新書推薦：
《
失落世界的幻境：博物馆里的古生物复原艺术
》
售價：NT$
857.0
《
明仕录（真实还原明代精致生活）
》
售價：NT$
1015.0
《
文心雕龙义证（全四册）
》
售價：NT$
1622.0
《
国史大纲（上下册）（简体字版）
》
售價：NT$
500.0
《
长寿：逆转和延缓衰老的科学饮食（上下册）
》
售價：NT$
857.0
《
安史之乱：历史、宣传与神话（40幅插图，深度还原安史之乱重要战事）
》
售價：NT$
704.0
《
亚伯拉罕的行李：中世纪印度洋世界的饮食、日用与旅行技艺
》
售價：NT$
602.0
《
中国历代文论要略（全三册）
》
售價：NT$
714.0
|
| 編輯推薦： |
前沿理论 技术机理与产业发展
合规要点 技术和产品合规要点
监管动态 域外合规要览
|
| 內容簡介： |
|
技术演进的加速与应用场景的深化，如同硬币的两面，在释放技术前所未有的创新潜能之时，也折射出复杂的法律风险与伦理挑战。本书聚焦生成式人工智能的技术机理与产业发展、技术和产品合规要点以及其域外合规要览，以生成式人工智能全生命周期为视角，涵盖了从产品准备阶段到训练过程阶段，以及内容输出阶段的各个关键合规节点，力求理论与实务的紧密结合，希望通过“理论深度”与“实务精度”的双重打磨，为读者构建一个既能理解“为什么”，又能知道“怎么办”的知识体系。
|
| 關於作者： |
张欣，对外经济贸易大学法学院教授、博士生导师、党委委员，对外经济贸易大学数字经济与法律创新研究中心主任。国家万人计划青年拔尖人才、北京市社科基金青年学术带头人、首都巾帼科技领航导师。主要研究人工智能治理和平台治理，兼任全国平台经济治理标准化技术委员会副秘书长，世界互联网大会特聘专家，中国法学会网络与信息法学研究会理事、宣传委员，中国法学会立法学研究会理事，中国法学会法理学研究会理事。
陈晨，知名互联网公司法律研究中心主任，中国法学会网络与信息法学研究会常务理事，中国广告协会法律与道德委员会副主任，中国药品监督管理研究会药品流通监管研究专业委员会委员，对外经济贸易大学法学院、中国政法大学法律学院校外导师，致力于人工智能、互联网医药平台、互联网广告合规等相关产业的法律政策研究工作。
王新锐，毕业于清华大学法学院，北京世辉律师事务所管理合伙人、合规业务负责人，执业领域主要为数据合规及人工智能，兼任B20、ICC等国际组织合规工作组中方专家及北京市律师协会数字经济与人工智能领域法律专业委员会副主任，持续获得钱伯斯、《亚洲法律杂志》（ALB）、《法律500强》（The Legal 500）、《商法》等多个国内外法律评级机构推荐，专业观点经常被新华社、人民网等主流媒体及政府网站引用。
吴涵，毕业于武汉大学和北京大学，北京市金杜律师事务所合规业务部合伙人，执业领域主要为网络安全、数据合规及人工智能治理，兼任互联网协会互联网法治工作委员会副秘书长等，荣获《亚洲法律杂志》（ALB）中国十五佳网络安全和数据保护律师及十五佳TMT律师，以及钱伯斯《大中华区法律指南》、《法律500强》（The Legal 500）“领先律师”“明日之星”等称号。
|
| 目錄：
|
第一编 生成式人工智能的技术机理与产业发展
第一章?生成式人工智能的前世今生 / 003
一、生成式人工智能与人工智能生成内容的定义 / 003
二、生成式人工智能的发展历程 / 005
（一）前深度学习时代（20世纪50年代—20世纪80年代） / 006
（二）深度学习时代（20世纪80年代至今） / 006
三、生成式人工智能的技术原理 / 008
（一）芯片层 / 009
（二）深度学习框架层 / 010
（三）模型层 / 011
（四）应用层 / 012
四、生成式大模型的技术特点 / 014
（一）生成式大模型以海量数据为学习基础 / 014
（二）生成式大模型以深度神经网络为学习架构 / 016
（三）人类可以对大模型进行一定程度的干预 / 017
（四）生成式大模型是基于概率预测生成内容 / 018
五、生成式人工智能的应用 / 019
（一）从一个例子看人工智能在应用中发挥的重要作用 / 019
（二）从应用场景看人工智能原生应用 / 021
（三）从投融资角度看人工智能原生应用 / 023
六、AIGC产业发展情况和展望 / 024
（一）MaaS打造AIGC新业态 / 026
（二）AIGC应用从to-B和to-C两端构建生态 / 027
（三）聊天机器人应用场景多样化 / 027
（四）多模态、跨模态 / 028
（五）AI Agent（智能体）将获得更广阔的角色价值与发展空间 / 028
第二章?生成式人工智能的风险 / 029
一、硬件层：人工智能芯片短缺风险 / 029
二、数据层 / 031
（一）数据质量风险 / 032
（二）数据安全风险 / 035
（三）使用版权数据做预训练的侵权风险 / 037
（四）数据爬取导致的不正当竞争风险 / 040
（五）数据孤岛与数据交易不足风险 / 041
三、算法层 / 043
（一）算法安全风险 / 048
（二）算法公平风险 / 050
（三）算法透明度风险 / 052
（四）算法归责风险 / 054
四、应用层 / 055
（一）内容安全风险 / 055
（二）著作权法律风险 / 058
（三）新型不正当竞争和垄断风险 / 061
（四）侵犯人格权、肖像权等风险 / 063
（五）伦理风险 / 065
第二编 生成式人工智能技术和产品合规要点
第三章?生成式人工智能产品准备阶段的合规要点 / 073
一、训练数据集合规要点 / 073
（一）数据来源合规 / 073
（二）数据集的预处理工作 / 091
（三）数据安全 / 099
二、算法/模型合规要点 / 104
（一）准入类资质 / 104
（二）算法备案 / 110
（三）算法机制机理审核研究 / 117
（四）安全评估 / 125
（五）科技伦理审查 / 131
第四章?生成式人工智能模型训练阶段的合规要点 / 138
一、训练阶段 / 138
（一）预训练 / 139
（二）优化训练 / 141
二、训练阶段的合规要点 / 146
（一）采取完善的数据治理措施 / 147
（二）编制技术文件 / 148
（三）日志记录和保存义务 / 148
（四）解释说明的义务 / 149
（五）管理优化训练中的标注人员 / 149
（六）模型的安全性测评 / 150
三、内容输出阶段 / 151
（一）知识产权合规要点 / 151
（二）信息发布审核 / 153
（三）平台内容管理 / 154
（四）标识要求 / 156
（五）协助监管 / 158
（六）生态治理 / 158
第五章?生成式人工智能的基准和评估 / 161
一、安全性评估标准 / 161
（一）评估“模型欺骗”或“模型出逃”的风险 / 161
（二）评估被“滥用”的风险 / 164
（三）安全评估的方法及要求 / 165
二、合规评估标准 / 167
（一）算法备案的合规标准 / 167
（二）欧盟“高风险人工智能系统”的合规标准 / 171
第六章?生成式人工智能部署环节的合规 / 180
一、大模型垂直部署 / 180
（一）保证数据质量的义务 / 180
（二）全周期的内容评估义务 / 181
（三）大模型开发者的提示义务 / 181
二、基于API调用的部署 / 182
（一）开源合规 / 184
（二）数据合规 / 185
（三）安全评估和算法合规 / 188
（四）内容合规 / 189
三、基于插件模式的部署 / 190
（一）插件模式下反馈信息的合规问题 / 190
（二）生成式人工智能基于插件模式调用第三方程序合规问题 / 193
四、“一站式”大模型集成平台 / 195
（一）内容管理 / 195
（二）用户管理 / 196
（三）应急处理 / 199
第三编 生成式人工智能域外合规要览
第七章?欧盟生成式人工智能合规框架 / 206
一、欧盟生成式人工智能合规监管体系概述 / 206
（一）欧盟生成式人工智能技术产业现状 / 206
（二）欧盟生成式人工智能治理的基本原则 / 209
（三）主要监管部门及职责 / 212
二、主要规定与历史沿革 / 216
（一）监管法律及其历史沿革 / 216
（二）主要监管及激励措施 / 218
三、合规要点 / 221
（一）高风险人工智能系统的合规要求 / 221
（二）有限风险人工智能系统的合规要求 / 233
（三）通用人工智能模型提供者的合规要求 / 235
第八章?美国生成式人工智能合规框架 / 237
一、美国生成式人工智能合规监管体系概述 / 237
（一）美国生成式人工智能治理的基本原则 / 237
（二）主要治理主体及职责 / 241
二、主要规定与历史沿革 / 251
（一）美国生成式人工智能联邦监管立法及政策概述 / 251
（二）《人工智能基础模型透明法案》重点制度框架 / 254
三、合规要点 / 256
（一）生成式人工智能大模型训练数据合规 / 256
（二）知识产权保护合规 / 259
（三）产品准入及前置程序合规 / 263
（四）内容安全及伦理安全 / 265
第九章?英国生成式人工智能合规框架 / 267
一、英国生成式人工智能合规监管体系概述 / 267
（一）英国生成式人工智能治理的基本原则 / 267
（二）主要监管部门及职责 / 268
（三）监管框架思路、依据、风险 / 269
二、主要规定与历史沿革 / 271
（一）《国家人工智能战略》提出的未来立法监管规划 / 271
（二）英国生成式人工智能监管规则概览 / 274
三、英国治理体系特征 / 276
（一）秉承去中心化监管理念，以行业自主治理为主 / 276
（二）重点行业治理特点与制度 / 279
四、合规要点 / 283
（一）确定适用的人工智能监管规范与范围 / 283
（二）追踪主管行业立法与监管措施 / 285
（三）关注持续性合规义务与成本 / 285
（四）关注人工智能训练数据的版权合规 / 286
第十章?日本生成式人工智能合规框架 / 288
一、日本生成式人工智能合规监管体系概述 / 288
（一）日本生成式人工智能治理的基本原则 / 288
（二）主要治理主体以及职责 / 289
二、主要法律规定与监管文件 / 290
（一）《日本AI法》 / 290
（二）日本生成式人工智能治理的现有法律适用 / 291
（三）日本生成式人工智能现有监管体系 / 292
|
| 內容試閱：
|
在科技演进的长河中，总有一些里程碑式的节点，不仅重新定义了技术的疆界，更深刻地重塑了人类与世界互动的范式，并对现有的社会结构、伦理规范及法律体系带来了深远的机遇与挑战。2022年，以ChatGPT为代表的大型语言模型横空出世，其所展现出的颠覆性交互与内容生成能力，犹如平地惊雷，宣告了生成式人工智能时代的到来。这场由生成式人工智能驱动的技术浪潮，迅速从实验室走向公众，在全球范围内点燃了对人工智能及其未来的无尽想象与热烈讨论，清晰预示着一场堪比工业革命与信息革命的深刻变革正在加速降临。生成式人工智能，正以其前所未有的力量，叩响着一个全新时代的大门。
正当ChatGPT引发的技术浪潮席卷全球、其深远影响尚在持续发酵之际，人工智能技术演进的历史脚步却从未有片刻停歇，生成式人工智能领域不断涌现出具有理论突破性与实践创新性的新兴力量。我国的人工智能初创企业深度求索（DeepSeek）的技术突破具有重要战略意义。其相继推出的DeepSeek-R1和DeepSeek V3模型，成功在降低算力依赖的同时保持了卓越性能，实现了效能与成本的优化平衡。其在代码生成、深度推理、乃至模型开源策略等方面所展现的特色与突破，进一步印证了生成式人工智能技术的蓬勃生命力与无限可能，为全球生成式人工智能的技术发展注入了东方智慧，彰显了技术创新道路的多样性与包容性。
如果说ChatGPT的出现点燃了生成式人工智能的引线，掀起了第一波全球性的关注与应用探索热潮，那么DeepSeek等后续优秀模型的涌现，便象征着这场技术革命正加速向纵深发展。这些新一代模型不再局限于追求“无所不能”的通用性，而是日益聚焦于特定应用场景进行深度优化，致力于实现更高的运行效率、更优的成本效益、更精深的专业能力以及更灵活的部署选项。这种向纵深发展的趋势，一方面显著拓宽了生成式人工智能技术的应用版图，使其影响力迅速超越最初的猎奇体验和内容辅助创作阶段，加速渗透至软件开发、科学研究、金融分析、教育医疗等关系国计民生的核心生产力领域；另一方面也驱动着围绕生成式人工智能的产业生态系统日趋复杂和繁荣。参与主体不再局限于少数科技巨头，更多元化的创新力量，包括活跃的开源社区以及不同规模和背景的科技企业，都在积极投身其中，共同塑造着这一新兴领域的发展格局与未来走向。
技术演进的加速与应用场景的深化，如同硬币的两面，在释放技术前所未有的创新潜能之时，也折射出复杂的法律风险与伦理挑战，将合规问题推至人工智能治理的前沿领域。当以DeepSeek为代表的生成式人工智能模型以超越传统认知的效率生成代码、构建文本、创作艺术作品时，一系列具有挑战性的法律问题随之浮现：首先，是数据获取合法性边界与知识产权法律框架的调适问题。生成式人工智能的核心能力植根于对海量数据的深度学习与特征提取，这些训练数据不可避免地涵盖了受著作权法保护的作品、个人信息保护法规制的事关个体隐私的数据乃至商业秘密视域下的专有知识。模型训练过程是否构成对原作品的“合理使用”仍然存在争议；模型生成内容的权利归属如何在人类创作者、模型开发者与最终用户之间进行合理配置，尚缺乏系统性的规范依据；当模型输出与既有作品呈现高度相似性时，侵权认定的构成要件与责任阈值如何科学设定，亟待“规范性重构”。其次，是内容生成与责任体系的模糊地带。人工智能生成内容可能包含事实偏差、认知偏见、侵犯人格权的表述，甚至被恶意引导用于网络攻击、诈骗等违法活动。当算法逻辑取代部分人类判断，成为信息生产的关键源头，内容的真实性、准确性与合法性责任如何在多层次且复杂的产业链条中进行合理分配？传统的法律责任体系如何适应这一技术变革？责任主体的认定与归责原则的构建，均需要法律理论的创新突破与实务经验的系统总结。最后，是企业技术创新与法律合规的辩证关系。生成式人工智能的发展速度远超传统法律的演进周期，催生治理滞后与技术失控的潜在风险。生成式人工智能的竞争本质上是技术创新、产品应用、人才储备与制度建设的系统性竞争。我国科技企业的合规能力不仅关乎产品开发的源头治理效能，更为负责任的人工智能创新提供了落地机制。生成式人工智能的出现，使得企业合规管理呈现出前所未有的复杂性与重要性，也内含对科技企业的法律合规体系具备更高的适应性、前瞻性与实践操作性的系统要求。
在生成式人工智能时代，上述治理挑战的有效解决，将成为决定生成式人工智能健康发展的关键变量。正是在这样波澜壮阔而又颇具挑战的时代背景下，在以DeepSeek为代表的生成式人工智能技术持续深化、应用场景日益广泛而法律合规挑战日益凸显的关键节点上，本书应运而生。本书的撰写，旨在回应当前社会各界对于理解和应对生成式人工智能法律风险的迫切需求，为在汹涌浪潮中航行的科技企业、产品开发者、法律从业者以及研究人员提供一个清晰、系统、实用的合规框架。
本书的贡献，不仅在于对生成式人工智能法律议题的系统性梳理与理论化解读，亦在于其对法律规范体系与技术发展动态互动关系的深度剖析。本书以生成式人工智能全生命周期为视角，涵盖了从产品准备阶段到训练过程阶段，以及内容输出阶段的各个关键合规节点。此外，本书就生成式人工智能的基准和评估，以及生成式人工智能部署环节的合规以及域外合规动态也进行了系统梳理，力求做到理论与实务的紧密结合。我们深知，面对日新月异的技术和尚在形成中的法律规则，空泛的理论探讨难以满足合规实践的迫切需求。因此，本书在阐释基本合规原理的同时，还侧重于提炼合规要点，探讨风险评估与合规管理策略，并尝试提出具有可操作性的解决方案。我们希望通过“理论深度”与“实务精度”的双重打磨，为读者构建一个既能理解“为什么”，又能知道“怎么办”的知识体系。
在形成本书的编撰构想后，我们深感荣幸能够与中国法治出版社建立出版合作关系，由此得以邀请来自法律实务领域的一线资深专家共同探索生成式人工智能合规治理的理论基础与实践路径。本书编者群体长期耕耘于人工智能产业界与法律实务领域的前沿地带，既深度参与人工智能企业内部合规体系的构建与实施，又持续关注人工智能法律政策研究的前沿动态，具备理论研究与实践经验的双重背景。我们期冀本书能够为人工智能领域的理论研究者与法律实务工作者提供一个理解生成式人工智能产业发展与合规治理的系统性知识框架，为其把握技术演进趋势与规范生态演化提供多维度的分析视角与合规指引。在此，谨向参与本书编写的世辉律师事务所王新锐律师团队的冯博林、李慧、梁钊、罗雨、臧翌晗、朱赞、刘洋、夏文燕、鄢布凡、余扬横波、刘雨薇、陈思行、刘冉、杨葳葳、王靓迪、杨芷瑶、陈缘、张旖琳、江婷婷律师，金杜律师事务所吴涵律师团队的张浣然、刘畅、罗嗣昊、高彤悦、陈琳珺、吴舸、吴仁浩、王储、董方倩、刘阳律师以及某互联网公司法律研究中心陈晨老师团队的李轶夫、董昱诚表谢意。值得特别致谢的是，植德律师事务所合伙人时萧楠律师基于其丰富的在日法律实务经验，为本书提供了关于日本人工智能规制体系的第一手资料与合规要点分析。上海君伦律师事务所高级合伙人、副主任金昌华律师就韩国人工智能立法的最新发展态势提供了详实的制度梳理，虽因篇幅所限未能全部收录于本书定稿，但其学术贡献仍值得特别感谢。与此同时，我们向中国法治出版社的程思老师、于昆老师致以诚挚谢意。本书的筹备、编辑与出版凝聚了他们的心血和智慧。他们的专业和严谨为本书的顺利出版提供了坚实保障。
面对生成式人工智能合规这一崭新课题，我们期望本书能提供一个可靠的思考支点，引发更多有价值的讨论与实践。对于科技企业而言，它可以作为构建内部合规体系、评估产品风险、制定发展战略的一个基础参考；对于法律专业人士而言，它可以提供理解新兴技术法律问题的系统框架和实务工具；对于技术开发者而言，它可以帮助其在创新过程中更好地融入法律与伦理考量，实现“负责任的创新”；对于政策制定者和研究者而言，它可以为完善相关法律法规、推动人工智能治理提供一些有益的借鉴。
科技向善，法治护航。愿本书能襄助各位读者朋友在这场颠覆性的技术变革中找到合规的航标，行稳致远。
张 欣
2025年8月于惠园
第一章?生成式人工智能的前世今生
一、生成式人工智能与人工智能生成内容的定义
如同20世纪初的电气化、内燃机等通用技术一样，通用人工智能（Artificial General Intelligence，AGI）必将改变未来的世界，而人们普遍认为，生成式人工智能（Generative Artificial Intelligence，GAI）正是打开通用人工智能之门的那把钥匙。2022年至今，随着ChatGPT、StableDiffusion、MidJourney等新型生成式人工智能技术与应用的诞生，国内以百度、阿里为首的互联网“大厂”的迅速跟进，人工智能一夜之间由1.0时代迈进了2.0时代，而人工智能生成内容（Artificial Intelligence Generated Content，AIGC）这个概念不断激发着社会公众和产业界新的兴趣，也引起了各国政府主管部门的关注和重视。
与很多术语一样，人们从多重维度为AIGC赋予了多种定义，如麦肯锡（Mckinsey & Company）从使用体验角度将其定义为“生成式人工智能旨在通过以一种接近人类行为，（与人类）进行交互式协作”；加特纳（Gartner）从技术进步角度将其定义为“生成式人工智能是一种颠覆性的技术，它可以生成以前依赖于人类的工件，在没有人类经验和思维过程偏见的情况下提供创新的结果”等。然而，在“Artificial Intelligence Generated Content”这四个单词中，法律工作者最关注的词汇则是这个词组的中心词，即“Content（内容）”。可以说，AIGC的法律合规实务就是要解决人工智能（Artificial Intelligence， AI）生成的内容本身及其生成技术、生成过程所触及和引发的各类法律问题。因此，结合百度、阿里、科大讯飞等AIGC头部企业，信通院等权威研究机构对AIGC的相关表述，本书将AIGC定义为：人工智能按照人类的输入要求自动生成的内容。这一定义首先符合AIGC的字面本意，其次符合当前AIGC的内容生产范式，最重要的是能够从根本上明晰本书后续部分即将讨论的法律实务中涉及的边界性问题。值得注意的是，由于本书非技术性文献，术语可能存在不严谨之处，为方便读者理解，本书所述的“生成式大模型”“生成式语言大模型”“大模型”均等同于“生成式人工智能”。
实际上，自人工智能进入深度学习时代以来，神经网络已经逐步发展成为可以“拟合一切”的信息技术。AIGC萌芽于深度学习土壤之上，成果于生成式人工智能成熟之时，在其产生过程中，人工智能遵循人类的指令，从其压缩的知识中大规模自动搜索可能的组合，并可以极高的效率找到最优或有创新潜力的新组合。重组增长理论认为，技术与创意的重组可以将现有想法和技术进行新的组合和应用，而不是依靠从零创造新想法，跨领域、跨行业的融合又会推动更多领域的融合创新，加速知识的流通和扩散，而知识的流通和扩散正是增长产生的关键因素，因此这种重组式创新会产生强烈的协同效应和网络效应，带来指数级的增长。目前的AIGC在ChatGPT诞生以前就已经悄然向各生产领域渗透，并在文本、图像、音频、视频、程序代码、科研内容（如蛋白质结构）、多模态（模态间组合搭配、混合生成，如文生图、图生视频等）等多条赛道上展现实力或取得了显著的成果。可以说，AIGC是人工智能技术发展带来的丰硕成果，它正在也将要重塑人类社会内容产生方式，创造大量的市场机会并带来增长。互联网将从专业人员生产的内容（Professional Generated Content，PGC）到用户生产的内容（User Generated Content，UGC），最终走向AIGC，它不仅会提升内容生产的效率，也会创造出有独特价值和独立视角的内容。
二、生成式人工智能的发展历程
创造力长期以来被视作人区别于机器乃至大多数动物的一项重要能力，因此，教会计算机创作是人工智能界一直以来的一项重大目标。1950年，英国科学家艾伦·图灵在其重要论文《Computing Machinery and Intelligence（计算机器与智能）》中提出了判断机器是否能够思考的著名试验，即图灵测试。在这项测试的设定中，图灵认为，会思考的机器应该能生成关于人类测试者聊天问题的回答，并可以在另一位人类受测者的百般干扰下，成功让测试者无法区分哪一位才是真正的人类。图灵测试的这一目标引领了自1957年达特茅斯会议至今人工智能界探索的脚步。回顾人工智能多年来起起伏伏的发展历程，最重要的分水岭是辛顿（Geoffrey Hinton）等专家在20世纪80年代逐步探索并发展起来的深度学习。可以说，当今人工智能领域的主要技术成果都是基于深度学习技术的。了解人工智能，必须了解人工智能的发展历史，本节将重点梳理深度学习出现前后AIGC发展的主要历程。
（一）前深度学习时代（20世纪50年代—20世纪80年代）
在这个时代，以马文·明斯基（Marvin Minsky）、赫伯特·西蒙（Herbert Simon）、纽厄尔（Allen Newell）等为代表的早期理性主义人工智能学者，提倡研究“命题逻辑、谓词逻辑”等知识表达，以及启发式搜索算法。在此同期，机器学习、第一代神经网络“感知机”等新的路线，刚刚显露头角就面临被彻底否定的尴尬局面。1969年，计算机科学家马克·米尔（Marvin Minsky）和西摩·帕帕特（Seymour Papert）发表了一本名为《感知机》的书，指出线性感知机功能有限，甚至不能解决简单的异或（Exclusive OR，XOR）问题。受此批判影响，整个20世纪70年代的神经网络研究进入了低谷期。其后，人工智能研究又因无法很好地解决各类实际问题，而陷入缺乏资源投入的窘境。这个时代的AIGC限于当时的技术水平，内容都较为简单，应用场景也非常局限。
（二）深度学习时代（20世纪80年代至今）
深度学习是机器学习的一种形式，其主要特征是通过深层神经网络学习样本数据的内在规律和表示层次，从而使计算机获得像人一样分析学习的能力。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术以及其他相关领域都取得了很多成果，远远超过了先前相关技术，是目前实用人工智能领域最重要的理论基础。
在深度学习出现以前，人工智能技术先后遭遇两次寒冬。很大一部分原因，是理性主义人工智能会遭遇逻辑爆炸、脱离实际的问题。比如，乔姆斯基（Avram Chomsky）提出的“中心嵌套（Chomsky hierarchy）”理论就认为，人类自然语言逻辑不收敛，因此无法用有限状态机（图灵机）有效处理，有限状态机就像一个只能记住几个固定步骤的自动售货机，而自然语言中的复杂句子就像俄罗斯套娃，自动售货机无法有效处理套娃的拆分工作。如果从这个角度出发，人工智能技术似乎既无法最终实现，也难以完成现实任务，而这显然不符合人类对客观自然的基本认知和判断。
既然此路不通，人们又把眼光投向了另一条路线，即“机器学习”“神经网络”技术路线，正是这次思想转变使得人工智能技术在今天开花结果。机器学习概念起源于1952年，当时塞缪尔（Arthur Samuel）通过一款西洋跳棋程序提出了“在不直接针对问题进行明确编程的情况下，通过赋予计算机学习能力解决问题”的机器学习理论。神经网络概念起源于1957年，当时罗森布拉特（Frank Rosenblatt）模仿人类神经元工作原理发明了单层的第一代神经网络“感知器”及其训练方法，可以解决线性二分问题，即对具备不同特点的样本实施分类。1986年，辛顿（Geoffrey Hinton）从芬兰科学家林纳因玛（Seppo Linnainmaa）的自动差分中获得灵感，提出了（在训练过程中对模型参数的修正量）反向传播（Back Propagation）方法，实现了多层感知机，解决了初版感知机无法解决连通性问题（平面上字母X斜边两对定点的切分问题）和异或问题（负负得正、敌人的敌人是朋友）。2006年，辛顿又从统计力学的玻尔兹曼分布（Boltzmann Distribution，冶金淬火问题）理论中取经，提出了受限玻尔兹曼机，解决了多层神经网络训练过程中，参数稳定全局最优的问题。2012年，辛顿等人提出的AlexNet夺取了ImageNet大规模视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）的冠军，且远远领先第二名，这一成绩被誉为是深度学习的第一个显著成果，同时验证了图形处理单元即显卡（Graphic Processing Unit，GPU）加速在人工智能领域的重要作用。
自20世纪80年代至今，深度学习从萌芽到繁荣发展的同时，神经网络技术也取得了长足进步，先后出现了适合处理二维信号的卷积神经网络（Convolutional Neural Networks，CNN）、适合处理自然语言的循环神经网络（Recurrent Neural Network，RNN）、长短期记忆网络（Long Short-Term Memory，LSTM）以及Transformer等。这些神经网络与深度学习思想相结合，就形成了各类人工智能“大模型”。
……
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
