只管人工智能技能的进化迭代周期并非固定的，其取决于技能繁芜性、研究资金可用性、市场需求等诸多成分。
但根据一些研究和报告，我们可以得出一个大致结论：人工智能技能的进化迭代周期已缩短至约5年旁边，可以预见，下一个周期（即2028年旁边），人工智能技能将有一个更强大、更具颠覆性的进步。
#畅聊人工智能#

这里所说的人工智能技能是指基于神经网络的深度学习技能。

深度学习的观点早在1980年代就已经被提出，但是直到2006年，深度学习才真正开始盛行起来。
2006 年，深度学习的先驱之一，加拿大打算机科学家 Geoffrey Hinton 在一篇论文中提出了“深度信念网络”（Deep Belief Network，DBN），这被认为是深度学习复兴的开始。
2007 年，Hinton 与他的学生一起提出了“卷积神经网络”（Convolutional Neural Network，CNN），这种方法被广泛运用于图像识别等任务。
2012 年，深度神经网络在多个大型数据集上取得了打破性的成果，例如在 ImageNet 图像识别寻衅赛上，利用深度学习神经网络超过了其他传统方法，这使得深度学习技能得到了广泛的关注和运用。
也便是从2012年起，深度学习技能在语音识别、自然措辞处理、推举系统、打算机视觉等诸多领域都取得了显著的进展。
#Geoffrey Hinton# #cnn# #rnn#

2017年，Transformer构造由Google的研究职员在论文"Attention Is All You Need"中提出的。
Transformer是一种完备基于把稳力机制的模型，它可以处理序列到序列的问题，如机器翻译、文本天生、语音识别等。
Transformer的紧张优点是它可以并行处理所有的输入元素，这大大加快了模型的演习速率。
此外，Transformer的自把稳力机制可以在处理序列时，对序列中的每个元素进行全局的、平等的考虑，这使得模型能够更好地理解序列的全局信息。

Transformer作为一种非常盛行的模型构造，不少大模型如BERT、GPT都是基于Transformer构造构建并且取得了很好的效果。
目前最为强大的人工智能大模型如ChatGPT、GEMINI等也因此Transformer作为核心构造的。
而显而易见的，这些大模型的智能水平相较于CNN、RNN等早期网络已有颠覆性的进步。
#Transformer# #chat GPT# #openai# #gemini# #Ilya Sutskever#

总的来说，人工智能技能的迭代和更新是一个繁芜的过程，涉及到多个层面和成分。
但我们可以确定的是，随着技能的发展和市场的需求，这个周期已经来到5年旁边，并且正在不断地缩短。
OpenAI的研究也指出，80%的美国劳动力将在某种程度上受到ChatGPT等智能大模型的影响，弗成思议，不才一个周期，人工智能技能会对人类社会带来哪些颠覆性的影响。
#人工智能#