什么是人工智能？

人工智能 （AI） 是计算机科学的一个广泛分支，涉及构建能够执行通常需要人类智能的任务的智能机器。虽然人工智能是一门具有多种方法的跨学科科学，但机器学习和深度学习的进步尤其在科技行业的几乎每个领域都产生了范式转变。

人工智能允许机器模拟甚至改进人类思维的能力。从自动驾驶汽车的开发到ChatGPT和谷歌的Bard等生成式人工智能工具的普及，人工智能正日益成为日常生活的一部分，也是各行各业公司都在投资的领域。

了解人工智能

从广义上讲，人工智能系统可以执行通常与人类认知功能相关的任务，例如解释语音，玩游戏和识别模式。他们通常通过处理大量数据来学习如何做到这一点，寻找在自己的决策中建模的模式。在许多情况下，人类将监督人工智能的学习过程，加强好的决策并阻止坏的决定。但一些人工智能系统被设计成在没有监督的情况下学习——例如，通过一遍又一遍地玩电子游戏，直到他们最终弄清楚规则和如何获胜。

强人工智能与弱人工智能

智能很难定义，这就是为什么人工智能专家通常会区分强人工智能和弱人工智能。

强大的人工智能

强人工智能，也称为通用人工智能，是一种可以解决从未接受过训练的问题的机器——就像人类一样。这就是我们在电影中看到的人工智能，比如《西部世界》中的机器人或《星际迷航：下一代》中的角色数据。这种类型的人工智能实际上还不存在。

对于许多人工智能研究人员来说，创造一台具有人类水平智能的机器可以应用于任何任务是圣杯，但对通用人工智能的追求充满了困难。一些人认为，强大的人工智能研究应该受到限制，因为在没有适当护栏的情况下创建强大的人工智能存在潜在风险。

与弱人工智能相比，强人工智能代表了一台具有全套认知能力的机器——以及同样广泛的用例——但时间并没有减轻实现这一壮举的难度。

弱人工智能

弱人工智能，有时被称为狭义人工智能或专用人工智能，在有限的环境中运行，是对应用于狭义问题（如驾驶汽车、转录人类语音或在网站上策划内容）的人类智能的模拟。

弱人工智能通常专注于出色地执行单个任务。虽然这些机器看起来很智能，但它们的运行受到的限制和局限远远超过最基本的人类智能。

弱 AI 示例包括：

·Siri，Alexa和其他智能助手

·自动驾驶汽车

·谷歌搜索

·对话机器人

·垃圾邮件过滤器

机器学习与深度学习

尽管“机器学习”和“深度学习”这两个术语在关于人工智能的对话中经常出现，但它们不应该互换使用。深度学习是机器学习的一种形式，机器学习是人工智能的一个子领域。

机器学习

机器学习算法由计算机提供数据，并使用统计技术来帮助它“学习”如何逐步完成一项任务，而不必专门为该任务编程。相反，ML 算法使用历史数据作为输入来预测新的输出值。为此，ML 由监督学习（由于标记的数据集而知道输入的预期输出）和无监督学习（由于使用未标记的数据集，预期输出是未知的）组成。

深度学习

深度学习是一种机器学习，它通过受生物学启发的神经网络架构运行输入。神经网络包含许多隐藏层，通过这些隐藏层处理数据，允许机器“深入”学习，建立连接和加权输入以获得最佳结果。

几个典型的人工智能应用案例

人工智能技术有多种形式，从聊天机器人到导航应用程序和可穿戴健身追踪器。以下示例说明了潜在 AI 应用的广度。

ChatGPT是一种人工智能机器人，能够以多种格式生成书面内容，从论文到代码和简单问题的答案。ChatGPT 由 OpenAI 于 2022 年 12月推出，由大型语言模型提供支持，使其能够密切模拟人类写作。

谷歌地图

谷歌地图使用来自智能手机的位置数据，以及用户报告的有关建筑和车祸等数据，来监控交通的潮起潮落，并评估最快的路线。

智能助手

Siri、Alexa和Cortana等个人助理使用自然语言处理（NLP）接收用户的指令，以设置提醒，搜索在线信息并控制人们家中的灯光。在许多情况下，这些助手旨在了解用户的偏好，并通过更好的建议和更有针对性的响应随着时间的推移改善他们的体验。

Snapchat 滤镜使用 ML 算法来区分图像的主题和背景，跟踪面部动作并根据用户正在做的事情调整屏幕上的图像。

自动驾驶汽车

自动驾驶汽车是深度学习的一个可识别的例子，因为它们使用深度神经网络来检测周围的物体，确定它们与其他汽车的距离，识别交通信号等等。

可穿戴设备

医疗保健行业中使用的可穿戴传感器和设备也应用深度学习来评估患者的健康状况，包括他们的血糖水平、血压和心率。他们还可以从患者先前的医疗数据中得出模式，并用它来预测任何未来的健康状况。

MuZero是由DeepMind创建的计算机程序，是寻求实现真正的通用人工智能的有前途的领跑者。

人工智能的优势、挑战和未来

人工智能的优势

人工智能有很多用途——从促进疫苗开发到自动检测潜在的欺诈行为。根据CB Insights 的研究，人工智能公司在 66 年筹集了 8 亿美元的资金，是 2022 年筹集金额的两倍多。由于其快节奏的采用，人工智能正在各行各业掀起波澜。

更安全的银行业务

Business Insider Intelligence 的 2022 年银行业人工智能报告发现，超过一半的金融服务公司已经在使用 AI 解决方案进行风险管理和创收。人工智能在银行业的应用可能会节省超过400亿美元。

更好的医疗

至于医学，世界卫生组织2021 年的一份报告指出，虽然将人工智能整合到医疗保健领域带来了挑战，但该技术“前景广阔”，因为它可以带来更明智的健康政策和提高患者诊断准确性等好处。

创新媒体

人工智能也在娱乐领域留下了自己的印记。根据Grand View Research的数据，到99年，全球媒体和娱乐领域的人工智能市场预计将达到48.2030亿美元，而10年的价值将从87.2021亿美元增长。这种扩展包括人工智能用途，如识别抄袭和开发高清图形。

人工智能的挑战和局限性

虽然人工智能当然被视为一种重要且快速发展的资产，但这个新兴领域也有其缺点。

人工智能的未来

当人们考虑人工智能背后的计算成本和技术数据基础设施时，实际执行人工智能是一项复杂且昂贵的业务。幸运的是，正如摩尔定律所指出的那样，计算技术已经取得了巨大的进步，该定律指出，微芯片上的晶体管数量大约每两年翻一番，而计算机的成本减半。

尽管许多专家认为摩尔定律可能会在本世纪2020年代的某个时候结束，但这对现代人工智能技术产生了重大影响——没有它，从财务上讲，深度学习将是不可能的。最近的研究发现，人工智能创新实际上超过了摩尔定律，每六个月左右翻一番，而不是两年。

按照这种逻辑，人工智能在过去几年中在各行各业取得的进步一直很重要。未来几十年产生更大影响的潜力似乎几乎是不可避免的。

人工智能的发展历程(时间线）

人工智能的历史

1940年代

（1942年）艾萨克·阿西莫夫（Isaac Asimov）出版了《机器人三定律》（Three Laws of Robotics），这是科幻媒体中常见的关于人工智能不应该给人类带来伤害的想法。

（1943年）Warren McCullough和Walter Pitts发表了论文“神经活动中内在思想的逻辑演算”，该论文提出了构建神经网络的第一个数学模型。

1950年代

（1950年）艾伦·图灵（Alan Turing）发表了论文《计算机与智能》（Computing Machinery and Intelligence），提出了现在所谓的图灵测试（Turing Test），这是一种确定机器是否智能的方法。

（1950年）哈佛大学本科生Marvin Minsky和Dean Edmonds建造了第一台神经网络计算机SNARC。

·（1954）乔治城-IBM机器翻译实验自动将60个精心挑选的俄语句子翻译成英语。

·（1956）“人工智能”一词是在达特茅斯人工智能夏季研究项目中创造的。在约翰·麦卡锡（John McCarthy）的带领下，该会议被广泛认为是人工智能的发源地。

（1959）约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Minsky）发现了麻省理工学院人工智能项目。

1960年代

（1963年）约翰·麦卡锡（John McCarthy）在斯坦福大学创办了人工智能实验室。

1970年代

（1972）逻辑编程语言PROLOG被创建。

（1973）英国政府发布了Lighthill报告，详细介绍了人工智能研究的失望，导致人工智能项目的资金严重削减。

（1974-1980）对人工智能发展进展的失望导致DARPA大幅削减学术资助。结合早期的ALPAC报告和前一年的Lighthill报告，人工智能资金枯竭，研究停滞不前。这一时期被称为“第一个人工智能寒冬”。

1980年代

（1980） Digital Equipment Corporation开发了R1（也称为XCON），这是第一个成功的商业专家系统。R1旨在配置新计算机系统的订单，掀起了专家系统的投资热潮，这种热潮将持续十年的大部分时间，有效地结束了第一个AI寒冬。

·（1983）为了响应日本的FGCS，美国政府启动了战略计算计划，为DARPA资助的先进计算和人工智能研究提供。

·（1985年）公司每年在专家系统上花费超过十亿美元，整个行业被称为Lisp机器市场，以支持他们。像Symbolics和Lisp Machines Inc.这样的公司构建专门的计算机来运行AI编程语言Lisp。

（1987-1993）随着计算技术的进步，出现了更便宜的替代品，Lisp机器市场在1987年崩溃，迎来了“第二个AI冬天”。在此期间，专家系统被证明维护和更新成本太高，最终失宠。

1990年代

（1997年）IBM的深蓝击败世界国际象棋冠军加里·卡斯帕罗夫。

2000年代

（2005年）自动驾驶汽车STANLEY赢得了DARPA大挑战赛。

（2005年）美国军方开始投资自主机器人，如波士顿动力公司的“Big Dog”和iRobot的“PackBot”。

（2008）谷歌在语音识别方面取得了突破，并在其iPhone应用程序中引入了该功能。

2010年代

（2011年）苹果通过其iOS操作系统发布了Siri，这是一款由AI驱动的虚拟助手。

（2012）谷歌大脑深度学习项目的创始人Andrew Ng使用深度学习算法为神经网络提供10万个YouTube视频作为训练集。神经网络学会了在不被告知猫是什么的情况下识别猫，开创了神经网络和深度学习资金的突破时代。

（2014）谷歌制造了第一辆通过州驾驶考试的自动驾驶汽车。

（2014）亚马逊的Alexa，一个虚拟的家庭智能设备，发布。

（2016）谷歌DeepMind的AlphaGo击败世界冠军围棋选手李世石。中国古代游戏的复杂性被视为人工智能需要清除的主要障碍。

（2016）第一个“机器人公民”，一个名为索菲亚的人形机器人，由汉森机器人公司创造，能够进行面部识别，口头交流和面部表情。

（2018）谷歌发布了自然语言处理引擎BERT，减少了ML应用程序在翻译和理解方面的障碍。

2020年代

（2020） 百度向在SARS-CoV-2大流行早期阶段开发疫苗的科学和医疗团队发布其LinearFold AI算法。该算法能够在27秒内预测病毒的RNA序列，比其他方法快120倍。

（2020） OpenAI 发布了自然语言处理模型 GPT-3，该模型能够生成以人们说话和写作方式为模型的文本。

（2021） OpenAI 基于 GPT-3 构建以开发 DALL-E，它能够根据文本提示创建图像。

（2022） 美国国家标准与技术研究院发布了其人工智能风险管理框架的初稿，这是美国自愿指南，“以更好地管理与人工智能相关的个人、组织和社会的风险”。

（2022） DeepMind 推出了 Gato，这是一个经过训练的人工智能系统，可以执行数百项任务，包括播放 Atari、为图像添加字幕和使用机械臂堆叠积木。

（2022） OpenAI 推出 ChatGPT，这是一款由大型语言模型提供支持的聊天机器人，在短短几个月内就获得了超过 100 亿用户。

（2023） Microsoft推出了人工智能驱动的必应版本，其搜索引擎建立在为 ChatGPT 提供支持的相同技术之上。

（2023） 谷歌宣布推出巴德，一种竞争对话式 AI。

（2023） OpenAI 推出 GPT-4，这是其迄今为止最复杂的语言模型。