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。

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。