什么是人工智能？人工智能简介、历史和类型

什么是人工智能 (AI)？

AI（人工智能）是机器执行认知功能的能力，如同人类一样，例如感知、学习、推理和解决问题。AI 的基准是人类在推理、语音和视觉方面的水平。

在本人工智能教程中，您将学习以下 AI 基础知识-

人工智能级别简介

如今，AI 几乎应用于所有行业，为所有大规模整合 AI 的公司提供了技术优势。根据麦肯锡的报告，AI 有潜力在零售业创造 6000 亿美元的价值，与其它分析技术相比，在银行业带来 50% 以上的增量价值。在运输和物流业，潜在的收入增长则高达 89%。

具体来说，如果一个组织为其营销团队使用 AI，它可以自动化单调和重复的任务，让销售代表专注于建立关系、培养潜在客户等。一家名为 Gong 的公司提供对话智能服务。每次销售代表打电话时，机器都会记录、转录和分析聊天内容。副总裁可以利用 AI 分析和建议来制定致胜策略。

简而言之，AI 提供了处理人类无法处理的复杂数据的尖端技术。AI 自动化了重复性工作，使员工能够专注于高级别、高附加值的任务。当 AI 大规模实施时，可以降低成本并增加收入。

人工智能的历史

人工智能如今是一个流行词，尽管这个术语并不新鲜。1956 年，来自不同背景的前卫专家决定组织一个关于 AI 的夏季研究项目。四位杰出的人物领导了这个项目：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）和克劳德·香农（贝尔电话实验室）。

以下是人工智能的简史

人工智能的目标

以下是 AI 的主要目标

• 它帮助您减少执行特定任务所需的时间。
• 使人类与机器的交互更容易。
• 以更自然、更高效的方式促进人机交互。
• 提高医学诊断的准确性和速度。
• 帮助人们更快地学习新信息。
• 增强人与机器之间的交流。

人工智能的子领域

以下是人工智能的一些重要子领域

机器学习：机器学习是一门研究从示例和经验中学习的算法的艺术。机器学习基于这样一种思想，即数据中的某些模式被识别并用于未来的预测。与硬编码规则的区别在于，机器学会自己找到这些规则。

深度学习：深度学习是机器学习的一个子领域。深度学习并不意味着机器学到了更深层次的知识；它使用不同的层来从数据中学习。模型的深度由模型中的层数表示。例如，谷歌的 LeNet 模型用于图像识别，共有 22 层。

自然语言处理：神经网络是一组连接的 I/O 单元，其中每个连接都有一个与其计算机程序相关的权重。它帮助您从大型数据库中构建预测模型。该模型建立在人类神经系统的基础上。您可以使用此模型进行图像理解、人类学习、计算机语音等。

专家系统：专家系统是一种交互式、可靠的基于计算机的决策系统，它使用事实和启发式方法来解决复杂的决策问题。它也被认为是人类智能的最高水平。专家系统的主要目标是解决特定领域中最复杂的问题。

模糊逻辑：模糊逻辑被定义为一种多值逻辑形式，其变量的真值可以是 0 和 1 之间的任何实数。它处理部分真理的概念。在现实生活中，我们可能会遇到无法判断一个陈述是真是假的情况。

人工智能的类型

人工智能主要有三种类型：基于规则的、决策树和神经网络。

• 弱人工智能是一种能帮助您智能地执行特定任务的 AI。
• 通用人工智能是一种能像人类一样高效执行任何智力任务的 AI。
• 基于规则的 AI 是基于一组应用于输入数据集的预定规则。然后系统会产生相应的输出。
• 决策树 AI 与基于规则的 AI 类似，因为它使用预定规则集来做决策。然而，决策树也允许分支和循环来考虑不同的选项。
• 超级人工智能是一种能让计算机理解人类语言并以自然方式回应的 AI。
• 机器人智能是一种能让机器人拥有复杂认知能力的 AI，包括推理、规划和学习。

AI 与机器学习

我们的大多数智能手机、日常设备甚至互联网都使用人工智能。通常，那些希望宣布其最新创新的大公司会交替使用 AI 和机器学习这两个术语。然而，机器学习和 AI 在某些方面是不同的。

AI——人工智能——是训练机器执行人类任务的科学。这个术语是在 20 世纪 50 年代发明的，当时科学家们开始探索计算机如何能自己解决问题。

人工智能是一种被赋予了类人属性的计算机。以我们的大脑为例；它毫不费力、无缝地计算我们周围的世界。人工智能的概念是计算机可以做同样的事情。可以说 AI 是一门模仿人类能力的宏大学科。

机器学习是 AI 的一个独特子集，它训练机器进行学习。机器学习模型在数据中寻找模式并试图得出结论。简而言之，机器不需要被人明确编程。程序员给出一些例子，计算机将从这些样本中学习该做什么。

另请阅读深度学习与机器学习与 AI 之间的区别，点击此处。

AI 用在哪里？示例

现在，在这篇面向初学者的 AI 教程中，我们将学习 AI 的各种应用。

AI 有广泛的应用-

• 人工智能用于减少或避免重复性任务。例如，AI 可以连续重复一项任务而不会感到疲劳。AI 从不休息，并且对要执行的任务漠不关心。
• 人工智能改进现有产品。在机器学习时代之前，核心产品是基于硬编码规则构建的。公司引入人工智能来增强产品的功能，而不是从头开始设计新产品。你可以想想 Facebook 的图片功能。几年前，你必须手动标记你的朋友。如今，在 AI 的帮助下，Facebook 会向你推荐朋友。

AI 应用于所有行业，从市场营销到供应链、金融、食品加工行业。根据麦肯锡的一项调查，金融服务和高科技通信在 AI 领域处于领先地位。

为什么 AI 现在蓬勃发展？

现在，在这篇人工智能测试教程中，让我们了解为什么 AI 现在正蓬勃发展。让我们通过下图来理解。

自九十年代 Yann LeCun 的开创性论文发表以来，神经网络就已经存在。然而，它在 2012 年左右开始变得著名。其受欢迎程度可由三个关键因素解释：

1. 硬件
2. 数据
3. 算法

机器学习是一个实验性领域，意味着它需要数据来测试新的想法或方法。随着互联网的蓬勃发展，数据变得更容易获取。此外，像 NVIDIA 和 AMD 这样的大公司已经为游戏市场开发了高性能的图形芯片。

硬件

在过去的二十年里，CPU 的性能呈爆炸式增长，使得用户可以在任何笔记本电脑上训练一个小型深度学习模型。然而，要处理用于计算机视觉或深度学习的深度学习模型，你需要一台更强大的机器。得益于 NVIDIA 和 AMD 的投资，新一代的 GPU（图形处理单元）已经问世。这些芯片允许并行计算，机器可以将计算分配到多个 GPU 上以加速计算。

例如，使用 NVIDIA TITAN X，训练一个名为 ImageNet 的模型需要两天时间，而传统的 CPU 则需要数周。此外，大公司使用 GPU 集群来训练深度学习模型，采用 NVIDIA Tesla K80，因为它有助于降低数据中心成本并提供更好的性能。

数据

深度学习是模型的结构，而数据是使其活跃起来的流体。数据驱动人工智能。没有数据，什么也做不成。最新的技术已经突破了数据存储的界限，现在比以往任何时候都更容易在数据中心存储大量数据。

互联网革命使得数据收集和分发成为可能，为机器学习算法提供了养料。如果你熟悉 Flickr、Instagram 或任何其他有图片的应用程序，你就可以猜到它们的 AI 潜力。这些网站上有数百万张带有标签的图片。这些图片可以用来训练一个神经网络模型，以识别图片上的物体，而无需手动收集和标记数据。

人工智能与数据相结合是新的黄金。数据是一种独特的竞争优势，任何公司都不应忽视，而 AI 从你的数据中提供了最佳答案。当所有公司都能拥有相同的技术时，拥有数据的公司将拥有竞争优势。举个例子，世界每天产生约 2.2 艾字节（EB），即 22 亿千兆字节（GB）的数据。

一个公司需要极其多样化的数据源，才能在大量数据中找到模式并进行学习。

算法

硬件比以往任何时候都更强大，数据也更容易获取，但让神经网络更可靠的一件事是更精确算法的发展。基本的神经网络只是一个没有深入统计特性的简单乘法矩阵。自 2010 年以来，在改进神经网络方面取得了显著的发现。

人工智能使用渐进式学习算法，让数据来进行编程。这意味着计算机可以自学如何执行不同的任务，比如发现异常或成为聊天机器人。

摘要

• AI 是人工智能（Artificial intelligence）的全称，是一门训练机器模仿或重现人类任务的科学。
• 科学家可以使用不同的方法来训练机器。在 AI 时代初期，程序员编写硬编码程序，输入机器可能面临的每一种逻辑可能性以及如何响应。
• 当一个系统变得复杂时，管理这些规则就变得困难。为了克服这个问题，机器可以利用数据来学习如何处理给定环境下的所有情况。
• 拥有强大 AI 最重要的特点是它有足够的数据并且具有相当大的异质性。例如，只要有足够的单词可以学习，机器就能学会不同的语言。
• AI 是新兴的前沿技术。风险资本家在初创公司或 AI 项目上投资数十亿美元，麦肯锡估计 AI 可以推动每个行业至少实现两位数的增长率。
• 通用 AI、基于规则的 AI、决策树 AI、超级 AI 都是人工智能的类型。许多这些概念都应用于 AI 聊天机器人的创建中。如果你感兴趣，可以了解更多关于这些原则如何在当今一些最佳 AI 聊天机器人中实现的信息。

在 YouTube 上观看我们的人工智能视频：点击此处