人工智能

什么是人工智能？

人工智能 (AI) 使机器能够从经验中学习、适应新的输入并执行类似人类的任务。你今天听到的大多数人工智能案例（从下棋计算机到自动驾驶汽车）都严重依赖深度学习和自然语言处理。使用这些技术，可以训练计算机通过处理大量数据并识别数据中的模式来完成特定任务。

人工智能历史

人工智能一词于 1956 年被创造，但由于数据量的增加、先进的算法以及计算能力和存储的改进，人工智能如今变得更加流行。

20 世纪 50 年代的早期人工智能研究探讨了问题解决和符号方法等主题。20 世纪 60 年代，美国国防部对此类工作产生了兴趣，并开始训练计算机模仿人类的基本推理。例如，国防高级研究计划局 (DARPA) 在 20 世纪 70 年代完成了街道测绘项目。早在 Siri、Alexa 或 Cortana 家喻户晓之前，DARPA 就在 2003 年推出了智能个人助理。

这项早期工作为我们今天在计算机中看到的自动化和形式推理铺平了道路，包括可以设计用来补充和增强人类能力的决策支持系统和智能搜索系统。

虽然好莱坞电影和科幻小说将人工智能描述为接管世界的类人机器人，但人工智能技术目前的发展并不那么可怕，或者说也不是那么聪明。相反，人工智能已经发展到为每个行业提供许多特定的好处。继续阅读医疗保健、零售等领域人工智能的现代示例。

• 1950 年代–1970 年代

神经网络

神经网络的早期研究激起了“思考机器”的兴奋。

• 1980 年代–2010 年代

机器学习

机器学习变得流行。

• 2011–2020年代

深度学习

深度学习的突破推动了人工智能的繁荣。

• 今天

生成式人工智能

生成式人工智能（Generative AI）是一种颠覆性技术，越来越受欢迎。

值得关注的人工智能趋势

快来观看此视频，听听人工智能专家和数据科学专家对未来十年人工智能趋势的看法。

道德在人工智能的未来中扮演什么角色？大数据有多重要？为什么领域知识对于人工智能的成功至关重要？

最重要的是：“谁真正拥有数据。谁将成为国王。”技术先驱哈珀·里德 (Harper Reid) 说道。

为什么人工智能很重要？

人工智能通过数据自动进行重复学习和发现。 人工智能不是自动执行手动任务，而是执行频繁、大量的计算机化任务。而且它的工作非常可靠且不会疲劳。当然，人类对于建立系统并提出正确的问题仍然至关重要。

人工智能为现有产品增添了智能。您已经使用的许多产品都将通过 AI 功能进行改进，就像 Siri 作为一项功能添加到新一代 Apple 产品中一样。自动化、对话平台、机器人和智能机器可以与大量数据相结合，以改进许多技术。家庭和工作场所的升级范围从安全智能和智能摄像头到投资分析。

人工智能通过渐进式学习算法进行调整，让数据进行编程。人工智能发现数据中的结构和规律，以便算法能够获得技能。正如算法可以自学下棋一样，它也可以自学下一步在网上推荐什么产品。当给定新数据时，模型会进行调整。

人工智能使用具有许多隐藏层的神经网络来分析更多、更深入的数据。构建具有五个隐藏层的欺诈检测系统过去是不可能的。令人难以置信的计算机能力和大数据改变了这一切。您需要大量数据来训练深度学习模型，因为它们直接从数据中学习。

人工智能通过深度神经网络实现了令人难以置信的准确性。例如，你与 Alexa 和 Google 的交互都是基于深度学习。而且，您使用的次数越多，这些产品就会变得越准确。在医学领域，深度学习和对象识别的人工智能技术现在可用于在医学图像上精确定位癌症，从而提高准确性。

人工智能充分利用数据。当算法能够自学习时，数据本身就是一种资产。答案就在数据中。你只需要应用人工智能来找到它们。由于数据的作用现在比以往任何时候都更加重要，它可以创造竞争优势。如果你在竞争激烈的行业中拥有最好的数据，即使每个人都在应用类似的技术，最好的数据也会获胜。

人工智能的应用

每个行业对人工智能能力都有很高的需求——包括可用于自动化、学习、法律援助、风险通知和研究的系统。人工智能在工业中的具体用途包括：

卫生保健

人工智能应用程序可以提供个性化医疗和 X 射线读数。个人医疗保健助理可以充当生活教练，提醒你服药、锻炼或饮食更健康。

零售

人工智能提供虚拟购物功能，提供个性化推荐并与消费者讨论购买选项。库存管理和站点布局技术也将通过人工智能得到改进。

制造业

人工智能可以分析来自连接设备的工厂物联网数据，并使用循环网络（一种与序列数据一起使用的特定类型的深度学习网络）来预测预期负载和需求。

银行业

人工智能提高了人类工作的速度、精度和有效性。在金融机构中，人工智能技术可用于识别哪些交易可能存在欺诈，采用快速准确的信用评分，以及自动执行手动密集的数据管理任务。

人工智能如何工作

人工智能的工作原理是将大量数据与快速迭代处理和智能算法相结合，使软件能够自动从数据中的模式或特征中学习。人工智能是一个广泛的研究领域，包括许多理论、方法和技术，以及以下主要子领域：

机器学习

机器学习可自动构建分析模型。它使用神经网络、统计学、运筹学和物理学的方法来寻找数据中隐藏的见解，而无需明确编程来确定在哪里查看或得出什么结论。

神经网络

神经网络是一种机器学习，由互连的单元（如神经元）组成，通过响应外部输入并在每个单元之间中继信息来处理信息。该过程需要多次传递数据以找到联系并从未定义的数据中获取含义。

深度学习

深度学习使用具有多层处理单元的庞大神经网络，利用计算能力的进步和改进的训练技术来学习大量数据中的复杂模式。常见应用包括图像和语音识别。

此外，还有多项技术支持人工智能：

视觉计算机：依靠模式识别和深度学习来识别图片或视频中的内容。当机器可以处理、分析和理解图像时，它们就可以实时捕获图像或视频并解释周围的环境。

自然语言处理 （NLP）：是计算机分析、理解和生成人类语言（包括语音）的能力。NLP 的下一阶段是自然语言交互，它允许人类使用正常的日常语言与计算机进行交流以执行任务。

图形处理单元：是人工智能的关键，因为它们提供迭代处理所需的强大计算能力。训练神经网络需要大数据和计算能力。

物联网：从连接的设备生成大量数据，其中大部分未经分析。利用人工智能实现模型自动化将使我们能够更多地使用它。

先进的算法：正在以新的方式开发和组合，以更快地、多层次地分析更多数据。这种智能处理对于识别和预测罕见事件、理解复杂系统和优化独特场景至关重要。

API（应用程序编程接口）：是可移植的代码包，可以将人工智能功能添加到现有产品和软件包中。他们可以向家庭安全系统添加图像识别功能以及描述数据、创建标题或找出数据中有趣的模式和见解的问答功能。

总而言之，人工智能的目标是提供能够对输入进行推理并对输出进行解释的软件。人工智能将提供类似人类的软件交互，并为特定任务提供决策支持，但它不会取代人类，起码不会很快取代人类。