1 / 0
生成式人工智能时代
人工智能发展简史
从概念到现实的70年征程
1950
图灵提出了图灵测试
1956
达特茅斯会议，AI概念诞生
1980-1990s
专家系统的兴起和AI寒冬
2000-2010s
机器学习复兴
2012
深度学习突破（AlexNet）
2017
Transformer架构出现
2022
ChatGPT引发生成式AI革命
为什么是现在？
三大要素的完美汇聚
🔧
计算能力突破
- GPU并行计算革命
- 云计算降低门槛
- 专用AI芯片的出现
📊
数据爆炸
- 互联网内容呈现爆炸式增长
- 数字化进程加速
- 成熟的数据标注技术
🏗️
技术架构
- Transformer革命性突破
- 注意力机制创新
- 端到端学习范式
概念辨析
LLM、GenAI、AGI的关系
AGI（人工通用智能）
↑ 目标方向
GenAI（生成式AI）
↑ 当前阶段
LLM（大型语言模型）
↑ 核心技术
LLM
基于Transformer架构的大规模语言模型
GenAI
能够生成文本、图像、音频和其他内容的AI系统
AGI
在所有认知任务中与人类匹敌或超越的智能
GPT (生成式预训练变换器)
理解现代AI的核心技术
💡
核心定义
- 生成式预训练变换器：基于Transformer架构的大型语言模型
- 自回归语言模型：通过预测下一个词来生成文本
- 无监督预训练 + 有监督微调：两阶段训练范式的典型代表
⚡
关键特征
- 单向注意力机制：只能看到前面的文本，适合文本生成任务
- 大规模参数：从GPT-1的1.17亿到GPT-4的数千亿参数
- 强大的零样本和少样本学习能力
GPT核心技术架构
深入理解GPT的技术基础
🔧
Transformer Decoder
- 多头自注意力：捕捉长距离依赖关系
- 位置编码：理解文本序列中的位置信息
- 残差连接 + 层归一化：稳定训练过程
📚
预训练策略
- 下一词预测：在大规模文本语料上学习语言规律
- 因果掩码：确保只能访问前面的词汇
- 大规模数据：互联网文本、书籍、新闻等多样化数据源
🎯
Fine-tuning and Alignment
- Instruction fine-tuning: Improves model's ability to follow instructions
- Reinforcement Learning from Human Feedback (RLHF): Aligns model outputs with human preferences
- Safety filtering: Reduces generation of harmful content
GPT核心能力与应用
从文本生成到智能推理
✍️
文本生成能力
- 创意写作：故事、诗歌、剧本创作
- 技术文档：API文档、用户手册、技术报告
- 营销内容：广告文案、产品描述、社交媒体内容
🤔
理解与推理
- 阅读理解：回答基于文本的复杂问题
- 逻辑推理：解决数学问题和逻辑谜题
- 知识问答：跨领域的百科知识查询
💻
代码生成
- 程序编写：根据需求生成代码
- 代码解释：理解和注释现有代码
- 调试辅助：发现和修复代码错误
GPT技术优势与局限
理性认识GPT的能力边界
✅
主要优势
- 泛化能力强：一个模型处理多种任务
- 上下文学习：通过示例快速适应新任务
- 创造性输出：生成新颖且有用的内容
⚠️
当前局限
- 幻觉问题：可能生成看似合理但实际错误的信息
- 知识截止：训练数据存在时间限制
- 计算成本高：推理需要大量计算资源
- 可解释性差：难以理解模型的决策过程
生成式人工智能的特点
从识别到创造的跨越
🆚 Differences from Traditional AI
| 传统AI | 生成式AI |
|---|---|
| 识别和分类 | 内容创作 |
| 规则驱动 | 数据驱动 |
| 专用系统 | 通用能力 |
| 确定性输出 | 概率生成 |
🔗 核心相关技术
- 深度神经网络
- 注意力机制
- 预训练与微调范式
- 强化学习对齐
神经网络：模仿大脑的智能
从生物启发到人工实现
🧠
生物神经元
生物神经元传递电信号
🤖
人工神经元
人工神经元处理数值
🏗️
深度网络
多层结构实现复杂模式识别
🔗 网络架构
输入层 → 隐藏层 → 输出层
↓ ↓ ↓
原始数据 → 特征提取 → 预测结果
参数、维度、Token概念解析
理解大语言模型的核心概念
🧩
Token（词元）
定义：token是模型处理文本的最小单位，可以是单个字、词，甚至是部分词。由分词器（Tokenizer）将原始文本切分而成。
例子：
英文中："ChatGPT is great" 可能被分成：["Chat", "G", "PT", " is", " great"]
中文中："大模型很好用" 可能被分成：["大", "模型", "很", "好", "用"]
⌨️ 类比：如果你把一句话看作一段积木搭的墙，tokens就是每一块积木。
📦
维（维度 / Dimensions）
定义：维是向量或矩阵中每个数据点的位置或"长度"。常用于描述隐藏层中的向量空间大小。
常见使用：
词向量的维度（embedding size）：比如一个单词被映射为一个768维的向量。
隐藏层维度（hidden size）：表示每层中每个神经元输出的向量长度。
📦 类比：如果一个token是一个商品，维度就是它的"特征标签"数量，比如颜色、大小、用途等。
🧠
参数（Parameters）
定义：参数是模型在训练中学到的"知识"。它们包括神经网络中的权重（weights）和偏置（biases）。
数量级：GPT-3有1750亿个参数，GPT-4据推测参数更多。
🧠 类比：把模型比作一个大脑，参数就是它大脑中形成的"记忆连接"或"经验"。
核心学习技术解析
理解AI如何"学习"
🎯
监督学习
从标注数据中学习输入输出映射
例如：图像分类、情感分析
🎮
强化学习
通过试错和奖励信号优化策略
例如：游戏AI、机器人控制
🔄
深度学习
多层神经网络自动提取特征
端到端学习复杂模式
🏆 三者结合的力量
监督学习奠定基础 → 深度学习提取特征 → 强化学习优化行为
AI训练的三个关键阶段
从原始到智能的蜕变
📚
阶段1：预训练
预训练：从海量文本数据中学习语言模式
🎯
阶段2：监督微调
监督微调：学习遵循指令
🏆
阶段3：强化学习
强化学习：与人类偏好对齐
原始文本 → 语言模型 → 指令跟随者 → 人类对齐AI
AI的数学基础
概率世界中的智能涌现
🎲
概率论
一切皆概率 - 没有绝对确定性
📊
统计学
通过统计方法从数据中学习模式
⚡
优化理论
持续优化寻找最佳解决方案
🧮 核心数学概念
- 线性代数：向量空间和变换
- 微积分：梯度下降和反向传播
- 信息论：熵和压缩
- 图论：网络结构和关系
智能的本质：信息压缩？
从数据中提取规律
🗜️
信息压缩
智能可能是高效压缩信息的能力
🔍
模式识别
找到解释复杂现象的最简规律
🧠 智能即压缩
原始数据（TB级） → 压缩知识（GB级） → 预测
例如：从数十亿单词中学习语言
→ 压缩为语法规则和模式
→ 生成连贯的新句子
Scaling Law：规模的魔力
更大就是更强？
📈
更多参数
更多参数 → 更好性能
💾
更多数据
更多数据 → 更多知识
⚡
更多计算
更多计算 → 更好训练
📊 规模化趋势
- 性能随规模可预测地提升
- 在特定阈值出现涌现能力
- 但规模化有物理和经济限制
- 效率改进变得至关重要
AI真的"懂"吗？
统计模式 vs 真正理解
📊
统计掌握
AI擅长统计模式匹配
🤔
语义理解？
但它真的理解含义吗？
🎭 中文房间论证
房间里的人按规则回应中文字符
↓
看起来理解中文，但实际上不懂
↓
类似地，AI可能模拟理解而非真正理解
🔬 当前证据
- AI展现出卓越的语言能力
- 能够推理抽象概念
- 但缺乏真实世界的基础经验
- 理解vs复杂模式匹配仍有争议
LLM 幻觉
什么是幻觉？
定义
模型生成看似合理但实际上不准确或不存在的信息
主要幻觉类型
🔍
事实幻觉
- 虚假信息：生成不存在的历史事件、人物或数据
- 假引文：捏造不存在的学术论文、网站链接
- 数值错误：提供不正确的统计数据、日期、数量
🧠
逻辑幻觉
- 推理错误：逻辑推理中的谬误
- 因果混淆：错误地确立因果关系
- 自相矛盾：同一响应中的矛盾性陈述
🎭
创造性幻觉
- 虚构内容：创造不存在的故事、人物、作品
- 混合信息：错误地结合来自不同来源的信息
原因
训练数据问题
- 训练数据中的错误
- 不完整的训练覆盖
- 过时或相互矛盾的信息
模型机制限制
- 基于概率的生成
- 缺乏现实世界知识验证
- 上下文理解限制
识别和预防策略
用户级
- 交叉验证：从多个来源验证重要信息
- 批判性思维：特别是对于特定数据，保持怀疑
- 专业判断：在专业领域依靠权威资源
技术级
- 检索增强生成（RAG）：与实时知识库结合
- 多模型验证：使用多个模型进行交叉验证
- 置信度评估：标记答案可靠性
要点
🚨 记住：大型语言模型是强大的工具，但需要人类判断和验证以确保信息准确性
能否超越人类？
迈向通用人工智能的征程
🎯
当前状态
当前AI：狭窄的专门能力
🚀
AGI愿景
AGI目标：跨所有领域的通用智能
🏆 AI vs 人类能力
| 领域 | AI状态 | 人类水平 |
|---|---|---|
| 国际象棋/围棋 | ✅ 超人类 | 已超越 |
| 图像识别 | ✅ 人类水平 | 已匹配 |
| 语言任务 | 🔄 接近中 | 接近人类 |
| 通用推理 | ❓ 不确定 | 低于人类 |
| 创造力 | 🎨 新兴中 | 有争议 |
AI威胁：担心还是拥抱？
理性看待AI风险
💼
工作替代
某些行业的工作岗位替代
📰
虚假信息
生成虚假信息的潜在风险
⚖️
偏见放大
放大现有偏见
🛡️ 缓解策略
- 制定AI治理和监管框架
- 投资教育和技能再培训项目
- 推广负责任的AI开发实践
- 促进人机协作而非替代
AI时代的生存之道
适应变化，拥抱未来
🔄
持续学习
拥抱变化和持续学习
🤝
AI协作
学会与AI作为伙伴协作
💡
人类独特性
专注于独特的人类能力
🎯 战略方法
短期：学习AI工具和工作流程
中期：发展人机协作技能
长期：专注于创造力、同理心和复杂推理
AI时代必备技能
面向未来的核心能力
💡
批判性思维
分析、评估和综合信息的能力
🎨
创造力
生成新颖想法和创新解决方案
❤️
情商
理解和管理人际互动中的情绪
🔧
AI素养
理解AI的能力、局限性和伦理影响
🌐
系统思维
理解复杂的相互关联和关系
🔄
领导力
领导新型人机混合团队的能力，有判断和决策能力
AI沟通的技巧
让AI成为你的得力助手
💬
懒人提示法
目标清晰、指令简洁，同时提供丰富的上下文信息
🔄
迭代优化
通过反馈和优化持续改进结果
🎭
角色扮演
引导AI采用特定角色或视角
懒人提示法，避免微管理
过度微管理可能会限制AI的潜力。过于具体的指令反映了人的认知偏见，来自个人经验和技能，这可能会限制AI的创新能力和专业水平。实际上，AI在许多方面可能已经超出了人类的能力和预期
生成式时代的学习与创造
从稀缺到丰盈
范式转变
| 传统时代 | 生成式时代 |
|---|---|
| 信息稀缺 | 信息丰盈 |
| 内容创作困难 | 内容创作便捷 |
| 注重记忆 | 注重批判性评估 |
| 个人学习 | AI辅助学习 |
| 线性课程 | 个性化路径 |
新的学习重点
- 培养信息素养和来源评估能力
- 学习与AI工具有效协作
- 注重创造力、批判性思维和问题解决
终身学习的新范式
从阶段性教育到持续成长
🔄
持续学习
将学习作为贯穿一生的持续过程
🎯
即时学习
在需要时和需要的地方学习
👥
协作学习
通过人机协作进行学习
构建学习基础设施
从传统教育向持续学习生态系统转型
培养AI素养
技术应该放大人类潜能，而非取代人类
💡
理解AI
掌握AI的能力、局限性和应用
⚖️
伦理意识
理解伦理影响和责任
🛠️
实践技能
发展AI交互的实际能力
AI素养课程
- AI基础知识和概念
- 伦理考虑和影响
- 实用AI工具和应用
- 批判性思维和评估
- 未来趋势和发展
教育相关AI产品
让AI成为教育助手
💬
对话式AI
交互式学习和讨论助手
📝
写作助手
内容创作和编辑工具
🎨
创意工具
AI驱动的设计和多媒体创作
🔍
研究工具
信息检索、总结、分析工具
🎓
学习平台
AI增强的教育平台
💡
思维工具
增强认知过程的工具
FunBlocks AI
与AI共同探索、思考与创造
🔍
分析和批判性思维
细化问题、分析谬误、发展批判性思维
💡
创新思维
与AI一起生成和发展创意想法
⭐
无限探索
使用AI在无限画布上从多个视角探索无限可能
⭐
AI增强的思维
AI生成思维导图和头脑风暴
🤖
AI驱动的经典思维模型应用
使用AI辅助应用经典心理模型解决复杂问题
🎨
创意工作流
从概念到演示的集成AI工具
特色功能
- AI思维导图和头脑风暴
- AI协作思考空间
- 与主流AI模型集成
- 导出到各种格式（幻灯片、文档等）
- 教育模板和框架
为什么要借助AI帮助创新，提升思维能力？
突破人类认知局限
🧠
认知增强
通过AI辅助增强人类思维能力
🔍
模式识别
识别多个视角下的复杂模式和关系
⚡
速度和规模
以前所未有的速度处理和分析信息
理解局限性
- 工作记忆限制
- 确认偏差和认知偏差
- 复杂信息处理速度限制
- 难以从多个视角看到模式
- 有限的知识和视角
- ...
AI作为思维伙伴
结合人类批判性思维和AI处理能力
突破线性思维的局限
从对话线到无限画布
线性对话 vs 多视角探索
| 线性对话 | 多视角探索 |
|---|---|
| 单向对话 | 多向探索 |
| 单一视角 | 多重视角 |
| 眼界越来越狭窄 | 眼界越来越广阔 |
| 适用于快速获得答案 | 适用于深入思考和探索 |
| 专注于结果 | 专注于过程 |
多视角思维优势
- 通过多个视角和连接增强创造力
- 通过多个视角获得更好的问题解决能力
- 通过批判性思维和可视化改进学习和记忆
- 通过多个视角获得更全面的理解
- 支持复杂问题分解，分而治之
用AI提升思考能力
让AI辅助思考，但不代替思考
🤝
AI作为伙伴
与AI协作扩展思维能力
🔍
增强分析
处理和分析复杂信息模式
💡
创意催化剂
生成和探索新想法和可能性
思维增强策略
- 使用AI进行初步想法生成
- 应用人类判断进行优化
- 结合多个视角
- 持续迭代和改进
- 保持批判性思维
结合人类批判性思维和AI处理能力以增强决策
总结与展望
拥抱AI时代的工作和终身学习变革
🎓
教育转型
适应新的学习范式和机遇
🤝
人机协作
利用人类和人工智能的优势
🌟
持续适应
紧跟AI能力和应用的发展
关键要点
- AI是增强人类能力的工具
- 专注于发展独特的人类技能
- 拥抱持续学习和适应
- 保持伦理意识和责任感
- 建立有效的人机协作
- 用AI塑造教育的未来