再回首,什么是人工智能?

文章目录

  • 一、说明
  • 二、什么是人工智能?
  • 三、人工智能的类型:弱人工智能与强人工智能
  • 四、深度学习与机器学习
  • 五、生成模型的兴起
  • 六、人工智能应用
    • 6.1 语音识别
    • 6.2 客户服务
    • 6.3 计算机视觉
    • 6.4 供应链
    • 6.5 天气预报
    • 6.6 异常检测
  • 七、人工智能的历史:重要日期和名称
  • 八、相关解决方案

一、说明

人工智能的应用每天都在增长。但随着人工智能工具在商业领域的应用热潮不断升温,围绕人工智能伦理和负责任人工智能的讨论变得至关重要。本篇我们再次回头瞭望AI的应用。

二、什么是人工智能?

人工智能(AI)是一种使计算机和机器能够模拟人类智能和解决问题能力的技术。

人工智能可以独立完成或与其他技术(例如传感器、地理定位、机器人)相结合,从而完成原本需要人类智能或干预的任务。数字助理、GPS 导航、自动驾驶汽车和生成式人工智能工具(如 Open AI 的 Chat GPT)只是人工智能在日常新闻和日常生活中的几个例子。

作为计算机科学的一个领域,人工智能涵盖(并且经常与)机器学习和深度学习。这些学科涉及人工智能算法的开发,这些算法模仿人类大脑的决策过程,可以从现有数据中“学习”,并随着时间的推移做出越来越准确的分类或预测。

人工智能经历了多次炒作,但即使对怀疑论者来说,ChatGPT 的发布似乎标志着一个转折点。上一次生成式人工智能如此引人注目时,突破是在计算机视觉领域,但现在的飞跃是在自然语言处理 (NLP) 领域。如今,生成式人工智能不仅可以学习和合成人类语言,还可以学习和合成其他数据类型,包括图像、视频、软件代码,甚至分子结构。

三、人工智能的类型:弱人工智能与强人工智能

弱人工智能(也称为狭义人工智能或人工智能(ANI))是经过训练并专注于执行特定任务的人工智能。弱人工智能驱动着当今我们周围的大多数人工智能。“狭义”可能更适合描述这种类型的人工智能,因为它一点也不弱:它支持一些非常强大的应用程序,例如 Apple 的 Siri、Amazon 的 Alexa、IBM watsonx™ 和自动驾驶汽车。

强人工智能由通用人工智能(AGI) 和超级人工智能(ASI)组成。AGI 或通用人工智能是人工智能的一种理论形式,其中机器将具有与人类相当的智能;它将具有自我意识,能够解决问题、学习和规划未来。ASI(也称为超级智能)将超越人脑的智力和能力。虽然强人工智能仍然完全是理论上的,目前没有实际使用的例子,但这并不意味着人工智能研究人员也没有探索其发展。与此同时,ASI 的最佳例子可能来自科幻小说,例如《 2001:太空漫游》中的超人和流氓计算机助手 HAL。

四、深度学习与机器学习

机器学习和深度学习都是人工智能的子学科,深度学习是机器学习的子学科。

机器学习和深度学习算法都使用神经网络从大量数据中“学习”。这些神经网络是仿照人类大脑的决策过程构建的程序结构。它们由多层相互连接的节点组成,这些节点从数据中提取特征并预测数据所代表的内容。

机器学习和深度学习的区别在于它们使用的神经网络类型以及涉及的人工干预程度。经典的机器学习算法使用具有输入层、一个或两个“隐藏”层和一个输出层的神经网络。通常,这些算法仅限于监督学习:数据需要由人类专家进行结构化或标记,以使算法能够从数据中提取特征。

深度学习算法使用深度神经网络——由一个输入层、三个或更多(但通常数百个)隐藏层和一个输出布局组成的网络。这些多层支持无监督学习:它们自动从大型、未标记和非结构化数据集中提取特征。由于不需要人工干预,深度学习本质上支持大规模机器学习。
在这里插入图片描述

五、生成模型的兴起

生成式人工智能是指深度学习模型,它可以获取原始数据(例如,维基百科的全部内容或伦勃朗的全集),并在需要时“学习”生成统计上可能的输出。从高层次上讲,生成式模型会对其训练数据进行简化表示编码,并从中汲取灵感,创作出与原始数据相似但不完全相同的新作品。

多年来,生成模型一直用于统计学分析数值数据。然而,深度学习的兴起使得它们可以扩展到图像、语音和其他复杂数据类型。首批实现这一跨界壮举的人工智能模型之一是 2013 年推出的变分自动编码器 (VAE)。VAE 是第一个被广泛用于生成逼真图像和语音的深度学习模型。

MIT-IBM Watson AI 实验室的生成 AI 专家Akash Srivastava 表示:“VAE 使模型更易于扩展,从而打开了深度生成建模的大门。我们今天所认为的生成 AI 大部分都是从这里开始的。”

早期的模型示例,包括 GPT-3、BERT 或 DALL-E 2,已经展示了可能性。未来,模型将在大量未标记数据上进行训练,这些数据可用于不同的任务,只需进行极少的微调。在单一领域执行特定任务的系统正在让位于广泛的人工智能系统,这些系统可以更广泛地学习并跨领域和问题工作。在大型未标记数据集上进行训练并针对一系列应用程序进行微调的基础模型正在推动这一转变。

至于人工智能的未来,在生成式人工智能方面,据预测基础模型将大大加速企业采用人工智能。减少标签要求将使企业更容易涉足其中,而它们所实现的高精度、高效率的人工智能驱动自动化将意味着更多的公司能够在更广泛的关键任务情况下部署人工智能。对于 IBM 来说,希望基础模型的计算能力最终能够在无摩擦的混合云环境中带给每个企业。

六、人工智能应用

如今,人工智能系统在现实世界中有着众多应用。以下是一些最常见的用例:

6.1 语音识别

语音识别也称为自动语音识别 (ASR)、计算机语音识别或语音转文本,它使用 NLP 将人类语音处理成书面格式。许多移动设备将语音识别功能整合到其系统中以进行语音搜索(例如 Siri)或为使用英语或多种广泛使用的语言发短信提供更多便利。 通过我们的案例研究了解 Don Johnston 如何使用 IBM Watson Text to Speech 提高课堂的可访问性。

6.2 客户服务

在线 虚拟代理 和聊天机器人正在客户旅程中取代人工代理。它们回答有关运输等主题的常见问题 (FAQ),或提供个性化建议、交叉销售产品或为用户建议尺寸,从而改变我们对跨网站和社交媒体平台的客户参与的看法。示例包括带有虚拟代理的电子商务网站上的消息机器人、消息应用程序(例如 Slack 和 Facebook Messenger)以及通常由虚拟助手和 语音助手完成的任务。 通过我们的案例研究了解 Autodesk Inc. 如何使用 IBM watsonx Assistant 将客户响应时间缩短 99%。

6.3 计算机视觉

这种人工智能技术使计算机和系统能够从数字图像、视频和其他视觉输入中获取有意义的信息,并根据这些输入采取行动。这种提供建议的能力使其有别于图像识别任务。在卷积神经网络的支持下,计算机视觉可应用于社交媒体中的照片标记、医疗保健中的放射学成像以及汽车行业的自动驾驶汽车。 通过我们的案例研究了解 ProMare 如何使用 IBM Maximo 为海洋研究开辟新方向。

6.4 供应链

自适应机器人根据物联网 (IoT) 设备信息以及结构化和非结构化数据做出自主决策。NLP 工具可以理解人类的语言并对所听到的内容做出反应。预测分析应用于需求响应、库存和网络优化、预防性维护和数字制造。搜索和模式识别算法(不再只是预测性的,而是分层的)可分析实时数据,帮助供应链对机器生成的增强智能做出反应,同时提供即时可见性和透明度。通过我们的案例研究了解 Hendrickson 如何使用 IBM Sterling 来推动实时交易。

6.5 天气预报

广播公司依靠天气模型做出准确预报,这些模型由超级计算机上运行的复杂算法组成。机器学习技术增强了这些模型,使其更具适用性和准确性。通过我们的案例研究,了解 Emnotion 如何利用 IBM Cloud 帮助天气敏感型企业做出更主动、数据驱动的决策。

6.6 异常检测

AI 模型可以梳理大量数据并发现数据集中的非典型数据点。这些异常可以提高人们对故障设备、人为错误或安全漏洞的认识。 通过我们的案例研究了解 Netox 如何使用 IBM QRadar 保护数字业务免受网络威胁。

七、人工智能的历史:重要日期和名称

“会思考的机器”这一概念可以追溯到古希腊。但自从电子计算出现以来(与本文讨论的一些主题有关),人工智能发展中的重要事件和里程碑包括:

1950 年: 艾伦·图灵 (Alan Turing) 出版了《计算机与智能》 (链接位于 ibm.com 之外) 。 在这篇论文中,因在二战期间破解德国 ENIGMA 密码而闻名并经常被称为“计算机科学之父”的图灵提出了以下问题:“机器能思考吗?”从那里,他提出了一项测试,现在被称为“图灵测试”,其中人类询问者会试图区分计算机和人类的文本响应。虽然这项测试自发表以来就受到了严格审查,但它仍然是人工智能历史的重要组成部分,也是哲学中一个持续存在的概念,因为它利用了语言学的思想。
1956 年: 约翰·麦卡锡 (John McCarthy) 在达特茅斯学院举办的首届人工智能会议上创造了“人工智能”一词。(麦卡锡后来发明了 Lisp 语言。)同年晚些时候,艾伦·纽厄尔 (Allen Newell)、JC Shaw 和赫伯特·西蒙 (Herbert Simon) 创建了逻辑理论家 (Logic Theorist),这是有史以来第一个运行的人工智能软件程序。
1967 年: 弗兰克·罗森布拉特 (Frank Rosenblatt) 制造了 Mark 1 感知器,这是第一台基于神经网络的计算机,它通过反复试验来“学习”。仅仅一年后,马文·明斯基 (Marvin Minsky) 和西摩·帕普特 (Seymour Papert) 出版了一本名为 《感知器》的书,这本书不仅成为神经网络领域的里程碑式著作,而且至少在一段时间内成为反对未来神经网络研究项目的论据。
1980 年代: 使用反向传播算法进行自我训练的神经网络在人工智能应用中得到广泛应用。
1995 年:Stuart Russell 和 Peter Norvig 出版了《 人工智能:一种现代方法 》(链接位于 ibm.com 之外),该书成为人工智能研究领域的领先教科书之一。在书中,他们深入探讨了人工智能的四个潜在目标或定义,根据理性和思考与行动对计算机系统进行了区分。

1997 年: IBM 的“深蓝”计算机在一场国际象棋比赛(及复赛)中击败了当时的世界国际象棋冠军加里·卡斯帕罗夫。

2004 年:约翰·麦卡锡 (John McCarthy) 撰写了一篇论文《什么是人工智能?》 (链接位于 ibm.com 之外),并提出了经常被引用的人工智能定义。
2011 年: IBM Watson 在《危险边缘》 (Jeopardy!) 比赛中击败冠军 Ken Jennings 和 Brad Rutter !
2015 年: 百度的 Minwa 超级计算机使用一种特殊的深度神经网络(称为卷积神经网络)来识别和分类图像,其准确率高于普通人。
2016 年: DeepMind 的 AlphaGo 程序由深度神经网络驱动,在五局比赛中击败了世界围棋冠军李世石。这场胜利意义重大,因为游戏进行过程中可能出现的走法数量巨大(仅四步之后就有超过 14.5 万亿步!)。后来,谷歌以 4 亿美元收购了 DeepMind。
2023 年:大型语言模型(LLM,例如 ChatGPT)的兴起,
为人工智能的性能及其推动企业价值的潜力带来了巨大的变化。借助这些新的生成式人工智能实践,深度学习模型可以在大量原始、未标记的数据上进行预训练。

八、相关解决方案

1 探索 AI 解决方案
人工智能服务
通过添加AI重塑关键流程和操作,以最大化体验、实时决策和商业价值。

2 探索人工智能服务
人工智能助力网络安全
人工智能正在改变网络安全规则,分析大量风险数据以加快响应时间并增强资源不足的安全运营。

3 训练
订阅我们的数字学习可节省高达 70%
立即购买个人或多用户数字学习订阅,即可访问我们超过 100 门在线课程的完整目录,使您能够以低廉的价格扩展我们一系列产品中的技能。

4 市场调查
2023 年 Gartner Peer Insights 客户选择奖
IBM watsonx Assistant 在 2023 年 Gartner Peer Insights 企业对话式 AI 平台客户之声报告中被评为“客户之选”

5 文章
人工智能增强的采购策略
了解机器学习如何预测需求并降低成本。

6 采取下一步行动
使用 IBM watsonx.ai(面向 AI 构建者的下一代企业工作室)训练、验证、调整和部署生成式 AI、基础模型和机器学习功能。使用极少的数据,在极短的时间内构建 AI 应用程序。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/40191.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

SQL DISTINCT关键字详解

SQL DISTINCT关键字详解 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿!今天我们将深入探讨SQL中的DISTINCT关键字。DISTINCT是SQL语言中用来消除查询结果中重复…

瑞数信息:智能防护新时代,看AI如何筑起网络防线

AI时代,网络安全危与机并行。 尤其是近年来大火的大模型,对于网络安全行业的影响与其他行业有所不同,一方面,AI能够通过大幅降低了安全攻击的门槛,网络威胁的复杂性和多样性不断增加,如自动化攻击、零日漏…

仓库管理系统11--物资设置

1、添加用户控件 <UserControl x:Class"West.StoreMgr.View.GoodsTypeView"xmlns"http://schemas.microsoft.com/winfx/2006/xaml/presentation"xmlns:x"http://schemas.microsoft.com/winfx/2006/xaml"xmlns:mc"http://schemas.openxm…

WPF自定义模板--TreeView 实现菜单连接线

有些小伙伴说&#xff0c;在TreeView中&#xff0c;怎么每一个都加上连接线&#xff0c;进行显示连接。 代码和效果如下&#xff1a; 其实就是在原来的模板中增加一列显示线条&#xff0c;然后绘制即可 <Window x:Class"XH.TemplateLesson.TreeViewWindow"xmln…

ArcGIS Pro SDK (七)编辑 8 操作栅格字段

ArcGIS Pro SDK &#xff08;七&#xff09;编辑 8 操作栅格字段 目录 ArcGIS Pro SDK &#xff08;七&#xff09;编辑 8 操作栅格字段1 从栅格字段读取2 将图像写入栅格字段3 将压缩图像写入栅格字段 环境&#xff1a;Visual Studio 2022 .NET6 ArcGIS Pro SDK 3.0 1 从栅格…

nrm,nvm日常使用

开发node.js的时候,经常会遇到某些包无法下载, 或者下载太慢, 还有需要加载我们自己是有源中的包的问题, nrm 镜像源管理工具就是解决这类问题的 // 安装nrm npm install nrm -g // 添加源 nrm add evoc http://xxxx // 使用源 nrm use evoc // nrm ls 查看所有源npm ------…

Java基础之基本数据类型与String

语法基础 8种基本数据类型 基本类型是不同于类(Class)的特殊类型&#xff0c;在栈内存中管理 字符型 char 布尔型 boolean 数值型 不存在无符号的整型&#xff0c;范围也是固定的与环境无关 整型 byte 一个字节存储&#xff0c;范围-128~127&#xff0c;初始化时默认为0sho…

【SVN的使用-源代码管理工具-SVN介绍-服务器的搭建 Objective-C语言】

一、首先,我们来介绍一下源代码管理工具 1.源代码管理工具的起源 为什么会出现源代码管理工具,是为了解决源代码开发的过程中出现的很多问题: 1)无法后悔:把项目关了,无法Command + Z后悔, 2)版本备份:非空间、费时间、写的名称最后自己都忘了干什么的了, 3)版本…

易保全推动区块链应用与AI融合创新发展

数字化时代&#xff0c;区块链和人工智能技术作为当下两大“黑科技”&#xff0c;两者的深度结合&#xff0c;正在为企业数字化转型带来前所未有的机遇。 易保全作为国内权威的电子数据存证保全机构&#xff0c;积极探索两者的融合之道&#xff0c;将区块链的去中心化、不可篡…

【Threejs进阶教程-着色器篇】2. Uniform的基本用法与Uniform的调试

Uniform的基本用法与Uniform的调试 关于本Shader教程优化上一篇的效果优化光栅栏高度让透明度和颜色变的更平滑pow()函数借助数学工具更好的理解函数 Unifoms简介编写uniforms修改片元着色器代码借助lil.gui调试uniforms使用uniform控制颜色继续在uniforms添加颜色在着色器中接…

刷题Day41|322. 零钱兑换、279. 完全平方数、139.单词拆分

322. 零钱兑换 322. 零钱兑换 - 力扣&#xff08;LeetCode&#xff09; dp[j]&#xff1a;装满容量为j&#xff0c;最少物品为dp[j] 放物品i&#xff1a;dp[j - coins[i]] 1 dp[j] min(dp[j - coins[i]] 1, dp[j]); dp[0] 0; dp[非零] Integer.MAX_VALUE; 思路&…

C# —— Math对象

Math 数学类 提供了一些相关数学计算的属性和方法、四舍五入、向上求整、向下求整、开平方&#xff0c;几次方 最大值和最小值 sin cos 绝对值 方法 1.Math 常用的字段 Math.PI double x 2 * 180 / Math.PI; Console.WriteLine(x); 2 Math.Abs() 求绝对值 int a -3; Con…

西南交通大学【算法分析与设计实验5】

有障碍物的不同路径数量 实验目的 &#xff08;1&#xff09;理解动态规划算法的求解过程。 &#xff08;2&#xff09;分析动态规划算法的时间复杂度&#xff0c;比较动态规划算法与其他算法的效率差异。 &#xff08;3&#xff09;学会如何利用动态规划算法求解具体问题&…

git配置ssh-keygen -t rsa -c“xxxx@xxxx.com.cn出现Too many arguments.解决办法

git配置ssh-keygen -t rsa -c"xxxxxxxx.com.cn出现Too many arguments.解决办法 问题描述 配置Git公钥私钥时候输入命令ssh-keygen -t rsa -c"xxxxxxxx.com.cn出现Too many arguments. 解决办法&#xff1a; 提示输入的参数格式不正确&#xff0c;需要注意这几个地…

按是否手工执行测试的角度划分:手工测试、自动化测试

1.手工测试&#xff08;Manual testing&#xff09; 手工测试是由人一个一个的输入用例&#xff0c;然后观察结果&#xff0c;和机器测试相对应&#xff0c;属于比较原始但是必须的一个步骤。 由专门的测试人员从用户视角来验证软件是否满足设计要求的行为。 更适用针对深度…

uniapp 开发备忘录-防坑指南

uniapp 开发备忘录-防坑指南 npm run dev:mp-weixin 编译微信小程序报错&#xff1a; [plugin:uni:mp-using-component] Expected ‘,’ or ‘}’ after property value in JSON at position 解决方案&#xff1a;升级uniapp 到最新 alpha 版。&#xff08;2024年7月13日&am…

Markdown+VSCODE实现最完美流畅写作体验

​下载VSCODE软件 安装插件 Markdown All in One &#xff1a;支持markdown的语言的&#xff1b; Markdown Preview Enhanced &#xff1a;观看写出来文档的效果&#xff1b; Paste IMage :添加图片的 Code Spell Checker检查英文单词错误&#xff1b; 基础语法 标题 #一个…

【数据分享】《中国建筑业统计年鉴》2005-2022 PDF

而今天要免费分享的数据就是2005-2022年间出版的《中国建筑业统计年鉴》并以多格式提供免费下载。&#xff08;无需分享朋友圈即可获取&#xff09; 需要2023的数据的请添加小编咨询 数据介绍 在过去的十八个年头中&#xff0c;中国建筑业经历了翻天覆地的变化。从《中国建…

伺服调试三环讲解

在伺服调试过程中,有些项目要求不高,采用伺服自整定就可以调试好伺服,但有些项目对伺服有着比较高的要求,于是需要采取手动调试伺服参数,下面就介绍一下伺服三环参数的调试的方法。 三环指:电流环、速度环、位置环 带宽关系:电流环带宽>速度环带宽>位置环带宽 三环控…

基于Hadoop平台的电信客服数据的处理与分析③项目开发:搭建基于Hadoop的全分布式集群---任务7:格式化并启动Hadoop集群

任务描述 任务内容为格式化并启动Hadoop集群&#xff0c;并修复可能出现的Bug。 任务指导 Hadoop集群启动前需要在NameNode上格式化元数据&#xff0c;成功格式化后才能启动Hadoop的HDFS和YARN。 格式化启动Hadoop集群的步骤如下&#xff1a; 1. 在NameNode&#xff08;ma…