什么是人工智能？人工智能的简介、历史和类型

什么是人工智能（AI）？

AI （人工智能）是指机器能够像人类一样执行认知功能，例如感知、学习、推理和解决问题。人工智能的基准是推理、语音和视觉方面的人类水平。

该 人工智能教程你将学习以下人工智能基础知识-

人工智能等级介绍

如今，人工智能几乎应用于所有行业，为所有大规模集成人工智能的公司提供了技术优势。麦肯锡称，与其他分析技术相比，人工智能有可能在零售业创造 600 亿美元的价值，为银行业带来 50% 的增量价值。在运输和物流领域，潜在收入增长幅度高达 89%。

具体来说，如果一家公司将人工智能用于其营销团队，它可以自动执行单调而重复的任务，让销售代表专注于建立关系、培养潜在客户等。一家名为 Gong 的公司提供对话智能服务。每次销售代表打电话时，机器都会记录、转录和分析聊天内容。副总裁可以使用人工智能分析和建议来制定制胜策略。

简而言之，人工智能提供尖端技术来处理人类无法处理的复杂数据。人工智能使冗余工作自动化，使工人能够专注于高水平、增值的任务。当人工智能大规模实施时，它可以降低成本并增加收入。

人工智能的历史

人工智能如今已成为一个流行词，尽管这个术语并不新鲜。1956 年，来自不同背景的先锋派专家决定组织一个关于人工智能的夏季研究项目。四个聪明的人领导了这个项目：约翰·麦卡锡（达特茅斯学院）、马文·明斯基（哈佛大学）、纳撒尼尔·罗切斯特（IBM) 和克劳德·香农 (贝尔电话实验室)。

以下是人工智能的简史：

人工智能的目标

以下是人工智能的主要目标：

• 它可以帮助您减少执行特定任务所需的时间。
• 使人类与机器的互动变得更加容易。
• 以更自然、更高效的方式促进人机交互。
• 提高医疗诊断的准确性和速度。
• 帮助人们更快地学习新信息。
• 增强人与机器之间的沟通。

人工智能的子领域

以下是人工智能的一些重要子领域：

机器学习: 机器学习是研究从示例和经验中学习的算法的艺术。机器学习基于这样的理念：识别数据中的某些模式并将其用于未来预测。与硬编码规则的不同之处在于，机器学习可以找到此类规则。

深度学习: 深度学习是机器学习的一个子领域。深度学习并不意味着机器学习更深入的知识；它使用不同的层从数据中学习。模型的深度由模型中的层数表示。例如，用于图像识别的 Google LeNet 模型有 22 层。

自然语言处理: 神经网络是一组连接的 I/O 单元，其中每个连接都具有与其计算机程序相关的权重。它可以帮助您从大型数据库中构建预测模型。该模型建立在人类神经系统之上。您可以使用此模型进行图像理解、人类学习、计算机语音等。

专家系统: 专家系统是一种交互式、可靠的计算机决策系统，它使用事实和启发式方法来解决复杂的决策问题。它也被认为是人类智能的最高水平。专家系统的主要目标是解决特定领域中最复杂的问题。

模糊逻辑: 模糊逻辑被定义为多值逻辑形式，其变量的真值可以是 0 到 1 之间的任何实数。它是部分真理的概念。在现实生活中，我们可能会遇到无法确定语句是真还是假的情况。

人工智能的类型

人工智能主要有三种类型：基于规则的智能、决策树智能和神经网络智能。

• 狭义人工智能是一种能够帮助你智能地执行专门任务的人工智能。
• 通用人工智能是一种能够像人类一样高效地执行任何智力任务的人工智能。
• 基于规则的人工智能基于一组预先确定的规则，这些规则应用于输入数据集。然后系统产生相应的输出。
• 决策树 AI 与基于规则的 AI 类似，都是使用一组预先确定的规则来做出决策。不过，决策树还允许分支和循环以考虑不同的选项。
• 超级人工智能是一种让计算机理解人类语言并以自然的方式做出反应的人工智能。
• 机器人智能是一种人工智能，它使机器人具有复杂的认知能力，包括推理、规划和学习。

人工智能与机器学习

我们的大多数智能手机、日常设备甚至互联网都使用人工智能。大公司经常交替使用人工智能和机器学习来宣布他们的最新创新。然而，机器学习和人工智能在某些方面是不同的。

AI（人工智能）是训练机器执行人类任务的科学。该术语诞生于 1950 世纪 XNUMX 年代，当时科学家开始探索计算机如何自行解决问题。

人工智能是被赋予了类似人类特性的计算机。以我们的大脑为例，它毫不费力、天衣无缝地计算着我们周围的世界。人工智能的概念是计算机可以做同样的事情。可以说，人工智能是一门模仿人类能力的大型科学。

机器学习是人工智能的一个独特子集，它训练机器学习。机器学习模型在数据中寻找模式并尝试得出结论。简而言之，机器不需要由人明确编程。程序员给出一些示例，计算机将从这些样本中学习如何做。

另请阅读深度学习和机器学习与人工智能之间的区别， 点击此处.

AI 应用于哪些领域？示例

现在，在本 AI 初学者教程中，我们将学习 AI 的各种应用：

人工智能有广泛的应用-

• 人工智能用于减少或避免重复性任务。例如，人工智能可以连续重复一项任务，而不会感到疲劳。人工智能从不休息，而且对要执行的任务漠不关心。
• 人工智能改进现有产品。在机器学习时代之前，核心产品是建立在硬编码规则之上的。公司引入人工智能来增强产品的功能，而不是从头开始设计新产品。你可以想想 Facebook 图像。几年前，你必须手动标记你的朋友。如今，在人工智能的帮助下，Facebook 可以为你提供朋友的推荐。

人工智能应用在各行各业，从营销到供应链、金融、食品加工等。麦肯锡的一项调查显示，金融服务和高科技通信在人工智能领域处于领先地位。

人工智能为何现在蓬勃发展？

现在，在本人工智能测试教程中，让我们了解为什么人工智能现在蓬勃发展。让我们通过下图来理解。

神经网络自上世纪 2012 年代 Yann LeCun 的开创性论文问世以来就一直存在。然而，它在 XNUMX 年左右才开始出名。其受欢迎程度的三个关键因素是：

1. 硬件
2. 时间
3. 算法

机器学习是一个实验领域，这意味着它需要数据来测试新的想法或方法。随着互联网的蓬勃发展，数据变得更容易获取。此外，NVIDIA 和 AMD 等巨头公司已经为游戏市场开发了高性能图形芯片。

硬件

在过去的二十年里，CPU 的性能得到了爆发式增长，让用户可以在任何笔记本电脑上训练小型深度学习模型。但是，您需要一台更强大的机器来处理用于计算机视觉或深度学习的深度学习模型。得益于 NVIDIA 和 AMD 的投资，新一代 GPU（图形处理单元）问世。这些芯片允许并行计算，并且机器可以将计算分散到多个 GPU 上以加快计算速度。

例如，使用 NVIDIA TITAN X，需要两天时间来训练一个名为 影像网 相比之下，传统 CPU 只需要数周时间。此外，大公司使用 GPU 集群和 NVIDIA Tesla K80 来训练深度学习模型，因为它有助于降低数据中心成本并提供更好的性能。

时间

深度学习是模型的结构，而数据是让模型鲜活起来的流体。数据为人工智能提供动力。没有数据，什么也做不了。最新技术已经突破了数据存储的界限，在数据中心存储大量数据比以往任何时候都更容易。

互联网革命使数据收集和分发成为可能，为机器学习算法提供数据。如果你熟悉 Flickr、Instagram 或任何其他带有图片的应用程序，你可以猜测它们的 AI 潜力。这些网站上有数百万张带有标签的图片。这些图片可以训练神经网络模型来识别图片上的物体，而无需手动收集和标记数据。

人工智能与数据相结合是新的黄金。数据是任何公司都不应忽视的独特竞争优势，而人工智能可以从您的数据中提供最佳答案。当所有公司都能拥有相同的技术时，拥有数据的公司将拥有竞争优势。举个例子，世界每天创造约 2.2 EB，即 2.2 亿 GB。

公司需要极其多样化的数据源来寻找模式并进行大量学习。

算法

硬件比以往任何时候都更强大，数据也更容易获取，但有一件事让神经网络更加可靠，那就是更精确的算法的发展。初级神经网络是一个简单的乘法矩阵，没有深入的统计特性。自 2010 年以来，人们在改进神经网络方面取得了显著的发现。

人工智能使用渐进式学习算法让数据进行编程。这意味着计算机可以自学如何执行不同的任务，例如发现异常并成为聊天机器人。

总结

• AI 是人工智能的全称，是训练机器模仿或重现人类任务的科学。
• 科学家可以使用不同的方法来训练机器。在人工智能时代的初期，程序员编写了硬编码程序，输入机器可能遇到的所有逻辑可能性以及如何应对。
• 当系统变得复杂时，管理规则就会变得困难。为了解决这个问题，机器可以使用数据来学习如何处理给定环境中的所有情况。
• 拥有强大的人工智能最重要的特征是拥有足够多且异质性相当的数据。例如，只要有足够多的单词可供学习，机器就可以学习不同的语言。
• 人工智能是新兴的尖端技术。风险投资家在初创企业或人工智能项目上投资了数十亿美元，麦肯锡估计人工智能可以推动每个行业至少实现两位数的增长率。
• 通用人工智能、基于规则的人工智能、决策树人工智能、超级人工智能都是人工智能的类型。这些概念中的许多都应用于人工智能聊天机器人的创建。如果你有兴趣，你可以了解更多关于这些原则是如何在一些人工智能中实现的 最好的人工智能聊天机器人 今天有空。

观看我们的人工智能视频 YouTube: 了解更多