投资人工智能
2023-06-09 13:35:03 0 举报AI智能生成
AI的赚钱动向。
作者其他创作
大纲/内容
备注
敏感内容已隐藏，疑问请联系@Key洁莹
从技术到应用
人工智能从诞生到应用的重大里程碑
20世纪40年代
诞生：图灵机和冯·诺依曼计算机模型
神经网络：麦卡洛克-皮茨模型
20世纪50年代
人工智能学科正式成立
逻辑推理：逆向推理和前向推理
游戏：西洋跳棋程序
20世纪60年代
专家系统：DENDRAL和MYCIN
自然语言处理：ELIZA
机器学习：决策树和神经网络
20世纪70年代
Lisp语言：成为人工智能开发的主流语言
推理机：允许用户创建自己的专家系统
机器学习：决策树和神经网络得到广泛应用
20世纪80年代
知识表示：语义网络和框架
机器学习：神经网络和遗传算法
专家系统：CLIPS和EXSYS
20世纪90年代
机器学习：支持向量机和随机森林
数据挖掘：关联规则和聚类
智能搜索：模拟退火和遗传算法
21世纪
深度学习：卷积神经网络和循环神经网络
自然语言处理：词向量和语言模型
计算机视觉：物体检测和图像分割
智能语音：语音识别和语音合成
智能机器人：无人驾驶和服务机器人
ChatGPT
历程
2018年
GPT-1
12层Transformer
2019年
GPT-2
目标：为了训练一个泛化能力更强的遍身量模型
沿用GPT-1的设计和结构
使用更大的数据集、更大的网络参数
2020年
GPT-3
沿用GPT-2的结构
提升网络容量
2022年
Chat GPT
96层Transformer
沿用GPT-3.5
优化
使用来自人类反馈的强化学习，进行训练
通过近端策略优化算法，进行微调
微软
微软全线产品整合， ChatGPT 。 开启商用化进程
OpenAI公司宣布推出 ChatGPT 的新订阅计划
起价为每月 20 美元
可以享受更快的响应时间和优先访问
2023年2月2日
微软 CEO 宣布继搜索引擎必应、Office 办公软件之后，将在云计算平台 Azure 中整合 ChaGPT
技术
Chat GPT的模型实现主要分为三个步骤，合称为 RLHF(Reinforcement Learning by Human Feedback) 技术
SFT
Supervised Fine Tuning
基于 GPT-3 的预训练模型
采集新的数据用 GPT-3 的训练方式对模型进行微调
这些数据一部分来自使用 OpenAI 的 PlayGround 用户
另一部分来自 OpenAI 雇佣的 40 名标注工（labeler）
RM
Reword Model
在采样的输入语句中，进行前向推理获得多个模型输出结果
通过人工标注进行这些输出结果的排序打标
最终这些标注数据用来训练 Reward 奖励模型
通过人工标注的方式来提供这个奖励
给那些涉及偏见的生成内容更低的分从而鼓励模型不去生成这些人类不喜欢的内容，实现模型的有用、真实和无害
PRO
Proximal Policy Optimization
随机抽取新的样本
用第二阶段的 Reward Model给产生的回答打分
这个分数即回答的整体 Reward，进而将此 Reward 回传，由此产生的策略梯度可以更新 PPO 模型参数
整个过程迭代数次直到模型收敛
强化学习算法可以通过调整模型参数，使模型得到最大的奖励（Reward），最大奖励意味着此时的回复最符合人工的选择取向
投资
算法
例如
科大讯飞
拓尔思
商汤科技
算力
服务器
例如
浪潮信息
中科曙光
紫光股份
芯片
例如
海光信息
寒武纪
景嘉微
数据中心
例如
润泽科技
宝信软件
数据港
算据
数据标注
例如
海天瑞声
数据分析
例如
星环科技
数据开发
例如
博彦科技
应用
智慧教育
例如
鸿合科技
智慧医疗
例如
卫宁健康
智慧金融
例如
宇信科技
智能驾驶
例如
虹软科技
智能制造
例如
奥普特
智能交通
例如
佳都科技
智慧办公
例如
金山办公
AI加速机
国内
产业升级
降本增效
AI 加速机器视觉应用，下游拓展打开市场空间
图像数据的核心接口，实现智能制造的重要技术手段
下游应用
半导体生产线
汽车生产线
光伏生产线
医药生产线
新能源电池生产线
3C生产线
深度学习突破算力限制，I AI 算法赋能场景跃迁
普通算法
特定数据集输入——>人为预判——>结果检测
有监督机器学习
大数据集输入——>人为分析——>学习——>结果检测
深度学习
大数据输入——>机器主动学习——>结果检测
免费领ProcessOn会员
0 条评论
下一页
