人工智能(AI)是通过机器(尤其是计算机系统)对人类智能过程进行的模拟。AI的特定应用包括专家系统,自然语言处理(NLP),语音识别和机器视觉。
AI编程专注于三种认知技能:学习,推理和自我纠正。
学习过程。AI编程的这一方面着重于获取数据并创建有关如何将数据转化为可操作信息的规则。这些规则称为算法,为计算设备提供了有关如何完成特定任务的逐步说明。
推理过程。AI编程的这一方面着重于选择正确的算法以达到期望的结果。
自校正过程。AI编程的这一方面旨在不断优化算法,并确保它们提供最准确的结果。
人工智能的优缺点
人工神经网络和深度学习人工智能技术正在迅速发展,这主要是因为AI能够比人类更快地处理大量数据并做出更准确的预测。
尽管每天创建的海量数据会淹没人类研究人员,但使用机器学习的 AI应用程序可以获取这些数据并将其迅速转变为可操作的信息。撰写本文时,使用AI的主要缺点是处理AI编程所需的大量数据非常昂贵。
强AI与弱AI
AI可以分为弱或强。弱AI(也称为窄AI)是经过设计和培训以完成特定任务的AI系统。工业机器人和虚拟个人助理(例如Apple的Siri)使用弱化的AI。
强大的AI(也称为人工通用人工智能(AGI))描述了可以复制人脑认知能力的程序。当出现不熟悉的任务时,强大的AI系统可以使用模糊逻辑将知识从一个领域应用于另一个领域,并自动找到解决方案。从理论上讲,一个强大的AI程序应该能够同时通过图灵测试和中文房间测试。
增强智能与人工智能
一些行业专家认为,“ 人工智能 ”一词与流行文化联系太紧密,这导致公众对AI如何改变整个工作场所和生活抱有不可思议的期望。一些研究人员和营销人员希望,具有更中性含义的标签增强智能能够帮助人们理解,大多数AI的实现都将是薄弱的,只会改善产品和服务。
技术奇异性的概念-由人工超智能所统治的未来,远远超出了人脑对其理解或如何塑造我们的现实的能力-仍属于科幻小说的范畴。
人工智能的道德使用
尽管AI工具为企业提供了一系列新功能,但人工智能的使用也引发了道德问题,因为AI系统无论是好是坏都将巩固已经学到的东西。
这可能是有问题的,因为支持许多最先进的AI工具的机器学习算法仅与训练中提供的数据一样聪明。由于人类会选择用于训练AI程序的数据,因此潜在的机器学习偏见是固有的,必须密切监视。
任何希望将机器学习用作现实世界生产系统的一部分的人都需要将道德因素纳入其AI培训流程中,并努力避免偏见。使用深度学习和生成对抗网络(GAN)应用中固有无法解释的AI算法时,尤其如此。
可解释性是在严格遵守法规要求的行业中使用AI的潜在绊脚石。例如,美国的金融机构根据规定运作,要求它们解释其信贷发行决定。但是,当通过AI程序做出拒绝信用的决定时,可能很难解释该决定是如何得出的,因为用于做出此类决定的AI工具通过消除数千个变量之间的微妙关联来运行。当无法解释决策过程时,该程序可以称为黑匣子AI。
人工智能的组成部分
随着围绕AI的大肆宣传,供应商一直在努力促进其产品和服务如何使用AI。通常,他们所谓的AI仅仅是AI的一个组成部分,例如机器学习。人工智能需要专门的硬件和软件基础来编写和训练机器学习算法。没有一种编程语言是AI的代名词,但是很流行,包括Python,R和Java。
人工智能即服务(AIaaS)
由于AI的硬件,软件和人员成本可能很昂贵,因此许多供应商在其标准产品中包含AI组件,或者提供对人工智能即服务(AIaaS)平台的访问。AIaaS允许个人和公司出于各种业务目的对AI进行试验,并在做出承诺之前对多个平台进行采样。
流行的AI云产品包括:
亚马逊AI
IBM Watson助理
Microsoft认知服务
Google AI
四种类型的人工智能
密歇根州立大学整合生物学与计算机科学与工程学助理教授Arend Hintze在2016年的一篇文章中解释说,人工智能可以分为四种类型,从今天广泛使用的特定于任务的智能系统开始,然后发展到感知系统,尚不存在。类别如下:
类型1:反应式机器。这些AI系统没有内存,并且是特定于任务的。一个例子是Deep Blue,它是1990年代击败Garry Kasparov 的IBM国际象棋程序。深蓝可以识别棋盘上的棋子并做出预测,但由于它没有记忆力,因此无法利用过去的经验来告知未来的经验。
类型2:有限的内存。这些AI系统具有存储能力,因此它们可以利用过去的经验来为将来的决策提供依据。无人驾驶汽车的某些决策功能是通过这种方式设计的。
第三类:心理理论。心理理论是心理学术语。当应用于AI时,这意味着该系统将具有社交智能来理解情绪。这种类型的AI将能够推断出人类意图并预测行为,这是AI系统成为人类团队不可或缺的成员所必需的技能。
类型4: 自我意识。在此类别中,人工智能系统具有自我意识,这赋予了它们意识。具有自我意识的机器可以了解自己的当前状态。这种类型的AI尚不存在。
认知计算与人工智能
术语“ AI”和“ 认知计算”有时可以互换使用,但通常来说,“ AI”标签是指通过模拟我们如何感测,学习,处理和响应环境中的信息来代替人类智能的机器。
标签认知计算用于指模仿和增强人类思维过程的产品和服务
人工智能技术的例子
人工智能被整合到各种不同类型的技术中。这是六个示例:
自动化。与AI技术结合使用时,自动化工具可以扩展执行任务的数量和类型。一个示例是机器人流程自动化(RPA),这是一种软件,可以自动执行传统上由人类执行的重复的,基于规则的数据处理任务。与机器学习和新兴的AI工具结合使用时,RPA可以使企业工作的大部分自动化,从而使RPA的战术机器人能够传递AI的智能并响应流程变化。
机器学习。这是使计算机无需编程即可运行的科学。简而言之,深度学习是机器学习的一个子集,可以将其视为预测分析的自动化。机器学习算法分为三种:
监督学习。标记了数据集,以便可以检测模式并将其用于标记新数据集。
无监督学习。数据集未标记,而是根据相似性或差异进行排序。
强化学习。数据集未标记,但是在执行一个或多个动作后,会向AI系统提供反馈。
机器视觉。这项技术使机器具有查看能力。机器视觉使用摄像头,模数转换和数字信号处理来捕获和分析视觉信息。它通常可以与人类的视力进行比较,但是机器视觉不受生物学的束缚,例如可以进行编程以穿透墙壁。它用于从签名识别到医学图像分析的一系列应用。计算机视觉,其重点是基于机器的图像处理,往往混为一谈与机器视觉。
自然语言处理。这是计算机程序对人类语言的处理。NLP的较早且最著名的示例之一是垃圾邮件检测,它可以查看电子邮件的主题行和文本,并确定是否为垃圾邮件。当前的NLP方法基于机器学习。NLP任务包括文本翻译,情感分析和语音识别。
机器人技术。工程领域专注于机器人的设计和制造。机器人通常用于执行人类难以执行或难以持续执行的任务。例如,机器人用于汽车生产的装配线中,或被NASA用于在太空中移动大型物体。研究人员还使用机器学习来构建可以在社交环境中进行交互的机器人。
自动驾驶汽车。自动驾驶汽车结合了计算机视觉,图像识别和深度学习功能,可以建立自动驾驶技巧,既可以在给定的车道内停留并避免意外的障碍物(例如行人)。
人工智能的历史
赋予智力的无生命物体的概念自古以来就已经存在。在神话中,希腊神赫菲斯托斯(Hephaestus)被描述为用金子锻造出像机器人一样的仆人。古埃及的工程师建造了由祭司制作的神像。纵观百年来,思想家,从亚里士多德到13 个世纪的西班牙神学家拉蒙Llull到笛卡尔和托马斯·贝叶斯使用的工具和他们那个时代的逻辑来描述人类的思维过程为标志,奠定了AI概念的基础上,如一般的知识表示。
晚19 日和20个上半年个世纪以来带来了基础性的工作,会引起现代计算机。1836年,剑桥大学的数学家Charles Babbage和Lovelace伯爵夫人的Augusta Ada Byron发明了可编程机器的第一个设计。在1940年代,普林斯顿大学的数学家约翰·冯·诺伊曼(John Von Neumann)构思了存储程序计算机的体系结构,即计算机程序和它处理的数据可以保存在计算机内存中的想法。Warren McCulloch和Walter Pitts奠定了神经网络的基础。
随着现代计算机的出现,科学家可以测试他们关于机器智能的想法。1950年,英国数学家和第二次世界大战密码破解者艾伦·图灵(Alan Turing)发明了一种确定计算机是否具有智能的方法。图灵测试的重点是使计算机欺骗询问者相信其对问题的回答是人类做出的。存在。
现代人工智能领域被广泛引用为始于1956年在达特茅斯学院举行的夏季会议上。该会议由美国国防高级研究计划局(DARPA)赞助,该领域有10位知名人士参加了会议,其中包括AI先驱Marvin Minsky,Oliver Selfridge和John McCarthy,他们被誉为“ 人工智能”。出席会议的还有计算机科学家Allen Newell和经济学家,政治学家和认知心理学家Herbert A. Simon,他们介绍了他们开创性的Logic Theorist,这是一种能够证明某些数学定理的计算机程序,被称为第一个AI程序。 。
在达特茅斯学院会议之后,处于起步阶段的AI领域的领导人预测,相当于人脑的人造情报即将来临,吸引了政府和业界的大力支持。确实,近20年资金雄厚的基础研究在AI方面取得了重大进展:例如,在1950年代后期,Newell和Simon出版了通用问题求解器(GPS)算法,该算法虽然不能解决复杂的问题,但却为发展更复杂的认知架构;麦卡锡开发了Lisp,这是一种AI编程语言,至今仍在使用。1960年代中期,麻省理工学院的约瑟夫·魏岑鲍姆(Joseph Weizenbaum)教授开发了ELIZA,这是一种早期的自然语言处理程序,为当今的聊天机器人奠定了基础。
但是,由于计算机处理和存储的局限性以及问题的复杂性,阻碍了人工智能的实现,但并非遥不可及。政府和企业放弃了对AI研究的支持,导致了从1974年到1980年的休耕期,被称为第一个“ AI冬季”。在1980年代,对深度学习技术的研究以及爱德华·费根鲍姆(Edward Feigenbaum)的专家系统在业界的采用引发了AI热情的新浪潮,随后政府资金和行业支持又一次崩溃。第二个AI冬季一直持续到1990年代中期。
计算能力的提高和数据的激增引发了1990年代后期AI的复兴,这种复兴一直持续至今。对AI的最新关注已在自然语言处理,计算机视觉,机器人技术,机器学习,深度学习等方面取得了突破。此外,人工智能正变得越来越有形,为汽车提供动力,诊断疾病并巩固其在流行文化中的作用。1997年,IBM的Deep Blue击败了俄罗斯国际象棋大师傅Garry Kasparov,成为第一个击败世界象棋冠军的计算机程序。十四年后,IBM的沃森(Watson)在游戏节目《危险(Jeopardy!)》中击败了两位前冠军而吸引了公众。最近,谷歌DeepMind的AlphaGo击败了18届世界围棋大赛冠军李·塞多尔(Lee Sedol) Go社区震惊了,并标志着智能机器开发的一个重要里程碑。
人工智能的应用
人工智能已进入各种各样的市场。这是八个例子。
医疗保健中的AI。最大的赌注是改善患者的预后并降低成本。公司正在应用机器学习来做出比人类更好更快的诊断。IBM Watson是最著名的医疗保健技术之一。它能够理解自然语言,并且可以回答所提出的问题。该系统挖掘患者数据和其他可用数据源以形成假设,然后以置信度评分方案呈现该假设。其他AI应用程序包括使用在线虚拟健康助手和聊天机器人来帮助患者和医疗保健客户查找医疗信息,安排约会,了解计费流程并完成其他管理流程。一系列AI技术也被用于预测,战斗和理解大流行,例如COVID-19。
商业AI。机器学习算法已集成到分析和客户关系管理(CRM)平台中,以发现有关如何更好地为客户提供服务的信息。聊天机器人已合并到网站中,以为客户提供即时服务。工作职位的自动化也已成为学者和IT分析人员的话题。
教育中的人工智能。AI可以自动进行评分,从而给教育者更多的时间。它可以评估学生并适应他们的需求,帮助他们按照自己的节奏工作。人工智能导师可以为学生提供额外的支持,以确保他们始终如一。它可能会改变学生的学习方式和学习方式,甚至可能取代一些老师。
金融领域的人工智能。Intuit Mint或TurboTax等个人理财应用程序中的AI正在破坏金融机构。诸如此类的应用程序收集个人数据并提供财务建议。其他程序(例如IBM Watson)已应用于购房过程。如今,人工智能软件在华尔街上进行了大量交易。
法律上的人工智能。法律上的发现过程-通过文档进行筛选-通常对人类来说是不堪重负的。使用AI帮助自动化法律行业的劳动密集型流程可以节省时间并改善客户服务。律师事务所正在使用机器学习来描述数据和预测结果,使用计算机视觉来对文档进行分类和提取信息,并使用自然语言处理来解释对信息的请求。
制造业中的AI。制造业一直是将机器人纳入工作流程的最前沿。例如,是一次工业机器人编程以执行单一任务和人类工人分离出来,越来越多的功能cobots:更小,多任务与人类协作,并采取作业的仓库,工厂车间多个部分责任机器人和其他工作区。
银行业的人工智能。银行成功地使用了聊天机器人,使客户了解服务和产品,并处理不需要人工干预的交易。AI虚拟助手正在用于改善和降低遵守银行法规的成本。银行组织也正在使用AI来改善其贷款决策,设置信贷限额并确定投资机会。
运输中的AI。除了AI在操作自动驾驶汽车中的基本作用外,AI技术还用于交通运输中,以管理交通,预测航班延误并提高海运安全性和效率。
安全中的AI:人工智能和机器学习已成为当今安全厂商用来区分其产品的流行语的顶部。这些术语也代表着真正可行的技术。网络安全产品中的人工智能和机器学习正在为寻求识别攻击,恶意软件和其他威胁的方法的安全团队增添真正的价值。
组织在安全信息和事件管理(SIEM)软件以及相关领域中使用机器学习来检测异常并识别表明威胁的可疑活动。通过分析数据并使用逻辑识别与已知恶意代码的相似性,人工智能可以比人类员工和以前的技术迭代更快地为新出现的攻击提供警报。
因此,人工智能安全技术不仅可以大大减少误报的数量,还可以让组织有更多时间在造成破坏之前应对实际威胁。成熟的技术在帮助组织抵御网络攻击方面发挥着重要作用。
人工智能技术的监管
尽管存在潜在的风险,但目前很少有法规规范AI工具的使用,并且在存在法律的地方,它们通常间接涉及AI。例如,如前所述,美国公平贷款法规要求金融机构向潜在客户解释信贷决策。这限制了贷方可以使用深度学习算法的程度,而深度学习算法本质上是不透明的且缺乏可解释性。
欧盟的通用数据保护条例(GDPR)对企业如何使用消费者数据进行了严格限制,这阻碍了许多面向消费者的AI应用程序的培训和功能。
2016年10月,美国国家科学技术委员会发布了一份报告,审查了政府法规在AI发展中可能发挥的潜在作用,但并未建议考虑制定具体立法。
制定法规来规范AI并非易事,部分原因是AI包含了公司用于不同目的的多种技术,部分原因是法规可能会牺牲AI的发展和发展。AI技术的快速发展是形成有意义的AI监管的另一个障碍。技术的突破和新颖的应用会使现有法律立即过时。例如,现行规范对话和记录的对话的隐私的法律并未涵盖语音助手(例如,亚马逊的Alexa和苹果的Siri)聚集但不分发对话所带来的挑战,但公司使用该技术来改善机器的技术团队除外学习算法。而且,当然,政府确实设法制定法规以规范AI