本文导读：
- 1、73年前,香农已经给大模型发展埋下一颗种子
- 2、卷积神经网络模型发展及应用
- 3、DeepSeek的历史背景与发展目标
- 4、力争半年内超越ChatGPT!科大讯飞发布星火认知大模型|甲子光年
- 5、一文说清:端到端与大模型
73年前,香农已经给大模型发展埋下一颗种子
1、年前，普林斯顿大学教授Sebastian Seung揭示了大语言模型（LLM）背后的历史渊源，他曾指出，早在1951年，贝尔实验室的克劳德香农在《Prediction and Entropy of Printed English》论文中提出了预测下一个单词的问题，这一概念成为了现代大模型发展的基石。
2、举几个最直观的例子： 是所有技术突破的底层根基现在大家离不开的5G通信，其实最早的理论基础是1948年香农提出的信息论，这属于纯数学和通信基础研究；还有我们用的新冠疫苗，也是建立在对病毒基因序列、免疫学基础原理的几十年研究之上。
3、偶得吴军老师的《智能时代》一书，阅读该书前两章，感觉受益匪浅，尤其是通过对第二章“大数据与机器智能”的阅读，才使我对人工智能的历史有了一个大致的了解，现将感想倾诸于下。
4、大模型Prompt压缩是指在不显著改变大模型输出质量的前提下，通过减少输入Prompt的长度来降低大模型输入token的数量，以达到提升大模型响应速度、降低大模型调用费用的目的。Prompt压缩的必要性在实际应用中，合适的Prompt对于任务和场景至关重要。
5、第4代：大规模集成电路机（1970年至今）硬件方面，逻辑元件采用大规模和超大规模集成电路（LSI和VLSI）。
6、克劳德·艾尔伍德·香农1916年4月30日诞生于美国密西根州的Petoskey，是科学家，现代信息论的著名创始人，信息论及数字通信时代的奠基人。1948年香农长达数十页的论文“通信的数学理论”成了信息论正式诞生的里程碑。
卷积神经网络模型发展及应用
卷积神经网络模型发展及应用卷积神经网络（CNN）作为深度学习模型中的经典结构，近年来在性能上不断提升，广泛应用于图像分类、目标检测、语义分割及自然语言处理等领域。
LeNet在MNIST数据集上取得了显著效果，成为第一个成功应用于实际问题的卷积神经网络。其设计思想（如层级特征提取、端到端训练）直接影响了后续CNN的发展，例如现代CNN中常见的卷积层、池化层和全连接层的组合模式，均可追溯至LeNet。
卷积神经网络（CNN）的典型应用包括图像分类、目标检测、图像分割、人脸识别和视频动作识别，以下为具体说明： 图像分类图像分类是CNN最基础且广泛的应用场景，其核心任务是将输入图像归类到预定义的类别中。
DeepSeek的历史背景与发展目标
1、发展目标：技术目标 DeepSeek致力于打造“通用智能+垂直深度”的AI技术体系。通过混合并行训练、动态参数优化等技术手段，持续提升模型的效率与性能。同时，DeepSeek积极探索AGI（通用人工智能）方向的底层理论突破，以期在AI技术的最前沿取得重大进展。
2、在算力军备竞赛愈演愈烈的背景下，DEEPSEEK的崛起标志着AI行业正从“规模竞争”转向“效率竞争”，为全球AI技术民主化树立了标杆。
3、斯普特尼克时刻的历史背景与核心特征冷战期间，苏联通过洲际导弹、人造卫星和载人航天三大突破，在科技与军事领域形成对美国的战略优势，触发美国的全面追赶。
力争半年内超越ChatGPT!科大讯飞发布星火认知大模型|甲子光年
1、科大讯飞发布星火认知大模型，力争半年内超越ChatGPT，并展示了多领域商业应用成果。星火认知大模型的核心能力与评测体系 七大核心能力：文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力、多模态能力。
2、科大讯飞发布的讯飞星火0在综合能力上已超越ChatGPT（非GPT-4版），并在多领域展开合作；开源AI领域正通过电子书、工程指南和工具分享推动技术普及，但整体生态仍面临商业化与协作挑战。
3、讯飞星火V0超越GPT-4 Turbo的具体表现排名第一的测试集数量：讯飞星火V0在8个国际主流测试集中排名第一，领先国内大模型。在12项主流测试集中，有8项实现了超越，且这些测试集中绝大部分是英文，涵盖了理解推理、综合考试、数学科学和代码等维度。
4、易车讯 日前，科大讯飞发布星火认知大模型。
5、追赶并超越ChatGPT：科大讯飞在追赶ChatGPT方面展现出坚定决心和强大行动力。
一文说清:端到端与大模型
自动驾驶功能方面，2021年特斯拉在AI day上公开了他们通过“端到端”技术让智能驾驶性能上一个台阶。其中，狭义的“端到端”通常指的是“感知”到“规划”的端到端。大模型 形容一个模型大，通常说的是这个模型的网络节点数量多、参数数量多。
端到端模型：例如CRNN（CNN+RNN+CTC），底层用CNN提取特征，中层用LSTM建模序列，上层用CTC优化目标。
RPA（Robotic Process Automation）作为自动化工具，在端到端流程中扮演着灵活与个性的角色。通过自动化优化冗余流程，RPA还可以非侵入式地连接缺乏API或未授权的软件系统，促进不同系统间的数据流转。RPA同时解决了自动化与集成化问题，使业务流程更加精简。
端到端自动驾驶通过单一神经网络模型直接从传感器输入生成控制指令，有望突破传统方法的局限。定义：端到端自动驾驶是一种基于深度学习的系统架构，其核心是通过神经网络直接学习从原始传感器数据（如图像、雷达信号）到车辆控制指令（如转向、加速、制动）的映射关系，无需显式设计中间模块。
RT2模型： 基础：利用深度学习的视觉语言模型进行预训练。 特点： 端到端学习：能在机器人任务上进行微调，实现理解和执行新对象、解释命令并进行推理的能力。 动作与语言融合：把语言、动作和图片统一在输出空间中，利用VLM生成动作。
关于大模型的发展史简述和大模型的发展史简述怎么写的介绍到此就结束了，感谢阅读。
发表评论