在沉淀累积阶段（1990s~2010s）AIGC逐渐从实验性转向实用性，2006年深度学习算法取得进展，同时GPU和CPU等算力设备日益精进，互联网快速发展，为各类人工智能算法提供了海量数据进行训练。2007年出版了首部由AIGC创作的小说《在路上》（ITheRoad），2012年微软展示了全自动同声传译系统，主要基于深度神经网络（DNN），自动将英文讲话内容通过语音识别等技术生成中文。在快速发展阶段（2010s~至今）2014年深度学习算法“生成式对抗网络”（GenerativeAdversarialNetwork,GAN）推出并迭代更新，助力AIGC新发展。2017年微软人工智能少年“小冰”推出世界首部由人工智能写作的诗集《阳光失了玻璃窗》，2018年NVIDIA(英伟达)发布StyleGAN模型可自动生成图片，2019年DeepMind发布DVD-GAN模型可生成连续视频。2021年OpenAI推出DALL-E并更新迭代版本DALL-E-2，主要用于文本、图像的交互生成内容。2023年AIGC入世元年而2023年更像是AIGC入世元年，AIGC相关的话题爆破式的出现在了朋友圈、微博、抖音等社交媒体，正式被大众所关注。 1955年末，NEWELL和SIMON做了一个名为"逻辑行家"（LOGIC THEORIST）的程序.漳州谷歌AIGC趋势

    AIGC的产品形态有哪些？1、基础层（模型服务）基础层为采用预训练大模型搭建的基础设施。由于开发预训练大模型技术门槛高、投入成本高，因此，该层主要由少数头部企业或研发机构主导。如谷歌、微软、Meta、OpenAI、DeepMind、。基础层的产品形态主要包括两种：一种为通过受控的api接口收取调用费；另一种为基于基础设施开发专业的软件平台收取费用。2、中间层（2B）该层与基础层的特别主要区别在于，中间层不具备开发大模型的能力，但是可基于开源大模型等开源技术进行改进、抽取或模型二次开发。该层为在大模型的基础上开发的场景化、垂直化、定制化的应用模型或工具。在AIGC的应用场景中基于大模型抽取出个性化、定制化的应用模型或工具满足行业需求。如基于开源的StableDiffusion大模型所开发的二次元风格图像生成器，满足特定行业场景需求。中间层的产品形态、商业模式与基础层保持一致，分别为接口调用费与平台软件费。3、应用层（2C）应用层主要基于基础层与中间层开发，面向C端的场景化工具或软件产品。应用层更加关注用户的需求，将AIGC技术切实融入用户需求，实现不同形态、不同功能的产品落地。可以通过网页、小程序、群聊、app等不同的载体呈现。龙岩bilibiliAIGC运营总之，80年代AI被引入了市场，并显示出实用价值.可以确信，它将是通向21世纪之匙。

    实现方法人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法，它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟，它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERICALGORITHM，简称GA）和人工神经网络（ARTIFICIALNEURALNETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，结尾为用户提供一个新的版本或提供一个新补丁，非常麻烦。

    这是智能化研究者梦寐以求的东西。2013年，帝金数据普数中心数据研究员WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于的操作能力，否则计算机真的有一天会“反捕”人类。当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是单纯、直白地反映着（至少一类）创造力模式的学科。 意识和环境是困扰研究的两大难题。我们到底应该怎样去制造智能机器呢？

    应用：在扩散模型（diffusionmodel）的基础上产生了多种令人印象深刻的应用，比如：图像超分、图像上色、文本生成图片、全景图像生成等。如下图，中间图像作为输入，基于扩散模型，生成左右视角两张图，输入图像与生成图像共同拼接程一张全景图像。生成全景图像产品与模型：在扩散模型的基础上，各公司与研究机构开发出的代替产品如下：DALL-E2（OpenAI文本生成图像，图像生成图像）DALL-E2由美国OpenAI公司在2022年4月发布，并在2022年9月28日，在OpenAI网站向公众开放，提供数量有限的无偿图像和额外的购买图像服务。Imagen（GoogleResearch文本生成图像）Imagen是2022年5月谷歌发布的文本到图像的扩散模型，该模型目前不对外开放。用户可通过输入描述性文本，生成图文匹配的图像。StableDiffusion（StabilityAI文本生成图像，代码与模型开源）2022年8月，StabilityAI发布了StableDiffusion，这是一种类似于DALL-E2与Imagen的开源Diffusion模型，代码与模型权重均向公众开放。（4）Transformer2017年由谷歌提出，采用注意力机制（attention）对输入数据重要性的不同而分配不同权重，其并行化处理的优势能够使其在更大的数据集训练，加速了GPT等预训练大模型的发展。 从图灵影响深远的奠基性研究到机器人和新人工智能的飞跃。漳州谷歌AIGC趋势

1957年一个新程序，"通用解题机"（GPS）的旗舰个版本进行了测试.这个程序是由制作"逻辑行家" 同一个组开发。漳州谷歌AIGC趋势

    采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。与人类差距2023年，中国科学院自动化研究所（中科院自动化所）团队崭新完成的一项研究发现，基于人工智能的神经网络和深度学习模型对幻觉轮廓“视而不见”，人类与人工智能的“角逐”在幻觉认知上“扳回一局”。 漳州谷歌AIGC趋势