人工智能（AI）：简介及类型
伊芙琳·克拉克
什么是人工智能（AI）？
AI（人工智能） 人工智能是指机器像人类一样执行认知功能的能力，例如感知、学习、推理和解决问题。人工智能的基准是在推理、语言和视觉方面达到人类水平。
在本人工智能教程中，您将学习以下各节涵盖的人工智能基础知识。
人工智能如何创造商业价值
如今，人工智能几乎应用于所有行业，为那些能够大规模整合人工智能技术的公司带来技术优势。据麦肯锡公司称，人工智能有望在零售业创造 600 亿美元的价值，并在银行业带来比其他分析技术高出 50% 的增量价值。在运输和物流领域，潜在的收入增长高达 89%。
例如，如果一家企业在其营销团队中使用人工智能，就可以自动执行繁琐重复的任务，从而使销售代表能够专注于建立客户关系和培育潜在客户。一家名为 Gong 的公司提供对话智能服务：每次销售代表拨打电话时，机器都会录制、转录和分析对话，管理人员则利用人工智能的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独自处理的复杂数据。它可以自动完成重复性工作，使员工能够专注于高价值任务；大规模应用后，还能降低成本、增加收入。
人工智能的历史
人工智能如今是个热门词汇，但这个术语并非新近出现。1956年，来自不同领域的专家组织了一个关于人工智能的暑期研究项目。该项目由四位杰出人士领导：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）以及克劳德·香农（贝尔电话实验室）。以下是人工智能的简史。
| 年份 | 里程碑/创新 |
|---|---|
| 1923 | 卡雷尔·恰佩克的戏剧《罗素姆万能机器人》将“robot”（机器人）一词引入了英语。 |
| 1943 | Foundation神经网络的架构已经搭建完成。 |
| 1945 | 哥伦比亚大学校友艾萨克·阿西莫夫使用了“机器人学”一词。 |
| 1956 | 约翰·麦卡锡首次使用了“人工智能”一词，并演示了第一个可运行的人工智能程序。 |
| 1964 | 丹尼·鲍勃罗在麻省理工学院的博士论文展示了计算机如何理解自然语言。 |
| 1969 | 斯坦福研究所开发了Shakey，这是一款具有移动和解决问题能力的机器人。 |
| 1979 | 世界上第一辆计算机控制的自动驾驶汽车——斯坦福小车——被制造出来了。 |
| 1990 | 机器学习领域的重要演示。 |
| 1997 | 国际象棋程序“深蓝”击败了世界冠军加里·卡斯帕罗夫。 |
| 2000 | 互动式机器人宠物开始商业化；麻省理工学院展示了 Kismet一个能够表达情感的机器人。 |
| 2006 | 人工智能进入了商业领域；像Facebook这样的公司， Netflix于是，推特开始使用它。 |
| 2012 | Google 推出“Google 现在”， Android 功能预测。 |
| 2018 | IBM“辩论项目”与辩论大师们就复杂话题展开辩论，并表现出色。 |
人工智能的目标
人工智能的主要目标是：
- 缩短完成特定任务所需的时间。
- 让人类更容易与机器互动。
- 促进更自然、更高效的人机交互。
- 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。
- 增强人机沟通。
人工智能的子领域
以下是人工智能的重要子领域。
机器学习: 算法学是一门研究算法如何从示例和经验中学习的艺术。它基于识别数据中的模式并将其用于未来预测。与硬编码规则不同，机器能够自主学习规则。
深度学习: 机器学习的一个子领域，它使用多层模型来从数据中学习。模型的深度是指它包含的层数；例如， Google的 LeNet 图像识别模型有 22 层。
自然语言处理（NLP）: 人工智能的一个分支，它使机器能够阅读、理解和生成人类语言。它为聊天机器人、翻译、情感分析和语音识别等应用提供支持。
专家系统: 这是一个交互式、可靠的计算机辅助决策系统，它利用事实和启发式方法来解决特定领域内的复杂问题。其目标是解决该领域中最棘手的问题。
模糊逻辑: 一种多值逻辑，其中真值可以是 0 到 1 之间的任何实数。它处理部分真值的概念，即一个陈述既不完全为真也不完全为假的情况。
人工智能的类型
人工智能可以从两个方面进行分类——按能力和技术。
按能力划分：
- 狭义人工智能： 能够智能地执行单一的专用任务，例如图像标记或语音助手。
- 通用人工智能： 能够像人类一样高效地完成任何脑力任务（目前仍处于理论阶段）。
- 超级人工智能： 机器智能超越人类智能的假想境界。
按技术：
- 基于规则的人工智能： 将一组预先确定的规则应用于输入数据集，以生成相应的输出。
- 决策树人工智能： 类似于基于规则的人工智能，但允许分支和查找ping 权衡不同的选择。
- 神经网络： 受人脑启发而构建的分层模型，能够从数据中学习复杂的模式，并为机器人提供推理、规划和学习能力。
人工智能与机器学习
人工智能和机器学习经常被混用，但它们并不相同。人工智能是训练机器执行人类任务的科学；这个术语诞生于20世纪50年代。机器学习是人工智能的一个子集，它指的是机器从数据中学习模式，而不是通过显式编程来实现的。
| 方面 | 人工智能 | 机器学习 |
|---|---|---|
| 适用范围 | 模仿人类智能的广泛科学 | 人工智能的一个分支专注于从数据中学习 |
| 目标 | 模拟人类推理和决策 | 发现规律并做出预测 |
| 途径 | 规则、逻辑和学习的结合 | 以示例为基础的数据驱动型培训 |
| 例如： | 自动驾驶汽车系统 | 它内部的图像识别模型 |
您还可以阅读以下内容，了解两者之间的区别。 深度学习、机器学习和人工智能.
人工智能的应用领域有哪些？举例说明
人工智能在各个行业都有广泛的应用。
- 消除重复性工作： 人工智能可以持续重复执行任务而不会感到疲劳，并且对所执行的工作漠不关心。
- 改进现有产品： 企业添加人工智能是为了增强产品功能，而不是从零开始构建。例如，Facebook 过去需要手动标记照片；如今，人工智能会自动建议好友进行标记。
人工智能的应用已遍及各行各业——从市场营销和供应链到金融和食品加工。麦肯锡的一项调查显示，金融服务和高科技通信行业在人工智能的应用方面处于领先地位。
为什么人工智能现在蓬勃发展？
神经网络早在 20 世纪 90 年代就已存在，这要归功于 Yann LeCun 的开创性论文，但直到 2012 年左右才开始为人所知。如今人工智能的蓬勃发展主要受三个关键因素驱动。
硬件
过去二十年间，CPU 性能呈爆炸式增长，用户只需一台笔记本电脑即可训练小型深度学习模型。然而，计算机视觉和大型深度学习模型需要更强大的计算能力。得益于 NVIDIA 和 AMD 的投资，新一代 GPU（图形处理器）实现了并行计算，将工作负载分配到多个 GPU 上，从而显著提升计算速度。例如，NVIDIA TITAN X 可以在两天内训练出一个 ImageNet 模型，而传统 CPU 则需要数周时间。大型企业也利用 NVIDIA Tesla K80 等 GPU 集群来降低数据中心成本并提升性能。
时间
深度学习是模型的框架，而数据则是赋予模型生命力的流体。没有数据，一切都无从谈起。现代存储技术使得在数据中心存储海量数据变得轻而易举，而互联网则为机器学习算法提供了数据收集和分发的渠道。
应用程序如 Flickr 和 Instagram 拥有数百万张已标记图片，可用于训练神经网络，使其无需人工标注即可识别物体。人工智能与数据的结合是新的黄金：拥有最多数据的公司拥有竞争优势。全球每天产生约 2.2 艾字节（2.2 亿千兆字节）的数据，而多样化的数据源有助于模型发现模式并进行大规模学习。
算法
硬件性能空前强大，数据也唾手可得，但更精准的算法才是神经网络可靠性的关键。早期的神经网络只是简单的矩阵乘法，缺乏深层的统计特性；自2010年以来，一系列卓越的发现使其性能得到显著提升。人工智能采用渐进式学习算法，让数据本身进行“编程”，从而使计算机能够自主学习执行诸如异常检测或聊天机器人等任务。
