tpapp正版|ai是什么意思

作者: tpapp正版
2024-03-13 20:35:21

AI是什么？它与人工智能的区别是什么？AI是如何工作的？ - 知乎

AI是什么？它与人工智能的区别是什么？AI是如何工作的？ - 知乎首发于AI探索切换模式写文章登录/注册AI是什么？它与人工智能的区别是什么？AI是如何工作的？ABSilence人性，智慧，挑战，改善前言随着科技的发展，人工智能（Artificial Intelligence，简称AI）已经逐渐成为了我们生活中的常态。无论是在工作、娱乐、甚至是日常生活中，我们都能感受到AI带来的便利和改变。然而，对于很多人来说，AI还是一个比较抽象的概念，不清楚它是如何工作的，也不知道它与人工智能的区别是什么。因此，希望能通过本文，让大家对AI有一个基本的了解。AI是什么？人工智能（AI）是一种模拟人类智能思维的技术，它可以实现人类的认知和思维活动。通过这种技术，计算机可以模拟人类的思维方式和智能，从而可以完成许多复杂的任务，如图像识别、语音识别、自然语言处理、决策制定等。AI技术包括许多不同的领域和技术，例如机器学习、深度学习、自然语言处理、计算机视觉等，这些技术都是为了实现人工智能而发展起来的。人工智能技术在现代社会中的应用已经变得越来越广泛，如在医疗领域，可以使用AI技术进行医学影像分析、诊断、预测等；在金融领域，可以利用AI技术进行风险管理、欺诈检测、信用评估等；在制造业中，可以使用AI技术进行智能制造和智能化管理。此外，还有其他很多领域也在应用AI技术，例如自动驾驶、智能家居、游戏开发、教育等。总之，人工智能技术的发展已经成为了推动社会进步的重要力量，未来AI技术的应用将会更加广泛。AI与人工智能的区别是什么？虽然AI和人工制造的实体，如机器人等，都可以看作是人工智能的一种，但是AI和人工智能之间确实有一些区别。AI通常是指通过计算机程序来模拟人类智能，使得计算机能够像人类一样处理、理解和学习信息。AI技术的实现方式主要是通过利用机器学习、深度学习、自然语言处理等算法，使得计算机能够处理大量数据，从而实现对信息的理解、分类、识别等操作。而人工智能则是指通过人工制造出具有人类智能的实体，例如机器人等。与AI不同的是，人工智能的实体需要具有物理形态，能够在现实世界中进行操作和交互。与AI相比，人工智能的发展涉及到多个学科，包括机械工程、电子工程、材料科学等。可以说，AI是人工智能的一种实现方式，它是通过计算机程序来模拟人类智能。而人工智能则更加注重实体的制造和控制，在现实世界中扮演着更加具体的角色。AI是如何工作的？AI的工作方式可以概括为三个部分：输入、处理和输出。1、输入AI系统通过传感器、麦克风等设备获取外界信息，例如图像、声音、文本等。这些输入数据是AI系统进行后续分析和处理的基础。2、处理AI系统使用各种算法和模型对输入数据进行分析和处理，以提取有用的信息和特征。这些算法和模型包括神经网络、深度学习、机器学习、统计学习等。这些技术可以让AI系统自动地学习和改进，从而实现更准确和有效的分析和预测。3、输出AI系统通过各种方式将处理后的结果输出，例如文本、图像、语音、动作等。这些输出结果可能会通过屏幕、扬声器、机器人等物理设备进行展示，也可能会以数据的形式传输到其他系统中进行后续处理和分析。需要注意的是，AI系统的输入、处理和输出不是一次性的，而是一个循环迭代的过程。系统通过不断地接收输入数据，分析和处理数据，并输出结果，实现自我学习和改进，从而更好地适应复杂多变的现实世界。总的来说，AI的工作方式类似于人类的思维过程，也是通过输入信息，对信息进行分析和处理，然后输出结果。但与人类不同的是，AI系统可以在极短的时间内处理大量数据，并从中提取有用的信息，从而实现更准确和有效的分析和预测。AI的应用领域AI技术的应用领域非常广泛，下面我们将介绍几个主要的应用领域。1、医疗保健AI技术在医疗保健领域的应用越来越广泛，其中包括医学图像分析、疾病诊断、药物研发等方面。例如，AI技术可以帮助医生在大量的医学图像数据中快速准确地检测出疾病，还可以根据患者的症状、体征等数据进行诊断，从而提高疾病的诊断准确性和效率。2、金融在金融领域，AI技术可以帮助金融机构进行风险管理、投资决策、反欺诈等方面。例如，银行可以利用AI技术对客户的信用记录进行分析，从而进行信用评估和风险控制；保险公司可以利用AI技术对保险索赔进行自动处理，提高理赔的效率和准确性。3、制造业在制造业领域，AI技术可以帮助企业提高生产效率和质量，减少生产成本和人力成本。例如，利用AI技术可以实现工厂设备的自动化控制和故障预测，从而提高设备的稳定性和生产效率；还可以利用AI技术对生产过程进行优化和调整，提高产品的质量和生产效率。4、教育在教育领域，AI技术可以帮助教师进行学生的学习评估、知识传授和学习指导。例如，利用AI技术可以对学生的学习数据进行分析，从而得出学生的学习情况和弱点，为教师提供个性化的学习指导和辅导；还可以利用AI技术实现在线教育，提高教育资源的普及率和可及性。5、在娱乐领域中，AI技术也有着广泛的应用。以下是一些常见的例子：（1）游戏：AI可以用来控制游戏中的虚拟角色，让游戏更具挑战性和互动性。例如，在一些大型游戏中，AI可以控制虚拟角色的行为，使游戏更加逼真，玩家可以与虚拟角色进行互动。（2）音乐和艺术：AI可以用来创建音乐和艺术品。例如，AI可以学习和分析各种音乐样本，然后生成新的音乐作品。此外，AI还可以通过对艺术家的作品进行学习，生成新的艺术品。（3）博彩游戏：AI可以用来提高博彩游戏的公正性和安全性。例如，AI可以通过对赌局的历史记录进行分析，来检测作弊行为。（4）虚拟现实：AI可以用来提高虚拟现实体验的逼真程度。例如，AI可以用来模拟自然环境中的各种物理现象，使虚拟世界更加真实。（5）电影和视频：AI可以用来创建特效和动画。例如，AI可以模拟物体的运动和行为，来创造更加逼真的特效。总的来说，AI技术在医疗、金融、制造、教育、娱乐等领域都有着广泛的应用，并且随着技术的不断发展和创新，AI技术的应用领域还会不断扩展和深化。AI的问题与挑战尽管AI技术已经取得了巨大的进展，但它也面临着一些问题和挑战。以下是一些主要的问题和挑战：1、数据隐私AI需要大量的数据来训练模型和算法，但这些数据可能包含敏感信息，例如个人身份信息、病历记录等。如果这些数据被不当使用或泄露，可能会对个人隐私造成威胁。2、算法不透明AI模型和算法的复杂性使得它们的决策过程很难理解和解释。这可能会导致算法不透明，让人们难以理解AI系统的行为和决策，从而限制了人们对其进行监管和控制的能力。3、责任和法律问题随着AI技术的应用范围越来越广泛，涉及到的责任和法律问题也越来越复杂。例如，当AI系统出现错误或偏差时，谁来承担责任？如何界定AI系统的法律地位？4、不平等和歧视由于训练数据的偏差和算法的局限性，AI系统可能会对某些群体产生不平等和歧视。例如，在招聘、贷款等方面，AI系统可能会偏向某些群体或忽略某些重要的因素。5、安全和滥用问题随着AI技术的发展，恶意使用AI系统的可能性也在增加。例如，攻击者可能会利用AI系统进行网络攻击、欺诈等。此外，AI系统也可能被滥用，例如制作虚假视频、音频等。总之，AI技术的发展不仅带来了许多机遇，也面临着一些重大的问题和挑战。解决这些问题需要跨学科的合作和全球性的努力。结语AI技术的发展已经深入到了我们的日常生活中。在未来，AI将会在更多的领域得到应用，同时也会带来更多的问题和挑战。因此，我们需要更加深入地了解AI技术的本质，掌握其优缺点，充分认识到其带来的影响和潜在风险。只有在深入了解AI技术的同时，我们才能更好地应对未来面临的挑战，充分发挥AI技术在推动社会进步、改善人类生活质量等方面的积极作用。在后续的文章中，我们将会进一步探讨这些问题，以及AI在不同领域的应用。编辑于 2023-03-10 10:30・IP 属地美国人工智能AI赞同 115 条评论分享喜欢收藏申请转载文章被以下专栏收录AI探索探索AI技术的基础知识、应用场景、技术

人工智能（智能科学与技术专业术语）_百度百科

（智能科学与技术专业术语）_百度百科网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心人工智能是一个多义词，请在下列义项上选择浏览（共38个义项）展开添加义项人工智能播报讨论上传视频智能科学与技术专业术语收藏查看我的收藏0有用+10本词条由“科普中国”科学百科词条编写与应用工作项目审核。人工智能（Artificial Intelligence），英文缩写为AI。 [24]是新一轮科技革命和产业变革的重要驱动力量， [26]是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是智能学科重要的组成部分，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能是十分广泛的科学，包括机器人、语言识别、图像识别、自然语言处理、专家系统、机器学习，计算机视觉等。 [1]人工智能大模型带来的治理挑战也不容忽视。 [44]马斯克指出，在人工智能机器学习面具之下的本质仍然是统计。 [38]营造良好创新生态，需做好前瞻研究，建立健全保障人工智能健康发展的法律法规、制度体系、伦理道德。 [44]着眼未来，在重视防范风险的同时，也应同步建立容错、纠错机制，努力实现规范与发展的动态平衡。 [44]中文名人工智能外文名Artificial Intelligence所属学科计算机智能学科简称AI提出时间1956年提出地点DARTMOUTH学会目录1定义详解2研究价值3发展阶段4科学介绍5技术研究▪研究方法▪智能模拟▪学科范畴▪涉及学科▪研究范畴▪安全问题▪实现方法▪与人类差距6专业机构▪美国▪中国7主要成果▪人机对弈▪模式识别▪自动工程▪知识工程8相关著作9发展简史▪计算机时代▪竞赛▪大量程序▪日常生活▪强弱对比▪政策措施10研究课题▪解决问题▪知识表示法▪规划▪学习▪自然语言处理▪运动和控制▪知觉▪社交▪创造力▪多元智能▪人工智能影响▪应用领域11流行语12发展现状13发展方向14伦理规范15应用成果16相关事件定义详解播报编辑人工智能机器人关于什么是“智能”，涉及到诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND））等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是人工智能。人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。20世纪70年代以来，人工智能被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。人工智能是研究使用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。 [3]研究价值播报编辑具有人工智能的机器人例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。这是智能化研究者梦寐以求的东西。2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。发展阶段播报编辑1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车、火车、飞机和收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。 [2]2019年3月4日，十三届全国人大二次会议举行新闻发布会，大会发言人张业遂表示，已将与人工智能密切相关的立法项目列入立法规划 [4]。《深度学习平台发展报告(2022)》认为，伴随技术、产业、政策等各方环境成熟，人工智能已经跨过技术理论积累和工具平台构建的发力储备期，开始步入以规模应用与价值释放为目标的产业赋能黄金十年。 [13]2021年9月25日，为促进人工智能健康发展，《新一代人工智能伦理规范》发布。2023年4月，美国《科学时报》刊文介绍了正在深刻改变医疗保健领域的五大领先技术：可穿戴设备和应用程序、人工智能与机器学习、远程医疗、机器人技术、3D打印。 [23]2024年3月，文生视频模型Sora的推出引起广泛关注。人工智能技术快速发展，其潜在的风险也随之出现，真假的界限似乎变得更加模糊。 [45]科学介绍播报编辑实际应用机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。学科范畴人工智能是一门边缘学科，属于自然科学和社会科学的交叉。涉及学科哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论研究范畴自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法意识和人工智能人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。而强人工智能则暂时处于瓶颈，还需要科学家们和人类的努力。技术研究播报编辑用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。研究方法如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，这个概念后来被某些非GOFAI研究者采纳。大脑模拟主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960，大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。符号处理主条目：GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学，运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示，智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子，因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。子符号法80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上，接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统，而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。智能模拟机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。学科范畴人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。涉及学科哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。研究范畴语言的学习与处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。安全问题人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。因此，人工智能的安全可控问题要同步从技术层面来解决。 [27]随着技术的发展成熟，监管形式可能逐步发生变化，但人工智能必须接受人工监管的本质不能改变。 [28]生成式AI可能引发大规模隐私或者个人信息泄露问题。 [36]实现方法人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。与人类差距2023年，中国科学院自动化研究所（中科院自动化所）团队最新完成的一项研究发现，基于人工智能的神经网络和深度学习模型对幻觉轮廓“视而不见”，人类与人工智能的“角逐”在幻觉认知上“扳回一局”。 [16]专业机构播报编辑美国⒈ MASSACHUSETTS INSTITUTE OF TECHNOLOGY麻省理工学院⒉ STANFORD UNIVERSITY斯坦福大学(CA)⒊ CARNEGIE MELLON UNIVERSITY卡内基美隆大学(PA)⒋ UNIVERSITY OF CALIFORNIA-BERKELEY加州大学伯克利分校⒌ UNIVERSITY OF WASHINGTON华盛顿大学⒍ UNIVERSITY OF TEXAS-AUSTIN德克萨斯大学奥斯汀分校⒎ UNIVERSITY OF PENNSYLVANIA宾夕法尼亚大学⒏ UNIVERSITY OF ILLINOIS-URBANA-CHAMPAIGN 伊利诺伊大学厄本那—香槟分校⒐ UNIVERSITY OF MARYLAND-COLLEGE PARK马里兰大学帕克分校⒑ CORNELL UNIVERSITY 康奈尔大学 (NY)⒒ UNIVERSITY OF MASSACHUSETTS-AMHERST马萨诸塞大学AMHERST校区⒓ GEORGIA INSTITUTE OF TECHNOLOGY佐治亚理工学院UNIVERSITY OF MICHIGAN-ANN ARBOR 密西根大学-安娜堡分校⒕ UNIVERSITY OF SOUTHERN CALIFORNIA南加州大学⒖ COLUMBIA UNIVERSITY哥伦比亚大学(NY)UNIVERSITY OF CALIFORNIA-LOS ANGELES加州大学洛杉矶分校⒘ BROWN UNIVERSITY布朗大学(RI)⒙ YALE UNIVERSITY耶鲁大学(CT)⒚ UNIVERSITY OF CALIFORNIA-SAN DIEGO加利福尼亚大学圣地亚哥分校⒛ UNIVERSITY OF WISCONSIN-MADISON威斯康星大学麦迪逊分校中国1、中国科学院自动化研究所2、清华大学3、北京大学4、南京理工大学5、北京科技大学6、中国科学技术大学7、吉林大学8、哈尔滨工业大学9、北京邮电大学10、北京理工大学11、厦门大学人工智能研究所12、西安交通大学智能车研究所13、中南大学智能系统与智能软件研究所14、西安电子科技大学智能所15、华中科技大学图像与人工智能研究所16、重庆邮电大学17、武汉工程大学主要成果播报编辑人机对弈1996年2月10～17日， GARRY KASPAROV以4：2战胜“深蓝” （DEEP BLUE）。1997年5月3～11日， GARRY KASPAROV以2.5：3.5输于改进后的“深蓝”。2003年2月GARRY KASPAROV 3:3战平 “小深”（DEEP JUNIOR）。2003年11月GARRY KASPAROV 2:2战平 “X3D德国人” （X3D-FRITZ）。模式识别采用 $模式识别引擎，分支有2D识别引擎，3D识别引擎，驻波识别引擎以及多维识别引擎2D识别引擎已推出指纹识别，人像识别，文字识别，图像识别，车牌识别；驻波识别引擎已推出语音识别自动工程自动驾驶（OSO系统）印钞工厂（￥流水线）猎鹰系统（YOD绘图）知识工程以知识本身为处理对象，研究如何运用人工智能和软件技术，设计、构造和维护知识系统专家系统智能搜索引擎计算机视觉和图像处理机器翻译和自然语言理解数据挖掘和知识发现相关著作播报编辑《视读人工智能》：机器真的可以思考吗？人的思维只是一个复杂的计算机程序吗？本书着眼于人工智能这个有史以来最为棘手的科学问题之一，集中探讨了其背后的一些主要话题。人工智能不仅仅是一个虚构的概念。人类对智能机体结构半个世纪的研究表明：机器可以打败人类最伟大的棋手，类人机器人可以走路并且能和人类进行互动。尽管早就有宣言称智能机器指日可待，但此方面的进展却缓慢而艰难。意识和环境是困扰研究的两大难题。我们到底应该怎样去制造智能机器呢？它应该像大脑一样运转？它是否需要躯体？从图灵影响深远的奠基性研究到机器人和新人工智能的飞跃，本书图文并茂的将人工智能在过去半个世纪的发展清晰的呈现到读者面前。《人工智能的未来》：诠释了智能的内涵，阐述了大脑工作的原理，并告诉我们如何才能制造出真正意义上的智能机器——这样的智能机器将不再仅仅是对人类大脑的简单模仿，它们的智能在许多方面会远远超过人脑。霍金斯认为，从人工智能到神经网络，早先复制人类智能的努力无一成功，究其原因，都是由于人们并未真正了解智能的内涵和人类大脑。所谓智能，就是人脑比较过去、预测未来的能力。大脑不是计算机，不会亦步亦趋、按部就班的根据输入产生输出。大脑是一个庞大的记忆系统，它储存着在某种程度上反映世界真实结构的经验，能够记忆事件的前后顺序及其相互关系，并依据记忆做出预测。形成智能、感觉、创造力以及知觉等基础的，就是大脑的记忆-预测系统……《人工智能哲学》：人工智能哲学是伴随现代信息理论和计算机技术发展起来的一个哲学分支。本书收集了人工智能研究领域学者的十五篇代表性论文，这些论文为计算机科学的发展和人工智能哲学的建立作出了开创性的贡献。这些文章总结了人工智能发展的历程，该学科发展的趋势，以及人工智能中的重要课题。在这些划时代的著作中，包括有：现代计算机理论之父艾伦·图灵的“计算机与智能”；美国哲学家塞尔的“心灵，大脑与程序”；J·E·欣顿等人的“分布式表述”，以及本书编者、英国人工智能学者M·A·博登的“逃出中文屋”。《人工智能：一种现代的方法》：本书以详尽和丰富的资料，从理性智能体的角度，全面阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向，是一本难得的综合性教材。全书分为八大部分：第一部分"人工智能"，第二部分"问题求解"，第三部分"知识与推理"，第四部分"规划"，第五部分"不确定知识与推理"，第六部分"学习"，第七部分"通讯、感知与行动"，第八部分"结论"。本书既详细介绍了大量的基本概念、思想和算法，也描述了各研究方向最前沿的进展，同时收集整理了详实的历史文献与事件。因此本书适合于不同层次和领域的研究人员及学生，可以作为信息领域和相关领域的高等院校本科生和研究生的教材或教学辅导书目，也可以作为相关领域的科研与工程技术人员的参考书。发展简史播报编辑人工智能的传说可以追溯到古埃及，但随着1941年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工智能”（ARTIFICIAL INTELLIGENCE）一词最初是在1956年DARTMOUTH学会上提出的，从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从40年前出现，已经出现了许多AI程序，并且它们也影响到了其它技术的发展。计算机时代1941年的一项发明使信息存储和处理的各个方面都发生了革命.这项同时在美国和德国出现的发明就是电子计算机.第一台计算机要占用几间装空调的大房间，对程序员来说是场噩梦：仅仅为运行一个程序就要设置成千的线路.1949年改进后的能存储程序的计算机使得输入程序变得简单些，而且计算机理论的发展产生了计算机科学，并最终促使了人工智能的出现.计算机这个用电子方式处理数据的发明，为人工智能的可能实现提供了一种媒介.虽然计算机为AI提供了必要的技术基础，但直到50年代早期人们才注意到人类智能与机器之间的联系. NORBERT WIENER是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它将收集到的房间温度与希望的温度比较，并做出反应将加热器开大或关小，从而控制环境温度.这项对反馈回路的研究重要性在于：WIENER从理论上指出，所有的智能活动都是反馈机制的结果.而反馈机制是有可能用机器模拟的.这项发现对早期AI的发展影响很大.1955年末，NEWELL和SIMON做了一个名为"逻辑专家"（LOGIC THEORIST）的程序.这个程序被许多人认为是第一个AI程序.它将每个问题都表示成一个树形模型，然后选择最可能得到正确结论的那一枝来求解问题."逻辑专家"对公众和AI研究领域产生的影响使它成为AI发展中一个重要的里程碑.1956年，被认为是人工智能之父的JOHN MCCARTHY组织了一次学会，将许多对机器智能感兴趣的专家学者聚集在一起进行了一个月的讨论.他请他们到 VERMONT参加 " DARTMOUTH人工智能夏季研究会".从那时起，这个领域被命名为 "人工智能".虽然 DARTMOUTH学会不是非常成功，但它确实集中了AI的创立者们，并为以后的AI研究奠定了基础.DARTMOUTH会议后的7年中，AI研究开始快速发展.虽然这个领域还没明确定义，会议中的一些思想已被重新考虑和使用了. CARNEGIE MELLON大学和MIT开始组建AI研究中心.研究面临新的挑战：下一步需要建立能够更有效解决问题的系统，例如在"逻辑专家"中减少搜索；还有就是建立可以自我学习的系统.1957年一个新程序，"通用解题机"（GPS）的第一个版本进行了测试.这个程序是由制作"逻辑专家" 的同一个组开发的.GPS扩展了WIENER的反馈原理，可以解决很多常识问题.两年以后，IBM成立了一个AI研究组.HERBERT GELERNETER花3年时间制作了一个解几何定理的程序.当越来越多的程序涌现时，MCCARTHY正忙于一个AI史上的突破.1958年MCCARTHY宣布了他的新成果：LISP语言. LISP到今天还在用."LISP"的意思是"表处理"（LIST PROCESSING），它很快就为大多数AI开发者采纳.1963年MIT从美国政府得到一笔220万美元的资助，用于研究机器辅助识别.这笔资助来自国防部高级研究计划署（ARPA），已保证美国在技术进步上领先于苏联.这个计划吸引了来自全世界的计算机科学家，加快了AI研究的发展步伐.竞赛LOEBNER（人工智能类）以人类的智慧创造出堪与人类大脑相平行的机器脑（人工智能），对人类来说是一个极具诱惑的领域，人类为了实现这一梦想也已经奋斗了很多个年头了。而从一个语言研究者的角度来看，要让机器与人之间自由交流那是相当困难的，甚至可以说可能会是一个永无答案的问题。人类的语言，人类的智能是如此的复杂，以至于我们的研究还并未触及其导向本质的外延部分的边沿。大量程序以后几年出现了大量程序.其中一个叫"SHRDLU"."SHRDLU"是"微型世界"项目的一部分，包括在微型世界（例如只有有限数量的几何形体）中的研究与编程.在MIT由MARVIN MINSKY领导的研究人员发现，面对小规模的对象，计算机程序可以解决空间和逻辑问题.其它如在60年代末出现的"STUDENT"可以解决代数问题，"SIR"可以理解简单的英语句子.这些程序的结果对处理语言理解和逻辑有所帮助.70年代另一个进展是专家系统.专家系统可以预测在一定条件下某种解的概率.由于当时计算机已有巨大容量，专家系统有可能从数据中得出规律.专家系统的市场应用很广.十年间，专家系统被用于股市预测，帮助医生诊断疾病，以及指示矿工确定矿藏位置等.这一切都因为专家系统存储规律和信息的能力而成为可能.70年代许多新方法被用于AI开发，如MINSKY的构造理论.另外DAVID MARR提出了机器视觉方面的新理论，例如，如何通过一副图像的阴影，形状，颜色，边界和纹理等基本信息辨别图像.通过分析这些信息，可以推断出图像可能是什么.同时期另一项成果是PROLOGE语言，于1972年提出. 80年代期间，AI前进更为迅速，并更多地进入商业领域.1986年，美国AI相关软硬件销售高达4.25亿美元.专家系统因其效用尤受需求.象数字电气公司这样的公司用XCON专家系统为VAX大型机编程.杜邦，通用汽车公司和波音公司也大量依赖专家系统.为满足计算机专家的需要，一些生产专家系统辅助制作软件的公司，如TEKNOWLEDGE和INTELLICORP成立了。为了查找和改正现有专家系统中的错误，又有另外一些专家系统被设计出来.日常生活人们开始感受到计算机和人工智能技术的影响.计算机技术不再只属于实验室中的一小群研究人员. 个人电脑和众多技术杂志使计算机技术展现在人们面前.有了像美国人工智能协会这样的基金会.因为AI开发的需要，还出现了一阵研究人员进入私人公司的热潮。150多所像DEC（它雇了700多员工从事AI研究）这样的公司共花了10亿美元在内部的AI开发组上.其它AI领域也在80年代进入市场.其中一项就是机器视觉. MINSKY和MARR的成果如今用到了生产线上的相机和计算机中，进行质量控制.尽管还很简陋，这些系统已能够通过黑白区别分辨出物件形状的不同.到1985年美国有一百多个公司生产机器视觉系统，销售额共达8千万美元.但80年代对AI工业来说也不全是好年景.86-87年对AI系统的需求下降，业界损失了近5亿美元.象 TEKNOWLEDGE和INTELLICORP两家共损失超过6百万美元，大约占利润的三分之一巨大的损失迫使许多研究领导者削减经费.另一个令人失望的是国防部高级研究计划署支持的所谓"智能卡车".这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望，PENTAGON停止了项目的经费.人工智能机器人(2张)尽管经历了这些受挫的事件，AI仍在慢慢恢复发展.新的技术在日本被开发出来，如在美国首创的模糊逻辑，它可以从不确定的条件作出决策；还有神经网络，被视为实现人工智能的可能途径.总之，80年代AI被引入了市场，并显示出实用价值.可以确信，它将是通向21世纪之匙. 人工智能技术接受检验在"沙漠风暴"行动中军方的智能设备经受了战争的检验.人工智能技术被用于导弹系统和预警显示以及其它先进武器.AI技术也进入了家庭.智能电脑的增加吸引了公众兴趣；一些面向苹果机和IBM兼容机的应用软件例如语音和文字识别已可买到；使用模糊逻辑，AI技术简化了摄像设备.对人工智能相关技术更大的需求促使新的进步不断出现.人工智能已经并且将继续不可避免地改变我们的生活。强弱对比人工智能的一个比较流行的定义，也是该领域较早的定义，是由约翰·麦卡锡（JOHN MCCARTHY）在1956年的达特矛斯会议（DARTMOUTH CONFERENCE）上提出的：人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲，对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。强人工智能(BOTTOM-UP AI)强人工智能观点认为有可能制造出真正能推理（REASONING）和解决问题（PROBLEM_SOLVING）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：类人的人工智能，即机器的思考和推理就像人的思维一样。非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。弱人工智能(TOP-DOWN AI)弱人工智能观点认为不可能制造出能真正地推理（REASONING）和解决问题（PROBLEM_SOLVING）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则处于停滞不前的状态下。对强人工智能的哲学争论“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为：“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（J SEARLE IN MINDS BRAINS AND PROGRAMS. THE BEHAVIORAL AND BRAIN SCIENCES,VOL. 3,1980）这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的，像下面所提到的就是其中的例子。利用计算机解决问题时，必须知道明确的程序。可是，人即使在不清楚程序时，根据发现（HEU- RISTIC）法而设法巧妙的解决了问题的情况是不少的。如识别书写的文字、图形、声音等，所谓认识模型就是一例。再有，能力因学习而得到的提高和归纳推理、依据类推而进行的推理等，也是其例。此外，解决的程序虽然是清楚的，但是实行起来需要很长时间，对于这样的问题，人能在很短的时间内找出相当好的解决方法，如竞技的比赛等就是其例。还有，计算机在没有给予充分的合乎逻辑的正确信息时，就不能理解它的意义，而人在仅是被给予不充分、不正确的信息的情况下，根据适当的补充信息，也能抓住它的意义。自然语言就是例子。用计算机处理自然语言，称为自然语言处理。关于强人工智能的争论不同于更广义的一元论和二元论（DUALISM）的争论。其争论要点是：如果一台机器的唯一工作原理就是对编码数据进行转换，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是对数据进行转换，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。也有哲学家持不同的观点。DANIEL C. DENNETT 在其著作 CONSCIOUSNESS EXPLAINED 里认为，人也不过是一台有灵魂的机器而已，为什么我们认为人可以有智能而普通机器就不能呢？他认为像上述的数据转换机器是有可能有思维和意识的。有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如SIMON BLACKBURN在其哲学入门教材 THINK 里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她/他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。BLACKBURN 认为这是一个主观认定的问题。需要要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。政策措施2019年6月17日，国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》，提出了人工智能治理的框架和行动指南。这是中国促进新一代人工智能健康发展，加强人工智能法律、伦理、社会问题研究，积极推动人工智能全球治理的一项重要成果。 [5]研究课题播报编辑人工智能的研究方向已经被分成几个子领域，研究人员希望一个人工智能系统应该具有某些特定能力，以下将这些能力列出并说明。解决问题早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了1980和1990年代，利用概率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的存储器或是运算时间。寻找更有效的算法是优先的人工智能研究项目。人类解决问题的模式通常是用最快捷，直观的判断，而不是有意识的，一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法取得进展：实体化AGENT研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。知识表示法AN ONTOLOGY REPRESENTS KNOWLEDGE AS A SET OF CONCEPTS WITHIN A DOMAIN AND THE RELATIONSHIPS BETWEEN THOSE CONCEPTS.主条目：知识表示和常识知识库规划智能AGENT必须能够制定目标和实现这些目标。他们需要一种方法来建立一个可预测的世界模型(将整个世界状态用数学模型表现出来，并能预测它们的行为将如何改变这个世界)，这样就可以选择功效最大的行为。在传统的规划问题中，智能AGENT被假定它是世界中唯一具有影响力的，所以它要做出什么行为是已经确定的。但是，如果事实并非如此，它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合，它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。在多AGENT中，多个AGENT规划以合作和竞争的方式去完成一定的目标，使用演化算法和群体智慧可以达成一个整体的突现行为目标。学习主条目：机器学习机械学习的主要目的是为了从使用者和输入数据等处获得知识，从而可以帮助解决更多问题，减少错误，提高解决问题的效率。对于人工智能来说，机械学习从一开始就很重要。1956年，在最初的达特茅斯夏季会议上，雷蒙德索洛莫诺夫写了一篇关于不监视的概率性机械学习：一个归纳推理的机械。自然语言处理主条目：自然语言处理运动和控制主条目：机器人学知觉主条目：机器感知、计算机视觉和语音识别机器感知是指能够使用传感器所输入的资料(如照相机，麦克风，声纳以及其他的特殊传感器)然后推断世界的状态。计算机视觉能够分析影像输入。另外还有语音识别、人脸辨识和物体辨识。社交主条目：情感计算KISMET，一个具有表情等社交能力的机器人情感和社交技能对于一个智能AGENT是很重要的。首先，通过了解他们的动机和情感状态，代理人能够预测别人的行动(这涉及要素博弈论、决策理论以及能够塑造人的情感和情绪感知能力检测)。此外，为了良好的人机互动，智慧代理人也需要表现出情绪来。至少它必须出现礼貌地和人类打交道。至少，它本身应该有正常的情绪。创造力主条目：计算机创造力一个人工智能的子领域，代表了理论(从哲学和心理学的角度)和实际(通过特定的实现产生的系统的输出是可以考虑的创意，或系统识别和评估创造力)所定义的创造力。相关领域研究的包括了人工直觉和人工想像。多元智能大多数研究人员希望他们的研究最终将被纳入一个具有多元智能(称为强人工智能)，结合以上所有的技能并且超越大部分人类的能力。有些人认为要达成以上目标，可能需要拟人化的特性，如人工意识或人工大脑。上述许多问题被认为是人工智能完整性：为了解决其中一个问题，你必须解决全部的问题。即使一个简单和特定的任务，如机器翻译，要求机器按照作者的论点(推理)，知道什么是被人谈论(知识)，忠实地再现作者的意图(情感计算)。因此，机器翻译被认为是具有人工智能完整性：它可能需要强人工智能，就像是人类一样。人工智能影响（1）人工智能对自然科学的影响。在需要使用数学计算机工具解决问题的学科，AI带来的帮助不言而喻。更重要的是，AI反过来有助于人类最终认识自身智能的形成。（2）人工智能对经济的影响。专家系统更深入各行各业，带来巨大的宏观效益。AI也促进了计算机工业网络工业的发展。但同时，也带来了劳务就业问题。由于AI在科技和工程中的应用，能够代替人类进行各种技术工作和脑力劳动，会造成社会结构的剧烈变化。（3）人工智能对社会的影响。AI也为人类文化生活提供了新的模式。现有的游戏将逐步发展为更高智能的交互式文化娱乐手段，今天，游戏中的人工智能应用已经深入到各大游戏制造商的开发中。一个理想的人工智能社会是人类与人工智能友好相处的社会。 [30]伴随着人工智能和智能机器人的发展，不得不讨论是人工智能本身就是超前研究，需要用未来的眼光开展现代的科研，因此很可能触及伦理底线。作为科学研究可能涉及到的敏感问题，需要针对可能产生的冲突及早预防，而不是等到问题矛盾到了不可解决的时候才去想办法化解。在人工智能发展上首先要做好风险管控，这样发展起来的人工智能才是人类之福。 [29]应用领域机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。智能家居之后，人工智能成为家电业的新风口。 [6]流行语播报编辑2017年12月，人工智能入选“2017年度中国媒体十大流行语”。入选理由：经过多年的演进，人工智能发展进入了新阶段。为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，2017年7月20日，国务院印发了《新一代人工智能发展规划》。《规划》提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，为我国人工智能的进一步加速发展奠定了重要基础。 [2]2024年1月8日，人工智能入选2023劳动热词。背景：2023年初，由AI（人工智能）技术驱动的聊天机器人ChatGPT风靡互联网。随后，国内外不少科技企业先后发布人工智能大模型。这些大模型具有大量参数和复杂结构的机器学习模型，能够处理海量数据、完成各种复杂的任务，如自然语言处理、计算机视觉、语音识别等。观察：我的工作，会被AI取代吗？2023年，这似乎是职场人最热门的议题，但这并不是一个新问题。随着制造业迎来以机械臂为代表的智能化转型，一些技术工人已经面临过职业危机了。事实上，每一次技术变革，根本目的都是解放人而非取代人，这一次也不例外。无论是将工位让给机械臂、与代码打交道的技术工人，还是最近才与“AI绘画”遭遇的插画师，都发现AI可以帮人们完成部分重复性、标准化的工作，但在面对复杂情况或需要创意时，“老师傅”依然不可代替。AI会对某些职业产生影响，但也必将创造新的就业机会。对劳动者来说，适应新的技术并培养与之合作的技能，是让AI“为我所用”的必经之路。 [37]发展现状播报编辑2021年7月13日，中国互联网协会发布了《中国互联网发展报告（2021）》。《报告》显示，2020年，人工智能产业规模达到了3031亿元。 [7]在人工智能领域，2020年人工智能产业规模保持平稳增长，产业规模达到了3031亿元，同比增长15%，增速略高于全球的平均增速。产业主要集中在北京、上海、广东、浙江等省份，我国在人工智能芯片领域、深度学习软件架构领域、中文自然语言处理领域进展显著。 [7]2022年6月27日，在第二十四届中国科协年会闭幕式上，中国科协隆重发布10个对科学发展具有导向作用的前沿科学问题，其中包括“ 如何实现可信可靠可解释人工智能技术路线和方案 [11]”。2022年12月9日，最高人民法院发布《关于规范和加强人工智能司法应用的意见》。 [15]2023年3月，为贯彻落实国家《新一代人工智能发展规划》，科技部会同自然科学基金委启动“人工智能驱动的科学研究”（AI for Science）专项部署工作，紧密结合数学、物理、化学、天文等基础学科关键问题，围绕药物研发、基因研究、生物育种、新材料研发等重点领域科研需求展开，布局“人工智能驱动的科学研究”前沿科技研发体系。 [18]艾媒咨询数据显示，2016年，中国人工智能产业规模已突破100亿元，增长率达到43.3%。2023年2月，工信部发布的数据表明，2022年中国AI核心产业规模已达到5000亿。2023年，合合信息旗下启信宝联合城市进化论发布发布的《中国人工智能产业图鉴》数据显示，2016年全国AI相关存续企业近28万家，2022年超过60万家，相较于6年前存续企业数量增长超114%。截至2022年底，工信部设立的国家AI创新应用先导区增至11个，覆盖长三角、京津冀、粤港澳、成渝四大战略区域以及长江中游城市群。 [19]2023年4月7日，俄罗斯总理米哈伊尔·米舒斯京在会见国家杜马议员时表示，目前俄罗斯经济中运用的人工智能约占20％，到2024年计划至少达到50％。 [21]布鲁塞尔当地时间2023年12月8日晚，欧洲议会、欧盟成员国和欧盟委员会三方，在历经近40个小时的漫长谈判后就《人工智能法案》达成协议。 [31]2024年1月19日，国务院新闻办公室举行新闻发布会，工业和信息化部新闻发言人、运行监测协调局局长陶青表示，中国人工智能企业数量超4400家。 [41]发展方向播报编辑《重大领域交叉前沿方向2021》（2021年9月13日由浙江大学中国科教战略研究院发布）认为当前以大数据、深度学习和算力为基础的人工智能在语音识别、人脸识别等以模式识别为特点的技术应用上已较为成熟，但对于需要专家知识、逻辑推理或领域迁移的复杂性任务，人工智能系统的能力还远远不足。 [9]基于统计的深度学习注重关联关系，缺少因果分析，使得人工智能系统的可解释性差，处理动态性和不确定性能力弱，难以与人类自然交互，在一些敏感应用中容易带来安全和伦理风险。类脑智能、认知智能、混合增强智能是重要发展方向。 [8]2024年，由清华大学经济管理学院、度小满等机构联合编写的《2024年金融业生成式人工智能应用报告》发布。《报告》认为，生成式人工智能技术在金融业中的应用尚处于技术探索和试点应用的并行期，预计1年至2年内首批大模型增强的金融机构会进入成熟应用期，3年后将会带动金融业生成式人工智能规模化应用。 [42]成本是目前制约人工智能发展的因素之一，也是未来人工智能发展需要攻克的难点。2023年11月，一家市场机构联合京东云发布的《金融行业先进AI存力报告》提到，人工智能大模型落地的成本问题是业界关注重点。千亿级别参数、动辄以月来计算的训练周期，对应到存储环节意味着巨大的成本，因此人工智能若想在更大范围内应用，仍有很强的降本增效需求。 [43]伦理规范播报编辑2021年9月25日，2021中关村论坛在中关村国家自主创新示范区展示中心举行全体会议，会上，国家新一代人工智能治理专业委员会主任薛澜发布了《新一代人工智能伦理规范》，旨在将伦理融入人工智能全生命周期，为从事人工智能相关活动的自然人、法人和其他相关机构等提供伦理指引，促进人工智能健康发展。 [10]2023年3月29日，英国政府发布了针对人工智能产业监管的白皮书，概述了针对ChatGPT等人工智能治理的五项原则。它们分别是：安全性和稳健性、透明度和可解释性、公平性、问责制和管理，以及可竞争性。在接下来的12个月里，监管机构将向相关组织发布实用指南，以及风险评估模板等其他工具，制定基于五项原则的一些具体规则。也将在议会推动立法，制定具体的人工智能法案。企业应该解释何时以及如何使用人工智能，并透露系统的决策过程，以“暴露”使用人工智能所带来的风险。 [20]应用成果播报编辑美国人工智能公司OpenAI的大语言模型ChatGPT在推出约两个月后，1月已达到1亿月活跃用户，成为历史上增长最快的消费者应用程序。相关专家预计，ChatGPT不仅是新一代聊天机器人的突破，也将为信息产业带来巨大变革，但由此带来的学术造假、技术滥用、舆论安全等风险亦不容忽视。 [40]2022年6月，Michael Chazan等利用一款深度学习人工智能工具，发现100万年前人类用火的证据，这被认为是有史以来最重要的创新之一。 [12]韩国计划到2027年将人工智能技术用于军事目的，包括自行榴弹炮的无人操作和无人机的使用。 [14]在人工智能技术“芯片-框架-模型-应用”四层结构中，百度是全球为数不多在这四层进行全栈布局的公司，从昆仑芯，到飞桨深度学习框架，再到文心一言预训练大模型，到百度搜索等应用，各个层面都有自研技术。 [17]在电子竞技领域，随着人工智能等新科技的不断涌现，AI可以变身高端玩家，作为“神对手”与电竞选手展开对练，也可化身“神队友”辅助配合，在帮助电竞选手调整战术、提升技巧的同时，提升人工智能的自我学习能力。 [22]人工智能已应用于养老服务产业。第九届中国国际养老服务业博览会近期在北京举办，人工智能机器人等智慧养老产品备受关注。 [25]金融领域AI大模型呈现出“百花齐放”的景象。腾讯云发布了金融行业大模型解决方案，招联金融、度小满、星环科技、奇富科技等均发布了金融大模型。AI与金融相遇，为金融科技领域带来了创新和变革的可能。在传统的金融业务中，纸质资料的处理占据了大量的人力、物力和时间。如今AI大模型可以在十几秒钟的时间内轻松读完公司年报，从中提炼出重要的观点和关键词，并生成财务分析、业务发展预测等专业化内容。同时，AI数字人已经成为许多银行大模型业务应用落地的“标配”之一，数字员工可以24小时无休地承担客服等工作。 [32]人工智能技术在国内金融领域的价值潜力备受瞩目，尤其是在手机银行方面，用户基数庞大，可供应用的场景丰富，这些特点都为人工智能技术的落地提供了良好的机会。在此背景下，不少手机银行近期推出迭代升级新版本，重点提升了人工智能技术的应用。例如，交通银行推出手机银行8.0版本，新版本依托人工智能大数据分析能力，从海量信息中提炼，推出基金大数据榜单，助力客户进行投资决策。邮储银行手机银行9.0版本打造“AI空间+数字员工+视频客服”服务。其中，AI空间通过下拉手机银行首页进入，向客户直观展示本月收支、常用缴费、最近收款人等信息，为客户提供定制服务。 [39]相关事件播报编辑当地时间2023年12月20日，英国最高法院公布的判决结果显示，一名美国计算机科学家在为其人工智能系统创造的发明申请专利时败诉。英国知识产权局此前拒绝了他的专利注册申请，理由是发明人必须是人类或公司，而不是机器，随后泰勒向英国最高法院提出上诉，这一上诉在20日被驳回，因为根据英国专利法，“发明人必须是自然人”。 [33]据报道，2023年11月2日，以色列军方声称，他们在新一轮的巴以冲突中使用了人工智能（AI）技术来精准锁定和打击目标。目前，以色列军方主要使用两个人工智能系统参与军事作战。一个是用于处理大量数据并选择空袭目标的系统；另一个是用于计算弹药装载量并制定突袭计划的人工智能模型。军方官员表示，现在可以在数分钟内选择空袭目标并实施袭击，这是前所未有的速度。 [34]2023年12月，入选2023年理论视野中的十大热点。 [35]新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号京公网安备110000020000

什么是人工智能 (AI)？| IBM

什么是人工智能 (AI)？

人工智能利用计算机和机器模仿人类大脑解决问题和决策的能力

探索企业级的人工智能与数据平台

注册获取人工智能 (AI) 更新

什么是人工智能(AI)？

虽然过去几十年中出现了人工智能 (AI) 的许多定义，但 John McCarthy 在 2004 年的这篇人工智能论文（ibm.com 外部链接）中提供了以下定义：“人工智能是制造智能机器的科学和工程，特别是智能计算机程序。它与使用计算机理解人类智能的类似任务有关，但人工智能不必局限于生物学上能观察到的方法。”

然而，在这个人工智能定义出现之前的几十年，艾伦·图灵 (Alan Turing) 于 1950 年出版的开创性著作《计算机器与智能》(Computing Machinery and Intelligence)（ibm.com 外部链接）标志着人工智能对话的诞生。在这篇论文中，通常被称为“计算机科学之父”的图灵提出了以下问题：“机器能思考吗？”。为了回答这个问题，他提供了一个测试，这就是著名的“图灵测试”，在此测试中，人类询问者将尝试区分哪些文本响应是计算机做出的，哪些是人类做出的。虽然这项测试自发布以来经过了大量审查，但它仍然是人工智能 (AI) 历史的重要组成部分，也是哲学中一个不断发展的概念，因为它利用了有关语言学的想法。

Stuart Russell 和 Peter Norvig 随后出版了《人工智能：一种现代方法》（ibm.com 外部链接），成为人工智能 (AI) 研究领域的领先教科书之一。在这本书中，他们深入研究了人工智能的四个潜在目标或定义，这些目标或定义根据理性和思考与行动来区分计算机系统：

人类的方法：

像人类一样思考的系统

像人类一样行动的系统

理想的方法：

理性思考的系统

理性行动的系统

艾伦·图灵的人工智能定义属于“像人类一样行事的系统”范畴。

从最简单的形式来看，人工智能是一个结合计算机科学和强大数据集来解决问题的领域。它还包含机器学习和深度学习的子领域，这些领域经常与人工智能一起提及。这些学科由人工智能算法组成，旨在创建专家系统，根据输入数据进行预测或分类。

多年来，人工智能经历了多次炒作周期，但即使是人工智能怀疑论者，也会认为，OpenAI 的 ChatGPT 的发布似乎标志着一个人工智能转折点。上一次生成式人工智能让人如此忧心忡忡的时候，还是因为在计算机视觉方面取得突破，但现在的飞跃则是在自然语言处理方面。而且，不仅仅是语言：生成模型还可以学习软件代码、分子、自然图像和各种其他数据类型的语法。

这项技术的应用每天都在增长，而我们才刚刚开始探索可能性。但是，随着围绕人工智能的商业应用的新一轮炒作开始，围绕伦理的对话变得至关重要。要详细了解 IBM 在人工智能伦理对话中的立场，请在此处阅读更多内容。

现已推出：watsonx

借助 IBM 的下一代 AI 和数据平台，让人工智能在您的企业发挥更强大的作用。

开始使用 Watsonx

一文看懂人工智能（AI的本质+发展史+局限性） - 知乎

一文看懂人工智能（AI的本质+发展史+局限性） - 知乎切换模式写文章登录/注册一文看懂人工智能（AI的本质+发展史+局限性）产品壹佰看见世界，贴近彼此，产品理应“壹佰分”。人工智能和 AI 已经走入了普通大众的视野，我们在生活中可以看到很多跟 AI 相关的产品。比如 Siri、AI 拍照、AI 修图…虽然大家看得多，但是大部分都是一知半解。到底什么是人工智能？他有什么神奇的地方？未来会发展成什么样？本篇文章将完整的解答大家的问题。文章内容会让不懂技术的朋友也能轻松的看懂。「排除 90% 的误解」关于人工智能，你需要知道的3个重点大家都看过或者听说过类似的言论或者电影：人工智能很危险！AI 对人类是威胁！（甚至有人给出了具体的时间点）机器人会占领的地球，人类将变为机器人的奴隶！……请大家放100个心，不要神话人工智能，科幻电影里的剧情以目前的技术发展来看，完全不可能！这种担心就好像玛雅人预测2012年地球将毁灭一样！人工智能（AI）本质上是一种工具那么我们应该如何正确的看待人工智能（AI）？AI 跟我们使用的锤子、汽车、电脑……都一样，其本质都是一种工具。工具必须有人用才能发挥价值，如果他们独立存在是没有价值的，就想放在工具箱里的锤子一样，没有人挥舞它就没有任何价值。人工智能本质上是一种工具工具之间也有差别虽然锤子、汽车、电脑、AI 都是工具。但是他们还是有差别的。他们最核心的差别就是效能（更准确的说应该是杠杆率）。我们把上面几个工具的使用场景对比一下就能理解了：锤子：用过锤子的人都知道，为了钉一个钉子，大部分的力还是人出的。锤子的使用场景中，人出了1份力，得到了2倍的回报。汽车：人类跑步20分钟达到的距离，汽车2分钟就能搞定！而且这个过程中人类不需要出太多力气。汽车的使用场景中，人出了1份力，得到了10倍的回报。电脑：人类自己计算一些复杂的问题可能需要花1个月甚至更久的时间（还不一定正确），而电脑可能只需要1秒就完成了，并且精确无误！而人们使用电脑只需要敲几下键盘，点几下鼠标就可以了。电脑的使用场景中，人出了1份力，得到了1,000,000倍的回报。人工智能：人工智能其实是超越了之前电脑的边界，以前电脑无法做的事情 AI 可以做了。所以从杠杆率上讲，人工智能和电脑是在一个量级上的，但是它能做的事情更多了，大大超越了传统电脑的能力范围，所以大家十分看好。但是（凡是都有但是），AI 在很多很多场景和领域还是没有价值，很多能力甚至不如小学生。所以，目前 AI 的局限性依然很大！所有人都应该知道的关于 AI 的3个重点？人工智能（AI）的本质是一种工具，归根结底还是需要人去使用它。虽然有些场景 AI 已经超越人类了（比如 AlphaGo 下围棋），但是还是有很多很多的场景，AI 没什么价值（推荐深度好文《人工智障 2 : 你看到的AI与智能无关》）。AI 不是万能（通用）的，擅长下围棋的 AI 不能跟人聊天，擅长聊天的 AI 不能下围棋。大家在电影里看到的啥都会的机器人短期内还无法实现。「什么是人工智能？」跟普通程序对比，深入了解 AI开门见山的给出人人都能听懂的解释：人工智能（AI）是一种高级的计算机程序AI 有明确的目标AI 可以“看到”或者“听到”环境的变化，可以感受到环境的变化他会根据不同的环境做出不同的反应，从而实现既定的目标。简单的说清楚AI是什么下面是书面语的版本，看着更严谨（装逼）一些：人工智能（Artificial Intelligence，简称AI）是计算机科学下的一个分支。某些方面像人一样，AI 可以“看到”和“听到”环境的变化，同时可以根据环境的变化做出合理的判断和行动，从而实现某些目标。下面就针对“环境感知”、“合理判断”和“实现目标”3个层面来详细对比一下普通的计算机程序和人工智能：普通程序人工智能感知环境普通程序只知道这是一张图片或者视频，但是并不知道里面的内容是什么。AI 可以“理解”图片和视频内有什么内容，AI 也可以“理解”听到的声音是什么意思。合理判断普通程序是很多死规则的组合，在任何情况下都只能按照死规则走。AI 可以主动优化自己的规则，也就是大家常说的“学习”，但跟人类的学习还是有很大差异！实现目标普通程序是没有目标感，只会根据规则自动运行。AI 是可以有“目标感”的，并通过反馈不断优化自己的的行为来更好的实现目标。虽然上面的对比让 AI 看上去很强大，但是实际上并非如此，AI 在某些场景表现的很好，但是在某些场景表现的很不理想。AI 并没有想象中强大，它也会犯低级错误AI 的确具备了理解图片、视频和语音（非结构化数据）的能力，但并不代表这些能力已经很强大的。AI 经常犯一些低级错误，下面就是一个具体的案例：AI没有想象中强大，有时会犯很低级的错误左：摩托车的遮挡让 AI 把一只猴子误认为人类。中：自行车的遮挡让 AI 把猴子误认为人类，同时丛林背景导致 AI 将自行车把手误认为是鸟。右：吉他把猴子变成了人，而丛林把吉他变成了鸟上图显示了在一张丛林猴子的照片中 ps 上一把吉他的效果。这导致深度网络将猴子误认为人类，同时将吉他误认为鸟，大概是因为它认为人类比猴子更可能携带吉他，而鸟类比吉他更可能出现在附近的丛林中。AI 对数据的依赖相当于人类对空气的依赖目前（截止到2019年）是深度学习最流行的时代，深度学习在各个领域虽然表现出了很强大的能力，但是并不是人人都能玩转深度学习的，因为它需要海量的带标注的数据，这种条件不是人人都具备的。简单的做一个类比，狮子的力量很强大，狗的力量相比较就弱小很多。虽然狮子的战斗力很强，但是狮子需要吃很多东西才能保持战斗力。而狗就不需要吃那么多的东西。如果不给狮子吃足够的东西，他可能会躺在地上完全丧失战斗力。深度学习就类似狮子，想让他发挥出战斗力，就需要给他喂养大量的数据（相当于狮子的食物）。不然再出色的深度学习模型都无法发挥任何价值。AI需要大量数据才能发挥价值狮子对食物也是比较挑剔的，不是给他吃啥都行的，而深度学习更是如此！数据是否有标注、数据是否“干净”、数据是否有多样性……都对深度学习的学习结果影响巨大！总结一下的话：深度学习时代的 AI 对数据量级要求极高深度学习时代的 AI 对数据规范要求极高像 Google 这种拥有海量数据的公司最容易在 AI 领域有较大的突破和优势，而一般的小公司很难跨越数据的门槛。人工智能的发展历史AI 不是什么全新的东西，他已经发展了大几十年了！下面我们介绍一下最具代表性的3个发展阶段。上图是从1950年至2017年之间，人工智能领域出现的一些里程碑式的事件。总结下来会分为3大阶段：第一次浪潮（非智能对话机器人）20世纪50年代到60年代1950年10月，图灵提出了人工智能（AI）的概念，同时提出了图灵测试来测试 AI。图灵测试提出没有几年，人们就看到了计算机通过图灵测试的“曙光”。1966年，心理治疗机器人 ELIZA 诞生那个年代的人对他评价很高，有些病人甚至喜欢跟机器人聊天。但是他的实现逻辑非常简单，就是一个有限的对话库，当病人说出某个关键词时，机器人就回复特定的话。第一次浪潮并没有使用什么全新的技术，而是用一些技巧让计算机看上去像是真人，计算机本身并没有智能。第二次浪潮（语音识别）20世纪80年代到90年代在第二次浪潮中，语音识别是最具代表性的几项突破之一。核心突破原因就是放弃了符号学派的思路，改为了统计思路解决实际问题。在《人工智能》一书中，李开复详细介绍了这个过程，他也是参与其中的重要人物之一。第二次浪潮最大的突破是改变了思路，摒弃了符号学派的思路，转而使用了统计学思路解决问题。第三次浪潮（深度学习+大数据）21世纪初2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》，其他重要的深度学习学术文章也在这一年被发布，在基本理论层面取得了若干重大突破。之所以第三次浪潮会来主要是2个条件已经成熟：2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。GPU 的不断成熟提供了必要的算力支持，提高了算法的可用性，降低了算力的成本。深度学习引领了第三次AI浪潮在各种条件成熟后，深度学习发挥出了强大的能力。在语音识别、图像识别、NLP等领域不断刷新纪录。让 AI 产品真正达到了可用（例如语音识别的错误率只有6%，人脸识别的准确率超过人类，BERT在11项表现中超过人类…)的阶段。第三次浪潮来袭，主要是因为大数据和算力条件具备，这样深度学习可以发挥出巨大的威力，并且 AI 的表现已经超越人类，可以达到“可用”的阶段，而不只是科学研究。人工智能3次浪潮的不同之处前两次热潮是学术研究主导的，第三次热潮是现实商业需求主导的。前两次热潮多是市场宣传层面的，而第三次热潮是商业模式层面的。前两次热潮多是学术界在劝说政府和投资人投钱，第三次热潮多是投资人主动向热点领域的学术项目和创业项目投钱。前两次热潮更多时提出问题，第三次热潮更多时解决问题。想进一步了解 AI 的历史，推荐阅读李开复的《人工智能》，上面关于3次浪潮的内容都摘抄自这本书，想看这本书的可以点击下面的购买链接。人工智能今天和未来的局限在哪里？在探寻 AI 的边界时，我们可以先简单粗暴的把 AI 分为3类：弱人工智能强人工智能超人工智能弱人工智能、强人工智能、超人工智能弱人工智能弱人工智能也称限制领域人工智能（Narrow AI）或应用型人工智能（Applied AI），指的是专注于且只能解决特定领域问题的人工智能。例如：AlphaGo、Siri、FaceID……强人工智能又称通用人工智能（Artificial General Intelligence）或完全人工智能（Full AI），指的是可以胜任人类所有工作的人工智能。强人工智能具备以下能力：存在不确定性因素时进行推理，使用策略，解决问题，制定决策的能力知识表示的能力，包括常识性知识的表示能力规划能力学习能力使用自然语言进行交流沟通的能力将上述能力整合起来实现既定目标的能力超人工智能假设计算机程序通过不断发展，可以比世界上最聪明，最有天赋的人类还聪明，那么，由此产生的人工智能系统就可以被称为超人工智能。我们当前所处的阶段是弱人工智能，强人工智能还没有实现（甚至差距较远），而超人工智能更是连影子都看不到。所以“特定领域”目前还是 AI 无法逾越的边界。人工智能未来的边界是什么？如果在深入一点，从理论层面来解释 AI 的局限性，就要把图灵大师搬出来了。图灵在上世纪30年代中期，就在思考3个问题：世界上是否所有数学问题都有明确的答案？如果有明确的答案，是否可以通过有限的步骤计算出答案？对于那些有可能在有限步骤计算出来的数学问题，能否有一种假象的机械，让他不断运动，最后当机器停下来的时候，那个数学问题就解决了？图灵还真设计出来一套方法，后人称它为图灵机。今天所有的计算机，包括全世界正在设计的新的计算机，从解决问题的能力来讲，都没有超出图灵机的范畴。（大家都是地球人，差距怎么就这么大呢？？？）通过上面的3个问题，图灵已经划出了界限，这个界限不但适用于今天的 AI ，也适用于未来的 AI 。下面我们再进一步把边界清晰的描述一下：AI 可以解决的问题其实非常局限世界上有很多问题，只有一小部分是数学问题在数学问题里，只有一小部分是有解的在有解的问题中，只有一部分是理想状态的图灵机可以解决的在后一部分（图灵机可解决的部分），又只有一部分是今天的计算机可以解决的而 AI 可以解决的问题，又只是计算机可以解决问题的一部分。担心人工智能太强大？你想多了！在一些特定场景中， AI 可以表现的很好，但是在大部分场景中，AI 并没有什么用。如何客观的看待人工智能？技术总是在短期内被高估，但是在长期又被低估。24%的人担心机器人会从人类手里接管地球PEGA 做过一项调查，涉及了全球 6000 多个普通消费者，询问他们对 AI 的看法，有下面一些结果：34%的人认为自己使用过 AI ，这些人中84%的人实际使用过50%以上的人搞不清楚 AI 到底有哪些能力60%的人并不知道 Amazon Alexa 和Google Home 使用了 AI 技术72%的人惧怕 AI 技术对人类的威胁，24%的人担心机器人会从人类手里接管地球查看更多调查结果，可以访问《What consumers really think about AI: A global study》【附带1分钟视频】AI 已经来了，并且会飞速发展我们每天都在使用的输入法就使用了很多 AI 相关的技术，但是很多人并不知道。不要小看输入法里使用的这些技术，它能使我们的打字效率大大提高，如果没有这些技术，我们会多花数百年的时间在打字上！除了输入法，大家都使用过的 AI 产品还有：美颜相机里的一键美颜功能抖音里的道具功能微信里的语音转文字今日头条里的推算算法垃圾短信及垃圾邮件的过滤功能智能手机里的操作系统……如果我不说相信大家并不知道 AI 已经进入我们生活的方方面面了。而且 AI 在未来几十年还会对各行各业产生巨大的影响。我们需要以开放的心态拥抱 AI，大部分情况下它都是人类的朋友，而不是敌人。AI 并没有我们想象中那么厉害AlphaGo在围棋上碾压人类AlphaGo 战胜李世石，这个热点几乎所有人都知道。很多人通过这件事情开始担心 AI 未来对人类的威胁。而现实是 AlphaGo 不管下围棋有多厉害，对我们的生活都没有半毛钱的关系，那只是一场秀。但是大众会根据这件事做对 AI 产生偏见：AI 的能力已经超越了人类AI 未来会无所不能AI 对人类是威胁，我们要限制 AI 的发展……不要担心 AI 会取代你的工作在“人工智能威胁论”里，大家最担心的是 AI 会取代大量的工作岗位，导致大量普通老百姓失业。这件事的确会发生：蒸汽机出现后，机器取代了大量的底层劳动力；电话出现后，不再需要那么多的邮递员了；互联网出现后，更是影响了各行各业；但是，这是一件好事：每一项新技术都会让一部分人下岗，而这些人现在有了更好的岗位上一些职业消失了，但是会诞生更多的新职业（如果让你选择“美甲”和“耕地”，你会如何选择？）简单总结一下：可见的未来，AI 还是一种工具AI 跟计算机、互联网一样，是历史潮流，我们要了解它、适应它、利用它AI 的确会取代部分岗位，但是会出现更多新职业，不用担心下岗问题谁能更高效的跟 AI 协作，谁的价值就会越大本文由 easyAI-人工智能知识库公众号：easyAI - 人工智能知识库原创发布于产品壹佰平台，未经许可，禁止转载和商用。【相关推荐】数据本没有意义，AI本没有智慧，是人让其有了意义从美剧PersonofInterest趣谈人工智能饿了么技术副总裁张浩：我们在大数据及AI领域的实践发挥创业想象力的可能，AI与新零售的组合将会发生什么？人类将变成人工智能，未来的营销以“机器”为中心如何成为第一代的AI人：AI技术、AI产品、AI运营群雄逐鹿，AI如何落地刷脸支付发布于 2019-07-31 17:05产品经理人工智能赞同 362 条评论分享喜欢收藏申请

人工智能是什么？ - 知乎

人工智能是什么？ - 知乎首页知乎知学堂发现等你来答切换模式登录/注册人工智能人工智能算法人工智能是什么？关注者1,092被浏览2,026,400关注问题写回答邀请回答好问题 22添加评论分享153 个回答默认排序湾区老吴@号研所创始人，商业、认知、IP，一个知识博主的日常分享。关注《一张图帮你全面读懂人工智能》人工智能虽然今年很火，但对于它是个什么鬼依然很多人搞不清，今天智能菌在参考大量资料的基础上，尤其是知乎大神@谢熊猫君的那篇神级翻译的《为什么最近有很多名人，比如比尔盖茨，马斯克、霍金等，让人们警惕人工智能？》，做了一个详细的图解笔记，从人工智能的定义、分类和发展路径等角度，给大家展示了一个全面的AI图谱。原文来自公众号@那个吴小明，如需要1500G的人工智能学习资料可搜索关注下载。欢迎关注公众号@那个吴小明编辑于 2020-06-11 11:59赞同 142233 条评论分享收藏喜欢收起华为云开发者联盟已认证账号关注1.什么是人工智能人工智能（Artificial Intelligence）：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年由约翰.麦卡锡首次提出，当时的定义为“制造智能机器的科学与工程”。人工智能目的就是让机器能够像人一样思考，让机器拥有智能。时至今日，人工智能的内涵已经大大扩展，是一门交叉学科。2.人工智能的层次结构基础设施层：回顾人工智能发展史，每次基础设施的发展都显著地推动了算法层和技术层的演进。从20世纪70年代的计算机的兴起，80年代计算机的普及，90年代计算机运算速度和存储量的增加，互联网兴起带来的电子化，均产生了较大的推动作用。到21世纪，大规模集群的出现，大数据的积累，GPU与异构/低功耗芯片兴起带来的运算力的提升，促成了深度学习的诞生，点燃了人工智能的爆**潮，其中海量的训练数据是人工智能发展的重要燃料。算法层：机器学习是指利用算法使计算机能够像人一样从数据中挖掘出信息，而深度学习作为机器学习的一个子集，相比于其他学习方法，使用了更多的参数、模型也更复杂，从而使得模型对数据的理解更加深入也更加智能。计算机视觉：计算机视觉的历史可以追溯到1966年，人工智能学家Minsky在给学生布置的作业中，要求学生通过编写一个程序让计算机告诉我们它通过摄像头看到了什么，这也被认为是计算机视觉最早的任务描述。计算机视觉借鉴了人类看东西的方法，即“三维重构”与“先验知识库”。计算机视觉除了在比较成熟的安防领域外，也应用于金融领域的人脸识别身份验证、电商领域的商品拍照搜索、医疗领域的智能影像诊断、机器人/无人车上作为视觉输入系统等。语音处理：让机器学会“听”和“说”，实现与人类的无障碍交流一直是人工智能、人机交互领域的一大梦想。1920年生产的“Radio Rex”玩具狗可能是世界上最早的语音识别器，第一个真正基于语音识别系统出现在1952年，AT&T贝尔实验室开发的Audrey的语音识别系统，能够识别10个英文数字，正确率高达98%。比如Apple Siri，Echo等。自然语言处理：人类的日常社会活动中，语言交流是不同个体间信息交换和沟通的重要途径。对机器而言，能否自然的与人类进行交流、理解人类表达的意思并作出合适的回应，被认为是衡量其智能程度的一个重要参照。规划决策系统：人工智能规划决策系统的发展，一度是以棋类游戏为载体的。比如，AlphaGo战胜李世石，Master对顶级选手取得60连胜，机器人，无人车。3. 人工智能应用场景3.1. 语音处理• 语音处理主要是自动且准确的转录人类的语音。一个完整的语音处理系统，包括前端的信号处理、中间的语音语义识别和对话管理以及后期的语音合成。– 前端处理：说话人声检测，回声消除，唤醒词识别，麦克风阵列处理，语音增强等。– 语音识别：特征提取，模型自适应，声学模型，语言模型，动态解码等。– 语义识别和对话管理：更多属于自然语言处理的范畴。– 语音合成：文本分析、语言学分析、音长估算、发音参数估计等。• 应用：包括医疗听写、语音书写、电脑系统声控、电话客服等。• 未来：真正做到像正常人类一样，与他人流畅沟通，自由交流，还有待时日。3.2. 计算机视觉• 计算机视觉指计算机从图像中识别出物体、场景和活动的能力，包含图像处理、识别检测、分析理解等技术。– 图像处理：去噪声、去模糊、超分辨率处理、滤镜处理等。– 图像识别：过程包括图像预处理、图像分割、特征提取、判断匹配，可以用来处理分类、定位、检测、分割问题等。– 图像理解：本质是图像与文本间的交互，可用来执行基于文本的图像搜索、图像描述生成、图像问答等。• 应用：– 医疗成像分析被用来提高疾病的预测、诊断和治疗。– 在安防及监控领域被用来指认嫌疑人。– 在购物方面，消费者现在可以用智能手机拍摄下产品以获得更多信息。• 未来：计算机视觉有望进入自主理解、分析决策的高级阶段，真正赋予机器“看”的能力，在无人车、智能家居等场景发挥更大的价值。3.3. 自然语言处理• 自然语言处理的几个核心环节：知识的获取与表达、自然语言理解、自然语言生成等，也相应出现了知识图谱、对话管理、机器翻译等研究方向。– 知识图谱：基于语义层面对知识进行组织后得到的结构化结果。– 对话管理：包含闲聊、问答、任务驱动型对话。– 机器翻译：由传统的PBMT方法到Google的GNMT，流畅度与正确率大幅提升。• 应用：搜索引擎、对话机器人、机器翻译、甚至高考机器人、办公智能秘书。4. AI、机器学习、深度学习的关系4.1. 人工智能四要素1）数据如今这个时代，无时无刻不在产生大数据。移动设备、廉价的照相机、无处不在的传感器等等积累的数据。这些数据形式多样化，大部分都是非结构化数据。如果需要为人工智能算法所用，就需要进行大量的预处理过程。2）算法主流的算法主要分为传统的机器学习算法和神经网络算法。神经网络算法快速发展，近年来因为深度学习的发展到了高潮。3）算力人工智能的发展对算力提出了更高的要求。以下是各种芯片的计算能力对比。其中GPU领先其他芯片在人工智能领域中用的最广泛。GPU和CPU都擅长浮点计算，一般来说，GPU做浮点计算的能力是CPU的10倍左右。另外深度学习加速框架通过在GPU之上进行优化，再次提升了GPU的计算性能，有利于加速神经网络的计算。如：cuDNN具有可定制的数据布局，支持四维张量的灵活维度排序，跨步和子区域，用作所有例程的输入和输出。在卷积神经网络的卷积运算中实现了矩阵运算，同时减少了内存，大大提升了神经网络的性能。4）场景人工智能经典的应用场景包括：用户画像分析基于信用评分的风险控制欺诈检测智能投顾智能审核智能客服机器人机器翻译人脸识别4.2. 三者关系简述人工智能：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。机器学习：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。是人工智能的核心研究领域之一，任何一个没有学习能力的系统都很难被认为是一个真正的智能系统。深度学习：源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。发布于 2019-04-11 14:09赞同 138添加评论分享收藏喜欢