66
个编辑
更改
跳到导航
跳到搜索
第24行：
第24行： + + + + + + +
→人工智能
==== 人工智能 ====
==== 人工智能 ====
站在2023年这个时间点，人工智能的发展已经从“[[大数据]]”到“[[大模型]]”的转变，而接下来的下一个阶段，将有可能是“大预测”。
进入21世纪以来，随着互联网，特别是移动互联网的发展，各大互联网平台级公司汇聚了海量的数据，如何从这些数据中挖掘出有用的信息成为了人们面临的重要难题。面对[[大数据]]，传统的以符号推理为基础的第一代人工智能技术已经不能适应时代的发展，而以[[深度神经网络]]与[[机器学习]]技术为主导的第二代人工智能成为了处理[[大数据]]的有利武器。随着人们将网络的层数设计得越来越深，随着模型的参数量逐级增大，人们发现，只要有海量数据的存在，[[神经网络]]就仿佛可以无限地提升、延展其能力。特别是在[[自然语言处理]]领域中，“[[大语言模型]]”（Large Language Model）随着模型参数量的不断提升，竟然能获得令人吃惊的所谓的[[涌现能力]]。
进一步，[[大模型]]的发展将突破传统的语言模式，而朝向[[多模态]]和多领域的方向进一步延展。因此，我们可以预想到，不同的领域只要有数据的存在，都会构建该领域的[[大模型]]，而这些大模型的出现将会大大提高该领域的预测准确度。以天气系统为例，天气系统的[[大模型]]已经出现了，通过学习海量的历史数据，该模型可以掌握天气系统的运行规律，从而为更加精准而长期的预测奠定了基础。
然而，很多现实中的复杂问题，其难点并不在于一两个特定的领域，而是在不同系统之间的互动和耦合。以天气系统为例，很可能精准的天气预报不仅仅与天气系统有关，还会跟地球系统，乃至太阳系系统有关，也会与人类的大规模活动有关。所以，要想提升[[复杂系统]]的预测效果，就必须融合多种系统的预测水平，并融合不同领域的预测，这就是前文提到的[[大预测]]。