什么是人工智能（AI）？
人工智能致力于构建能够执行通常被认为需要人类智能才能完成的任务的机器。
人工智能 (AI) 是计算机科学的一个分支，旨在构建能够执行通常需要人类智能才能完成的任务的机器。人工智能使机器能够模拟人类的能力，例如学习、解决问题、决策和理解。人工智能的常见应用包括语音识别、图像识别、内容生成、推荐系统和自动驾驶汽车。
人工智能定义
人工智能 (AI) 是一种允许机器模拟人类智能和认知能力的技术。人工智能可用于帮助做出决策、解决问题和执行通常由人类完成的任务。
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正在改变几乎每个行业，使人工智能成为日常生活中越来越不可或缺的一部分。
什么是人工智能？
人工智能是指能够执行传统上与人类智能相关的任务的计算机系统，例如进行预测、识别物体、解释语音和生成自然语言。人工智能系统通过处理大量数据并寻找模式来学习如何做到这一点，这些模式可以在自己的决策中建立模型。在许多情况下，人类会监督人工智能的学习过程，强化正确的决定并阻止错误的决定，但有些人工智能系统被设计为无需监督即可学习。
随着时间的推移，人工智能系统在特定任务上的表现会不断提高，使它们能够适应新的输入并做出决策，而无需明确编程。从本质上讲，人工智能就是教机器像人类一样思考和学习，目标是实现工作自动化并更有效地解决问题。
人工智能如何运作？
人工智能系统依靠算法和数据来工作。首先，收集大量数据并将其应用于数学模型或算法，这些模型或算法利用这些信息来识别模式并在称为训练的过程中做出预测。算法一旦经过训练，就会被部署到各种应用程序中，在那里它们不断学习并适应新数据。这使得人工智能系统能够随着时间的推移以更高的准确性和效率执行图像识别、语言处理和数据分析等复杂任务。
机器学习
构建 AI 系统的主要方法是通过机器学习(ML)，计算机通过识别数据中的模式和关系从大型数据集中学习。机器学习算法使用统计技术来帮助它“学习”如何逐步提高某项任务的执行能力，而不必为该特定任务进行编程。它使用历史数据作为输入来预测新的输出值。机器学习包括监督学习（由于标记数据集，输入的预期输出是已知的）和非监督学习（由于使用未标记数据集，预期输出是未知的）。
神经网络
机器学习通常使用神经网络来完成，神经网络是一系列通过模仿人脑结构来处理数据的算法。这些网络由多层相互连接的节点或“神经元”组成，这些节点或“神经元”处理信息并在彼此之间传递信息。通过调整这些神经元之间的连接强度，网络可以学会识别数据中的复杂模式，根据新输入做出预测，甚至从错误中吸取教训。这使得神经网络可用于识别图像、理解人类语音和在语言之间翻译单词。
深度学习
深度学习是机器学习的一个重要分支。它使用一种称为深度神经网络的人工神经网络，这种神经网络包含许多隐藏层，通过这些隐藏层处理数据，使机器能够“深入”学习并识别越来越复杂的模式，建立联系并加权输入以获得最佳结果。深度学习在图像和语音识别以及自然语言处理等任务中特别有效，使其成为人工智能系统开发和进步的关键组成部分。
自然语言处理
自然语言处理 (NLP)涉及教导计算机以与人类类似的方式理解和产生书面和口头语言。NLP 结合了计算机科学、语言学、机器学习和深度学习概念，帮助计算机分析非结构化文本或语音数据并从中提取相关信息。NLP 主要处理语音识别和自然语言生成，并用于垃圾邮件检测和虚拟助手等用例。
计算机视觉
计算机视觉是机器学习技术的另一个普遍应用，其中机器处理原始图像、视频和视觉媒体，并从中提取有用的见解。深度学习和卷积神经网络用于将图像分解为像素并相应地标记它们，这有助于计算机辨别视觉形状和图案之间的差异。计算机视觉用于图像识别、图像分类和物体检测，并完成自动驾驶汽车和机器人中的面部识别和检测等任务。
人工智能为何如此重要？
人工智能旨在为机器提供与人类相似的处理和分析能力，使人工智能成为日常生活中人类的有用助手。人工智能能够大规模解释和分类数据，解决复杂问题并同时自动执行各种任务，从而节省时间并填补人类忽视的操作空白。
人工智能是计算机学习的基础，几乎应用于所有行业（从医疗保健和金融到制造业和教育），帮助做出数据驱动的决策并执行重复或计算密集型任务。
许多现有技术都利用人工智能来增强功能。我们看到智能手机配备人工智能助手、电子商务平台配备推荐系统，汽车配备自动驾驶功能。人工智能还通过在线试用欺诈检测系统和机器人从事危险工作来帮助保护人们，并在医疗保健和气候计划方面引领研究。
人工智能的类型
人工智能可以通过几种不同的方式进行分类。
强人工智能与弱人工智能
人工智能可以分为两大类：弱人工智能和强人工智能。
- 弱人工智能（或狭义人工智能）是指能够自动执行特定任务的人工智能。它通常比人类表现更好，但它在有限的环境中运行，并且适用于定义狭窄的问题。目前，所有人工智能系统都是弱人工智能的例子，从电子邮件收件箱垃圾邮件过滤器到推荐引擎再到聊天机器人。
- 强人工智能，通常称为通用人工智能 (AGI)，是一种假设基准，即人工智能可以拥有与人类相似的智能和适应性，解决从未接受过训练的问题。AGI 实际上还不存在，而且尚不清楚它是否会存在。
四种人工智能
人工智能可以进一步分为四种主要类型：反应机器、有限记忆、心智理论和自我意识。
- 反应式机器感知眼前的世界并做出反应。它们可以执行特定的命令和请求，但无法存储记忆或依靠过去的经验来实时做出决策。这使得反应式机器可用于完成有限的专门任务。例如 Netflix 的推荐引擎和 IBM 的Deep Blue（用于下棋）。
- 有限记忆AI 能够在收集信息和做出决策时存储以前的数据和预测。本质上，它会回顾过去寻找线索来预测接下来会发生什么。当团队不断训练模型如何分析和利用新数据，或者构建 AI 环境以便模型可以自动训练和更新时，就会创建有限记忆 AI。例子包括ChatGPT和自动驾驶汽车。
- 心智理论是一种尚未实际存在的人工智能，但它描述了一种能够感知和理解人类情感的人工智能系统的想法，然后利用这些信息预测未来的行为并自行做出决策。
- 自我意识人工智能是指具有自我意识或自我感觉的人工智能。这种类型的人工智能目前尚不存在。但从理论上讲，自我意识人工智能拥有类似人类的意识，了解自己在世界上的存在，以及他人的情绪状态。
人工智能的好处
人工智能有利于自动执行重复任务、解决复杂问题、减少人为错误等等。
自动执行重复任务
数据输入和工厂工作以及客户服务对话等重复性任务都可以使用人工智能技术实现自动化。这让人们可以专注于其他优先事项。
解决复杂问题
人工智能能够同时处理大量数据，这使其能够快速找到模式并解决人类难以解决的复杂问题，例如预测财务前景或优化能源解决方案。
改善客户体验
人工智能可以通过用户个性化、聊天机器人和自动自助服务技术来应用，使客户体验更加无缝，并提高企业的客户保留率。
推进医疗保健和医学
人工智能致力于通过加速医疗诊断、药物研发以及医院和护理中心的医疗机器人实施来推动医疗保健的发展。
减少人为错误
快速识别数据中的关系的能力使得人工智能能够有效地在大量数字信息中发现错误或异常，从而全面减少人为错误并确保准确性。
人工智能的缺点
虽然人工智能有其好处，但该技术也伴随着需要考虑的风险和潜在危险。
工作岗位流失
人工智能具有自动化流程、快速生成内容和长时间工作的能力，这可能意味着人类工人的工作将被取代。
偏见和歧视
人工智能模型可能会根据反映人类偏见决策的数据进行训练，从而产生对某些人群有偏见或歧视的输出。
幻觉
人工智能系统在接受不充分或有偏见的数据训练时，可能会无意中“产生幻觉”或产生不准确的输出，从而导致虚假信息的产生。
隐私问题
人工智能系统收集和存储的数据可能是在未经用户同意或不知情的情况下进行的，甚至在发生数据泄露的情况下可能被未经授权的个人访问。
缺乏可解释性
人工智能系统的开发方式可能不透明或不包容，导致对潜在有害的人工智能决策缺乏解释，并对用户和企业产生负面影响。
环境成本
大规模人工智能系统需要大量能源来运行和处理数据，这会增加碳排放和水消耗。
人工智能应用
人工智能可应用于多个行业，最终有助于简化流程并提高业务效率。
卫生保健
人工智能在医疗保健领域的应用可以提高医疗诊断的准确性、促进药物研发、管理敏感的医疗数据并实现在线患者体验的自动化。它也是医疗机器人背后的驱动因素，医疗机器人的作用是提供辅助治疗或在手术过程中指导外科医生。
零售
零售业中的人工智能通过支持用户个性化、产品推荐、购物助手和面部识别支付来增强客户体验。对于零售商和供应商而言，人工智能有助于实现零售营销自动化、识别市场上的假冒产品、管理产品库存并提取在线数据以识别产品趋势。
客户服务
在客户服务行业，人工智能可以提供更快、更个性化的支持。人工智能聊天机器人和虚拟助手可以处理日常客户咨询、提供产品推荐并实时解决常见问题。通过 NLP，人工智能系统可以以更人性化的方式理解和响应客户咨询，从而提高整体满意度并缩短响应时间。
制造业
制造业中的人工智能可以减少装配错误和生产时间，同时提高工人的安全性。工厂车间可以通过人工智能系统进行监控，以帮助识别事故、跟踪质量控制并预测潜在的设备故障。人工智能还可以驱动工厂和仓库机器人，这些机器人可以自动化制造工作流程并处理危险任务。
金融
金融行业利用人工智能来检测银行业务中的欺诈行为、评估金融信用状况、预测企业的财务风险以及根据市场模式管理股票和债券交易。人工智能还应用于金融科技和银行应用程序中，致力于个性化银行业务并提供全天候客户服务支持。
营销
在营销行业，人工智能在增强客户参与度和推动更有针对性的广告活动方面发挥着至关重要的作用。高级数据分析使营销人员能够更深入地了解客户行为、偏好和趋势，而人工智能内容生成器则可帮助他们大规模创建更加个性化的内容和推荐。人工智能还可用于自动执行重复性任务，例如电子邮件营销和社交媒体管理。
赌博
视频游戏开发者应用人工智能让游戏体验更具沉浸感。视频游戏中的非玩家角色 (NPC) 使用人工智能根据玩家互动和周围环境做出相应反应，从而创造出对每个玩家来说都更加真实、有趣和独特的游戏场景。
军队
人工智能在战场内外为军队提供帮助，无论是帮助更快地处理军事情报数据、检测网络攻击还是自动化军事武器、防御系统和车辆。无人机和机器人尤其可能被注入人工智能，使其适用于自主战斗或搜索和救援行动。
人工智能示例
人工智能的具体例子包括：
生成式 AI 工具
生成式人工智能工具，有时也称为人工智能聊天机器人（包括ChatGPT、Gemini、Claude和Grok），使用人工智能生成各种格式的书面内容，从论文到代码，再到简单问题的答案。
智能助手
个人人工智能助理，如 Alexa 和 Siri，使用自然语言处理来接收用户的指令，以执行各种“智能任务”。它们可以执行设置提醒、搜索在线信息或关闭厨房灯等命令。
自动驾驶汽车
自动驾驶汽车是深度学习的一个典型例子，因为它们使用深度神经网络来检测周围的物体、确定与其他汽车的距离、识别交通信号等等。
可穿戴设备
医疗行业使用的许多可穿戴传感器和设备都应用深度学习来评估患者的健康状况，包括血糖水平、血压和心率。它们还可以从患者之前的医疗数据中得出模式，并用它来预测未来的健康状况。
视觉过滤器
TikTok 和 Snapchat 等社交媒体平台使用的滤镜依靠算法来区分图像的主体和背景，跟踪面部运动并根据用户的操作调整屏幕上的图像。
生成式人工智能的兴起
生成式人工智能是指能够根据给定的用户提示创建新内容（例如文本、图像、视频或音频）的人工智能系统。生成式人工智能模型需要输入大量数据集并接受训练以识别其中的模式，然后生成与该训练数据相似的输出。
过去几年，生成式人工智能大受欢迎，尤其是随着聊天机器人和图像生成器的出现。这类工具通常用于创建书面文案、代码、数字艺术和对象设计，并被营销、娱乐、消费品和制造等行业所利用。
然而，生成式人工智能也面临挑战。例如，它可用于创建虚假内容和深度伪造，这可能会传播虚假信息并削弱社会信任。而且一些人工智能生成的材料可能会侵犯人们的版权和知识产权。
人工智能监管
随着人工智能变得越来越复杂和强大，世界各地的立法者都在寻求规范其使用和发展。
2024 年，欧盟通过了全面的《人工智能法案》，这是欧盟在人工智能监管方面迈出的第一步，该法案旨在确保部署在欧盟的人工智能系统“安全、透明、可追溯、无歧视且环保”。中国和巴西等国家也已采取措施来管理人工智能。
与此同时，美国的人工智能监管工作仍在进行中。拜登-哈里斯政府于 2022 年推出了一项不可执行的《人工智能权利法案》，随后又于 2023 年推出了《关于安全、可靠和值得信赖的人工智能的行政命令》，旨在规范人工智能行业，同时保持该国在该行业的领先地位。国会曾多次试图制定更强有力的立法，但基本上失败了，没有制定任何专门限制人工智能使用或监管其风险的法律。目前，美国所有的人工智能立法都只存在于州一级。
人工智能的未来
人工智能的未来前景广阔，它有潜力彻底改变行业、提高人类能力并解决复杂挑战。它可用于开发新药、优化全球供应链和为先进机器人提供动力——改变我们的生活和工作方式。
展望未来，人工智能的下一个重大步骤之一是超越弱人工智能或狭义人工智能，实现通用人工智能 (AGI)。有了 AGI，机器将能够像人类一样思考、学习和行动，模糊有机智能和机器智能之间的界限。这可能为医学、制造、运输等领域的自动化和解决问题能力的提高铺平道路，以及未来的有感知的人工智能。在024 年的一篇关于该技术前景的文章中，Anthropic 首席执行官 Dario Amodei 推测，强大的人工智能可能会使生物科学的创新速度提高十倍，因为它可以在任何给定时间进行更多的实验，并缩短新发现与基于这些发现的后续研究之间的差距。
另一方面，人工智能日益复杂化也引发了人们对失业率上升、虚假信息泛滥和隐私泄露的担忧。人们仍对人工智能超越人类理解和智力的可能性存有疑问——这种现象被称为技术奇点，可能导致不可预见的风险和可能的道德困境。
目前，社会主要期待联邦和企业层面的人工智能法规来帮助指导该技术的未来。
人工智能的历史
人工智能这一概念在 20 世纪 50 年代开始流行，当时计算机科学家艾伦·图灵发表了一篇论文计算机与智能》，质疑机器是否能够思考以及如何测试机器的智能。这篇论文为人工智能的研究和开发奠定了基础，并首次提出了图灵测试，这是一种用于评估机器智能的方法。“人工智能”一词由计算机科学家约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农于 1956 年在达特茅斯学院的一次学术会议上提出。
达特茅斯学院会议之后以及整个 20 世纪 70 年代，学术机构和美国政府对人工智能研究的兴趣日益浓厚。计算领域的创新使得在此期间建立了多个人工智能基金会，包括机器学习、神经网络和自然语言处理。
尽管人工智能技术取得了进步，但最终却变得比预期更难以扩展，并且人们的兴趣和资金也随之下降，导致了直到 20 世纪 80 年代才出现的第一个人工智能寒冬。
20 世纪 80 年代中期，随着计算机功能越来越强大、深度学习越来越普及以及人工智能“专家系统”的出现，人们对人工智能的兴趣重新被唤醒。然而，由于新系统的复杂性以及现有技术无法跟上，第二次人工智能寒冬来临，并一直持续到 20 世纪 90 年代中期。
到 2000 年代中期，处理能力、大数据和先进的深度学习技术的创新解决了 AI 之前的障碍，使 AI 取得了进一步的突破。虚拟助手、无人驾驶汽车和生成式 AI 等现代 AI 技术在 2010 年代开始进入主流，使 AI 成为今天的样子。
