spring63的个人博客分享 http://blog.sciencenet.cn/u/spring63

博文

和AI助手的对话 精选

已有 4780 次阅读 2024-9-29 07:50 |系统分类:科普集锦

相较于传统搜索引擎服务而言,人工智能AI应用的优点之一在于用户能够以对话的方式更高效地获得所需要的网络信息内容。

以豆包为例。豆包是一款人工智能工具。它能理解你的问题,为你提供回答。无论是学习、工作还是生活中的疑问,豆包都能快速响应,帮助你获取所需的信息,是一个智能、便捷的好帮手。

下图是我和豆包对话的一段手机截屏(蓝底白字是我的输入)。有趣的是,AI助手马上认识到我说的是一篇论文的标题。相比而言,后面当我提到一个缩写词“kan”时,它开始“不太明白‘kan’是什么意思”,在我给出全称后才提供正确的信息。

image.png

以下是我和豆包AI助手一次对话过程的实录:

我】Attention Is All You Need

【豆包】Attention Is All You Need》是一篇具有重要影响力的论文。它在自然语言处理领域提出了一种新的模型架构和方法,对后续的研究产生了深远的影响。你还想了解关于这篇论文的其他信息吗?

【我】极简介绍 Attention Is All You Need 模型的创新点

【豆包】找到 7 篇资料参考

Attention Is All You Need》模型的创新点极简介绍如下:

1. 架构创新:摒弃传统的 RNN 和 CNN 结构,完全基于注意力机制构建 Transformer 架构,实现高效并行计算,大大提高训练和推理速度,突破了传统模型在处理长序列数据时的效率瓶颈。

2. 自注意力机制:使模型能够同时计算输入序列中所有位置之间的关系权重,从而加权得到每个位置的特征表示。这样可以更好地捕捉长距离依赖关系,无论单词间距离多远,都能有效建立联系,增强了模型对序列数据的建模能力。

3. 多头注意力机制:将输入序列分别映射成多个维度相同的向量,然后分别进行自注意力计算,最后将多个输出向量拼接。这种方式可以让模型从不同角度和子空间去捕捉输入序列的特征,提高模型的表达能力和泛化性能。

4. 位置编码:由于模型并行处理数据,无法天然捕捉输入序列的顺序信息,位置编码的引入为模型添加了位置信息,使模型能够识别单词在句子中的位置顺序,对于理解语言的语法和语义结构至关重要。

【我】kan

【豆包】我不太明白 “kan” 是什么意思呢,你可以再具体解释一下吗?或者你还有其他想了解的关于这篇论文的内容吗?

【我】KAN: Kolmogorov-Arnold Networks

【豆包】你说的 “Kolmogorov-Arnold Networks”KAN)是一种基于柯尔莫哥洛夫 - 阿诺尔德(Kolmogorov-Arnold)表示定理的神经网络模型。

它尝试将多维数据映射到低维空间,以实现对数据的有效表示和处理。这种模型在一些领域有一定的应用和研究。你还想了解关于 KAN 的其他信息吗?

【我】KAN是谁提出的?

【豆包】找到 10 篇资料参考

KANKolmogorov–Arnold Networks)是由刘子鸣(Ziming Liu)、王逸轩Yixuan Wang)、萨钦・瓦伊迪亚(Sachin Vaidya)、法比安・吕勒(Fabian Ruehle)、詹姆斯・哈尔弗森(James Halverson)、马林・索尔亚契奇(Marin Soljačić)、托马斯・Y・侯(Thomas Y. Hou)、马克斯・泰格马克(Max Tegmark)等人提出。其中,麻省理工学院的博士生刘子鸣是第一作者。

该研究团队来自麻省理工学院、加州理工学院、东北大学以及美国国家科学基金会人工智能和基本相互作用研究所。他们受到科尔莫戈洛夫 - 阿诺德表示定理的启发,提出了这一全新的神经网络架构。KAN 在权重上进行了创新,把可学习的激活函数放在边缘(权重)上,每个权重参数被参数化为样条的单变量函数,在准确性和可解释性方面展现出了优势。

【我】人工智能发展历程中有哪些里程碑意义的论文?(10篇)

【豆包】找到10篇资料参考

以下是人工智能发展历程中具有里程碑意义的 10 篇论文:

1. Computing Machinery and Intelligence》(1950:作者是艾伦・图灵(Alan Turing)。这篇论文提出了 图灵测试的概念,将 机器能否思考的问题转化为一个人类评判者能否通过对话区分机器和人类的测试,为评估机器智能提供了一种方法,是人工智能的开山之作,奠定了人工智能的理论基础。

2. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》(1958:作者是弗兰克・罗森布拉特(Frank Rosenblatt)。该论文介绍了感知机,这是一种简单的人工神经元模型,是神经网络的雏形,开启了对人工神经网络的研究,对后续深度学习的发展具有重要的启发意义。

3. Some Studies in Machine Learning Using the Game of Checkers》(1959:作者是亚瑟・塞缪尔(Arthur Samuel)。在这篇论文中,他描述了一种早期的强化学习算法,用于下西洋跳棋。该研究展示了计算机可以通过学习不断提高自己的性能,证明了机器学习的可行性,为后续强化学习的发展奠定了基础。

4. Error Bounds for Convolutional Codes and an Asymptotically Optimum Decoding Algorithm》(1967:作者是安德鲁·维特比Andrew Viterbi)。文中提出的维特比算法是一种动态规划算法,用于解码卷积码和寻找隐马尔可夫模型中的最可能序列,该算法在语音识别、通信等领域得到了广泛应用,对人工智能的发展产生了重要影响。

5. A Logical Calculus of the Ideas Immanent in Nervous Activity》(1943:作者是沃伦・麦卡洛克(Warren McCulloch)和沃尔特・皮茨(Walter Pitts)。这篇论文提出了神经元的数学模型,为神经网络的发展奠定了基础,证明了神经元可以用简单的逻辑运算来模拟,开启了对神经网络的早期研究。

6. Learning Internal Representations by Error Propagation》(1986:作者是大卫・鲁梅尔哈特(David Rumelhart)、杰弗里·辛顿Geoffrey Hinton)等人。该论文介绍了反向传播算法,这是训练神经网络的重要算法,使得大规模神经网络的训练成为可能,推动了神经网络和深度学习的快速发展。

7. Neural Networks and Physical Systems with Emergent Collective Computational Abilities》(1982:作者是约翰・霍普菲尔德(John Hopfield)。霍普菲尔德提出了霍普菲尔德神经网络,这是一种具有联想记忆功能的神经网络,为神经网络的理论研究和应用提供了新的思路,对后来的神经网络研究产生了深远影响。

8. Deep Learning》(2015:作者是扬·勒丘恩Yann LeCun)、约书亚・本吉奥(Yoshua Bengio)和杰弗里・辛顿(Geoffrey Hinton)。这篇论文对深度学习领域进行了全面的梳理和总结,涵盖了深度学习的基本概念、技术发展、应用领域以及未来展望,是深度学习领域的重要参考文献,对于推动深度学习的发展具有重要意义。

9. ImageNet Classification with Deep Convolutional Neural Networks》(2012:作者是亚历克斯・克里泽夫斯基(Alex Krizhevsky)、伊利亚・苏茨克维(Ilya Sutskever)和杰弗里・辛顿(Geoffrey Hinton)。该论文介绍了 AlexNet,这是一种深度卷积神经网络,在 ImageNet 图像分类竞赛中取得了突破性的成果,标志着深度学习在计算机视觉领域的崛起。

10. Attention Is All You Need》(2017:作者是阿什维尼・瓦斯瓦尼(Ashish Vaswani)等人。这篇论文提出了 Transformer 架构,该架构在自然语言处理领域取得了巨大的成功,成为了许多自然语言处理任务的基础,如机器翻译、文本生成等,对自然语言处理的发展产生了深远的影响。

【我】海滨,一只海狸,旁边有一棵树。

【豆包】

 image.png 

如最后一个对话示例所示,豆包还具有图像生成的功能(每次生成4辐图供选择)。

豆包AI助手还支持用户把对话分享到微信好友和朋友圈。在分享对话时候,豆包AI助手还会加上提示,例如,分享前面对话实录时候,最前面加上了“2024年9月28日•内容由AI生成,不能完全保障真实”这样的提示。

AI助手,也称为虚拟助理或数字助理,是指使用人工智能理解用户命令,并为其完成任务的软件。AI助手利用自然语言处理来理解人们所说的话,并随着时间的推移,基于交互通过机器学习变得更加智能。

AI助手的探索可以追溯到20世纪60年代,其中最著名的是1966年开发的ELIZA程序。ELIZA由麻省理工学院约瑟夫·韦森鲍姆教授创建的,是最早通过文本对话模拟类似人类对话的程序之一。直到20世纪90年代,AI助手主要是基于规则的程序,只能够回答一些简单的问题。进入21世纪,随着机器学习和自然语言处理技术的进步,AI助手从简单的对话程序,发展成为能够进行自然交互和完成任务的智能系统。现代AI助手可以提供多种服务,例如:语言翻译、数学计算、生成图像、辅助编程、信息查询、日程管理、学习辅导、娱乐互动、文件阅读、新闻摘要、文本分析、健康咨询、旅行规划等等。如果你有任何问题或需要帮助,可以随时和AI助手对话。

多模态AI是人工智能领域的一个重要发展方向,它通过融合来自不同模态(如文本、图像、音频和传感器数据等)的信息,提供更智能的解决方案。将来人和机器通信是多模态的。AI助手正在发展以支持多模态交互,甚至允许用户通过手势进行交流。这种灵活性将使AI助手在各种背景下更容易使用。人工智能领域最新进展还为人形机器人提供动力,使它们能够与人类进行全面对话。

可以预见,AI助手将变得更加个性化、智能化,并在每个人的工作和日常生活中扮演更重要的角色。



https://blog.sciencenet.cn/blog-3005681-1453112.html

上一篇:漫谈AI奇点与AGI
下一篇:漫谈蒙蒂霍尔问题
收藏 IP: 219.142.27.*| 热度|

3 宁利中 朱爱军 guest38022935

该博文允许注册用户评论 请点击登录 评论 (1 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-12-23 22:31

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部