人工智能 （AI） 是机器复制或增强人类智力的能力，例如推理和从经验中学习。人工智能多年来一直用于计算机程序，但现在已应用于许多其他产品和服务。例如，一些数码相机可以使用人工智能软件确定图像中存在哪些对象。此外，专家预测人工智能未来将有更多创新用途，包括智能电网。
AI 使用概率论、经济学和算法设计中的技术来解决实际问题。此外，AI 领域还借鉴了计算机科学、数学、心理学和语言学。计算机科学提供了用于设计和构建算法的工具，而数学提供了用于建模和解决生成的优化问题的工具。
尽管人工智能的概念自 19 世纪艾伦·图灵首次提出“模仿游戏”来评估机器智能以来就已经存在，但由于训练人工智能系统的计算能力和数据的可用性增加，直到近几十年才成为可能。
要理解 AI 背后的理念，您应该考虑人类智能与其他生物的区别——我们从经验中学习并将这些经验应用于新情况的能力。我们之所以能做到这一点，是因为我们拥有先进的脑力;我们的神经元比任何动物物种都多。
今天的计算机无法与人类的生物神经网络相提并论，甚至无法与之相提并论。但它们比我们有一个显著的优势：它们能够以比人类希望的速度更快的速度分析大量数据和体验。
AI 让您能够专注于最关键的任务，并根据获取的与使用案例相关的数据做出更好的决策。它可用于复杂的任务，例如预测维护要求、检测信用卡欺诈以及为送货卡车寻找最佳路线。换句话说，AI 可以自动化许多业务流程，让您专注于核心业务。
该领域的研究涉及生产机器以自动执行需要智能行为的任务。示例包括控制、规划和调度、回答诊断和消费者问题的能力、手写、自然语言处理和感知、语音识别以及移动和操作对象的能力。
AI 的历史及其多年来的发展历程
由于对现代人工智能的如此关注，很容易忘记这个领域并不是全新的。AI 经历了许多不同的时期，其区别在于重点是证明逻辑定理还是试图通过神经学模仿人类思想。
人工智能可以追溯到 1940 年代后期，当时艾伦·图灵 （Alan Turing） 和约翰·冯·诺伊曼 （John von Neumann） 等计算机先驱首次开始研究机器如何“思考”。然而，人工智能的一个重要里程碑发生在 1956 年，当时研究人员证明，如果允许机器使用无限量的内存，它可以解决任何问题。结果是一个称为 General Problem Solver （GPS） 的程序。
在接下来的二十年里，研究工作集中在将人工智能应用于现实世界的问题上。这一发展导致了专家系统，它允许机器从经验中学习并根据收集到的数据做出预测。专家系统不像人脑那么复杂，但可以训练它们来识别模式并根据这些数据做出决策。它们如今常用于医学和制造业。
第二个重要里程碑出现在 1965 年，开发了机器人 Shakey 和 ELIZA 等程序，这些程序使人与机器之间的简单对话自动化。这些早期程序为更先进的语音识别技术铺平了道路，最终导致了 Siri 和 Alexa。
最初围绕人工智能的兴奋持续了大约十年。它导致了编程语言设计、定理证明和机器人技术的重大进步。但它也引发了对该领域过度炒作的主张的强烈反对，资金在 1974 年左右急剧削减。
在十年没有太大进展之后，人们的兴趣在 1980 年代后期重新燃起。这种复兴主要是由于有报道称，机器在下跳棋或国际象棋等“狭隘”任务方面变得比人类更好，以及计算机视觉和语音识别的进步。这一次，重点是构建能够理解和学习真实世界数据的系统，减少人工干预。
这些发展缓慢地持续到 1992 年，当时兴趣再次开始增加。首先，计算能力和信息存储的技术进步有助于提高人们对人工智能研究的兴趣。然后，在 1990 年代中期，自 1980 年代初以来计算机硬件的重大进步推动了另一次重大繁荣。结果是，在几个重要的基准问题上，性能得到了显著的提高，例如图像识别，现在机器在某些任务上几乎与人类一样好。
21 世纪初是人工智能取得重大进步的时期。第一个重大进步是自学习神经网络的发展。到 2001 年，它的性能已经在许多特定领域超过了人类，例如对象分类和机器翻译。在接下来的几年里，由于底层技术的改进，研究人员提高了它在一系列任务中的性能。
这一时期的第二个重大进步是基于生成模型的强化学习算法的发展。生成模型可以从给定的类中生成新颖的示例，这有助于从非常少的数据中学习复杂的行为。例如，它们可用于仅从 20 分钟的驾驶经验中学习如何控制汽车。
除了这两项进步之外，过去十年中 AI 还取得了其他几项重大发展。人们越来越强调将深度神经网络用于计算机视觉任务，例如对象识别和场景理解。人们也越来越关注使用机器学习工具来完成自然语言处理任务，例如信息提取和问答。最后，人们越来越有兴趣使用这些相同的工具来完成语音识别任务，例如自动语音识别 （ASR） 和说话人识别 （SID）。
AI领域及算法
人工智能是计算机科学中最流行的领域。然而，随着所有新技术和研究的出现，它的发展如此之快，以至于理解什么是什么可能会让人感到困惑。此外，AI 中有许多不同的领域，每个领域都有其特定的算法。因此，必须知道 AI 不是一个单一的领域，而是各个领域的组合。
人工智能 （AI） 是能够让计算机完成由人类完成需要智能的事情的总称。AI 可以分为两个主要领域，机器学习 （ML） 和神经网络 （NN）。两者都是人工智能下的子领域，每个子领域都有其帮助解决问题的方法和算法。
机器学习
机器学习 （ML） 使计算机从数据和经验中学习，以提高它们在某些任务或决策过程中的性能。ML 使用统计和概率论来实现此目的。机器学习使用算法来解析数据、从中学习并做出决定，而无需显式编程。机器学习算法通常分为监督式或无监督式。监督算法可以将过去学到的知识应用于新的数据集;无监督算法可以从数据集中得出推理。机器学习算法旨在努力在给定的数据集中建立线性和非线性关系。这一壮举是通过用于训练算法从数据集中分类或预测的统计方法实现的。
深度学习
深度学习是机器学习的一个子集，它使用多层人工神经网络在对象检测、语音识别和语言翻译方面提供最先进的准确性。深度学习是无人驾驶汽车背后的一项关键技术，它支持对大量复杂数据进行机器分析，例如，识别图像或视频中出现的人脸。
神经网络
神经网络的灵感来自人脑中的生物神经元，由称为“神经元”的连接节点层组成，这些节点包含用于处理传入数据和预测输出值的数学函数。人工神经网络通过示例学习，类似于人类向父母、老师和同龄人学习的方式。它们至少由三个层组成：输入层、隐藏层和输出层。每一层都包含节点（也称为神经元），这些节点具有计算输出的加权输入。
传统机器学习模型的性能停滞不前，抛出更多数据无助于提高性能。深度学习模型的性能会随着数据的增加而不断提高。
这些字段具有不同的算法，具体取决于用例。例如，我们有决策树、随机森林、提升、支持向量机 （SVM）、k 最近邻 （kNN） 和其他用于机器学习的工具。对于神经网络，我们有卷积神经网络 （CNN）、递归神经网络 （RNN）、长短期记忆网络 （LSTM） 等。
然而，根据 AI 的优势和能力对 AI 进行分类，意味着将其进一步细分为“狭义 AI”和“通用 AI”。狭义 AI 是让机器真正完成一项任务，例如图像识别或下棋。通用 AI 是指可以做人类可以做的所有事情的设备，甚至更多。今天的研究集中在狭义 AI 上，但许多研究人员希望机器学习最终实现通用 AI。
AI 如何在不同行业中脱颖而出。
AI 是一项蓬勃发展的技术，已被全球社区接受。很长一段时间以来，它一直在彻底改变各个行业的行业。这是一项几乎应用于每个行业的综合技术。本节讨论 AI 如何影响各个行业的服务交付。
完全自动驾驶汽车现已成为现实。特斯拉是第一家制造汽车的公司，其汽车配备了计算机从头到尾自动驾驶所需的所有传感器、摄像头和软件。卡车可能是自动驾驶的下一个主要目标：自动驾驶卡车将极大地影响道路安全和基础设施，并通过降低劳动力成本为公司节省资金。
其他一些行业也在实施 AI。例如，在金融领域，AI 有助于预测并支持对冲基金的投资决策。预测分析（或预测）使用机器学习和统计技术应用人工智能，根据以前的数据对未来事件进行预测。例如，您可以使用预测来预测产品销售、客户需求甚至股票价格。预测分析的一个常见示例是 Amazon 的商品推荐引擎（也称为“购买此商品的买家也购买了”）。它使用数百万客户的过去购买数据，根据用户的偏好推荐产品。
在医疗保健领域，AI 通过从健康记录中收集数据、扫描报告和医学图像来帮助医生诊断疾病。这有助于医生更快地做出诊断并指导患者进行进一步检查或开药。此外，人工智能可以通过监测患者并在出现问题时提醒他们的医生来用于治疗过程。据《福布斯》报道，到 2035 年，人工智能将挽救超过 700 万人的生命。
在零售业，AI 可以完成从库存管理到客户服务聊天机器人的所有工作。因此，许多企业正在利用 AI 来提高生产力、效率和准确性。此外，公司还找到了使用 AI 的新方法，从产品设计到客户服务，让客户和员工的生活更轻松。
基于 AI 的软件系统的现状。
人工智能的最新进步导致了一种称为生成对抗网络 （GAN） 的新型系统的出现，它可以生成逼真的图像、文本或音频。由于它们卓越的能力，一些人担心这项技术在未来可能会取代人类。
GAN 只是 AI 如何改变我们生活的一个例子。本节探讨了更多最新的 AI 示例及其在 GPT3、DALL 等软件系统中的应用。E 和虚拟现实/增强现实 （VR/AR）。
基于 AI 的软件系统由许多层组成，例如基础模型、高级算法和自动推理工具。使用这些层的一些最流行的基于 AI 的系统包括 GPT3、DALL。E、AlphaGo、RoBERTa 等。
DALL 的。E 和 GPT3 是在计算机视觉和自然语言处理 （NLP） 方面取得显著成果的大规模模型。
GPT3 模型是一种基于称为 transformers 的深度学习算法的 NLP 模型。它是在 Common Crawl 的文本语料库上训练的，并于 2020 年发布。GPT3 使用以英语训练的大型数据集根据输入的信息生成输出。该模型可以被训练为执行任何可以想象的任务，从生成文本到解决数学问题。此外，我们还可以使用 GPT3 生成文本、在语言之间进行翻译、回答有关图像的问题等等。
DALL 的。E 模型是一种基于称为变分自动编码器 （VAE） 的深度学习算法的图像生成器。同样，DALL.可以使用图像数据集对 E 进行训练，以根据输入的文本描述生成图像。它在 ImageNet 等数据集上进行了训练，并于 2021 年发布。我们可以使用 DALL。E 生成与用户提供的标题或 URL 匹配的图像。这些模型由 OpenAI 开发，该公司与美国政府和军工复合体 （MIC） 有着密切的联系。
DeepMind 创建了 AlphaGo 作为一个程序，可以在没有任何人帮助的情况下玩古老的围棋游戏。该游戏类似于国际象棋，但由于其规则简单且每回合可能移动多，因此要复杂得多。AlphaGo 使用强化学习来学习如何随着时间的推移更好地下棋，通过反复与自己对弈，直到它以 100% 的准确率掌握围棋游戏中可能发生的所有可能情况。
RoBERTa 是 Facebook AI Research （FAIR） 的一种算法，它使用深度学习技术来解决自然语言处理 （NLP） 中的问题，例如句子分类或机器翻译。
AI 的未来
人工智能已经取得了长足的进步，但它即将实现巨大的飞跃。通用人工智能 （AGI） 是一种能够完成人类可以完成的任何智力任务的 AI，距离它还很遥远，但我们已经开始看到 AI 其他领域的大量进展。以下是您很快就会期待的内容：
人工智能将取代越来越多的任务，从而淘汰更多工作
原因很简单：如果您可以用 AGI 系统代替一个人，那么您就不需要一台计算机来完成这项工作——您可以将其分散到数千或数百万台计算机上。这只是因为通用的 AI 系统可以从过去的经验中学习并自我改进，这意味着它不必为每项新任务重新编程。事实上，AGI 系统根本没有理由需要人类——一旦它学得足够多，它就可以设计自己的机器或找到实现整个行业自动化的方法。
AI 的出现正在改变商业格局，让人们的生活变得更好。未来几年，由于云计算、物联网 （IoT） 和大数据分析等新时代技术的出现，大多数行业都将发生重大转变。所有这些因素都深刻影响着当今企业的运营方式，并且在军事、医疗保健和基础设施开发等其他领域也得到了应用。
为了构建一个引人入胜的元宇宙，吸引数百万想要学习、创建和居住在虚拟世界的用户，必须使用 AI 来实现对现实世界的逼真模拟。人们需要沉浸在他们所参与的环境中。AI 通过使对象看起来更逼真并启用计算机视觉来帮助实现这一现实，以便用户可以使用其身体动作与模拟对象进行交互。
对 AI 的进步和使用的担忧
AI 是一个非常强大的想法，但它不是魔法。关于 AI 要记住的关键是它从数据中学习。下面的模型和算法的好坏取决于输入的数据。这意味着数据可用性、偏差、不当标记和隐私问题都会严重影响 AI 模型的性能。
数据可用性和质量对于训练 AI 系统至关重要。当今围绕 AI 的一些最大担忧与可能存在偏见的数据集有关，这些数据集可能会产生不令人满意的结果或加剧 AI 系统内的性别/种族偏见。当我们研究不同类型的机器学习模型时，我们发现某些模型比其他模型更容易受到偏见的影响。例如，当使用深度学习模型（例如神经网络）时，如果在训练期间使用了有偏差的数据集，则训练过程可能会在模型中引入偏差。
但是，其他机器学习模型（例如随机森林）在训练期间对数据中的偏差可能不太敏感。例如，如果数据集包含有关许多不同变量的信息，但只有一个变量用于做出决策（例如，性别），则与默认情况下认为所有变量权重相等的随机森林相比，此模型将更偏向于该变量。
随着 AI 的进步和使用，还需要考虑其他问题。这些因素包括数据可用性、计算能力和隐私性，例如健康数据。开发模型需要人们的数据，但考虑到健康数据需要受到保护，我们如何获得这些数据。
随着人工智能变得越来越普遍，对处理能力的要求越来越高是很自然的。因此，AI 研究人员使用超级计算机来开发大规模和复杂规模的算法和模型。
深度学习尤其如此，深度学习是一种使用算法来识别图像或声音等大型数据集中的模式的机器学习。DL 的主要问题是它需要巨大的计算能力。要使用 DL 训练神经网络，您需要将大量数据（例如，数千或数百万张图片）输入系统，然后让它自己弄清楚如何区分彼此。这个训练过程复杂而费力，但在计算上也很昂贵。在能够提供大量计算能力的单个高端 GPU 或 CPU 上进行模型开发可能需要数天甚至数周的时间。更糟糕的是，一旦你训练了模型，你就需要一台超级计算机来满负荷执行模型。Google 对 TPU（张量处理单元）的投资试图使用最先进的硬件技术来解决这个问题。
AI 开发的另一个担忧问题是自动化系统最终将如何使用。例如，我们是否应该考虑让公司对他们开发的智能机器的行为负责？或者我们应该考虑让机器开发人员对他们的工作负责？
小结
人工智能 （AI） 是机器的智能，也是旨在创造它的计算机科学的一个分支。AI 是当今的主导技术，在未来几年将继续成为各个行业的重要因素。随着 AI 系统变得越来越先进，它们不仅会以其影响颠覆多个行业，而且还会引发人们对我们应该如何处理这种令人难以置信的力量的担忧。
多年来，这个领域已经发生了很大的变化。它已经从科幻小说的主题变成了我们今天生活的重要组成部分。通过从过去研究 AI，可以更好地了解它的现在并预测它的未来，就像我们在本文中所做的那样。
