能研究被过度夸大，且成果不足。
资金被大幅削减。其他国家的类似审查也得出了类似的结论。
20 世纪 80 年代末，专家系统泡沫破灭后，人工智能迎来了第二次寒冬。公司在人工智能技术上投入了巨资，但发现难以维持和扩展。
市场崩溃了，许多人工智能初创企业也随之倒下。
这两个冬天有共同的主题。不切实际的期望导致过高的承诺。当现实与炒作不符时，反弹在所难免。
研究人员在管理期望值和注重实际应用方面汲取了宝贵的经验教训。
人工智能的未来：下一步是什么？
预测人工智能的未来就像试图用魔术 8 球预测天气一样。有可能，但你的准确率可能不会给任何人留下深刻印象。
不过，有些趋势似乎仍将继续。人工智能系统的能力会越来越强，效率会越来越高，与日常生活的融合度也会越来越高。
问题不在于人工智能是否会变得更加强大，而在于社会将如何适应这种力量。
- 生成式人工智能可能会越来越擅长创造与人类作品无异的内容。艺术家、作家和内容创作者将需要弄清楚如何与人工智能系统竞争或合作。
- 自动驾驶系统将越来越普遍。自动驾驶汽车可能最终实现其承诺。送货无人机可能会充斥天空。机器人工人可能会处理危险或重复性的工作。
- 随着系统变得越来越强大，人工智能安全研究将变得越来越重要。我们需要更好的方法来确保人工智能系统的行为符合预期，不会造成意外伤害。
- 其经济影响是惊人的。 一些工作将消失.新的工作岗位将会出现。过渡可能是平稳的，也可能是混乱的，这取决于我们准备得如何。
- 监管将发挥更大作用。各国政府已经在制定人工智能治理框架。面临的挑战是制定既能保护人类又不扼杀创新的规则。
- 人工智能的民主化还将继续。曾经需要博士级专业知识的工具正变得人人可用。这可能会释放出巨大的创造力和创新力，也可能会产生我们尚未预料到的新问题。
在这里查找更多有用的工具，或在下面的小工具中试用我们的人工智能检测器和人性化工具！
这个故事是自己写的......几乎是
人工智能的历史证明了人类的雄心壮志，将不可能实现的梦想变成了现实。
从图灵的理论到今天的生成模型，进步都来自于坚持不懈地解决无法解决的问题。
每个时代都给人革命性的感觉，但今天的速度之快、规模之大是前所未有的。
人工智能基本上是杰出人才数十年的心血结晶。故事远未结束。下一个突破可能来自任何地方，其影响将取决于我们现在做出的选择。
千百年来，我们一直在想象人工智能，今天我们正在建造它们。
拥有无法检测的人工智能 人工智能搜索引擎优化撰稿人, 人工智能聊天, 人工智能论文作者和 人工智能人性化设计器您可以创建高质量、自然流畅、经过优化、引人入胜、独一无二的内容。
尝试 检测不到的人工智能 让您的人工智能写作更上一层楼。