何為人工智能，簡述人工智能的發展前景

具有執行感知功能（例如感知，學習，推理和解決問題）的能力的機器被認為擁有人工智能。當機器具有認知能力時，就會存在人工智能。 判斷AI的基準是涉及推理、語音和視覺是否接近或達到人類水平。

一、入門人工智能

弱AI（Narrow AI）：當機器可以比人類更好地執行特定任務時。

通用AI（General AI）：人工智能可以以與人類相同的精度水平執行任何智力任務時達到通用狀態。

強AI（Strong AI）：當AI在許多任務中都能擊敗人類時，它就是強AI。

如今，人工智能已在幾乎所有行業中使用，為所有大規模集成人工智能的公司提供了技術優勢。麥肯錫認為，與其他分析技術相比，人工智能有潛力創造6000億美元的零售價值，為銀行業帶來50％的增量價值。在運輸和物流領域，潛在收入增長了89％以上。

具體來說，如果企業將AI用于其營銷團隊，則可以使平凡而又重復性的任務自動化，從而使銷售代表可以專注于諸如建立關系，培養領導等任務。企業可以使用AI分析和推薦來制定制勝戰略。

簡而言之，人工智能提供了一種尖端技術來處理人類無法處理的復雜數據。 AI將多余的工作自動化，使工人可以專注于高水平的增值任務。大規模實施AI可以降低成本并增加收入。

二、人工智能簡史

如今，人工智能已成為流行語，盡管這個術語并不新鮮。 1956年，一群來自不同背景的前衛專家決定組織有關AI的夏季研究項目。 四個聰明的人領導了這個項目。 John McCarthy（達特茅斯學院），Marvin Minsky（哈佛大學），Nathaniel Rochester（IBM）和Claude Shannon（貝爾電話實驗室）。該研究項目的主要目的是解決“原則上可以精確地描述出學習的每一個方面或智能的任何其他特征，從而可以制造出機器來對其進行仿真”。

這次會議的提議包括：

1）自動電腦

2）如何將計算機編程為使用某種語言？

3）神經元網

4）自我提升

這導致了可以創建智能計算機的想法。 充滿希望的新時代開始了-人工智能。

三、人工智能類型：

人工智能可以分為三個子領域：

1）人工智能

2）機器學習

3）深度學習

四、什么是機器學習？

機器學習是研究從示例和經驗中學習的算法的藝術。機器學習基于這樣的想法，即數據中存在一些已識別的模式，可用于將來的預測。與硬編程規則的區別在于，機器會自行學習以找到此類規則。

五、什么是深度學習？

深度學習是機器學習的一個子領域。深度學習并不意味著機器學習更多的深入知識；而是意味著機器使用不同的層從數據中學習。模型的深度由模型中的層數表示。例如，用于圖像識別的Google LeNet模型有22層。在深度學習中，學習階段是通過神經網絡完成的。神經網絡是一種結構，其中各層相互堆疊。

六、人工智能與機器學習

我們大多數的智能手機，日常設備甚至互聯網都使用人工智能。想要宣布其最新創新的大公司通常會交替使用AI和機器學習。但是，機器學習和AI在某些方面有所不同。

AI（人工智能）是訓練機器執行人類任務的科學。這個術語是在1950年代發明的，當時科學家開始研究計算機如何自行解決問題。

人工智能是一臺具有類人特性的計算機。它可以輕松，無縫地計算我們周圍的世界。人工智能是計算機可以執行相同操作的概念?？梢哉f，人工智能是模仿人類能力的大型科學。

機器學習是AI的一個獨特子集，它可以訓練機器如何學習。機器學習模型會尋找數據中的模式，然后嘗試得出結論。簡而言之，無需人工對機器進行編程。程序員提供了一些示例，計算機將從這些示例中學習如何做。

七、AI都在哪里使用？

人工智能具有廣泛的應用：

人工智能用于減少或避免重復任務。例如，AI可以連續重復任務，而不會感到疲勞。實際上，人工智能永遠不會停止，對執行的任務無關緊要。

人工智能改善了現有產品。在機器學習時代之前，核心產品是建立在硬編程規則之上的。公司引入人工智能來增強產品的功能，而不是從頭開始設計新產品。你可以想到一些社交平臺的照片。幾年前，你必須手動標記朋友。如今，在AI的幫助下，社交平臺給你推薦朋友。

從市場營銷到供應鏈，金融，食品加工等行業，人工智能被廣泛應用。根據麥肯錫的一項調查，金融服務和高科技通信在AI領域處于領先地位。

八、為什么AI蓬勃發展？

自90年代以來，隨著Yann LeCun的開創性論文出現了神經網絡。但是，它在2012年左右開始變得出名。對其受歡迎程度的三個關鍵因素解釋為：

1）硬件

2）數據

3）算法

機器學習是一個實驗領域，這意味著它需要有數據來測試新的思想或方法。隨著互聯網的繁榮，數據變得更加易于訪問。此外，像NVIDIA和AMD這樣的大公司也為游戲市場開發了高性能的圖形芯片。

1.硬件

在過去的二十年中，CPU的功能爆炸性增長，使用戶可以在任何筆記本電腦上訓練小型的深度學習模型。但是，要處理用于計算機視覺或深度學習的深度學習模型，你需要一臺功能更強大的機器。多虧了NVIDIA和AMD的投資，新一代GPU（圖形處理單元）才問世。這些芯片允許并行計算。這意味著機器可以在多個GPU上分離計算以加快計算速度。

例如，使用NVIDIA TITAN X，需要花兩天的時間來為傳統CPU訓練數周的ImageNet模型。此外，大公司使用GPU集群通過NVIDIA Tesla K80訓練深度學習模型，因為它有助于降低數據中心成本并提供更好的性能。

2.數據

深度學習是模型的結構，而數據則是使其活躍的基礎。數據為人工智能提供動力。沒有數據，什么也做不了。最新技術已經突破了數據存儲的界限。在數據中心中存儲大量數據比以往任何時候都更加容易。

互聯網革命使數據收集和分發可用于饋送機器學習算法。如果你熟悉Instagram或其他任何帶有圖像的應用程序，則可以猜測它們的AI潛力。這些網站上有數以百萬計的帶有標簽的照片。這些圖片可用于訓練神經網絡模型以識別圖片上的對象，而無需手動收集和標記數據。

人工智能與數據結合是新的黃金時代。數據是任何公司都不應忽視的獨特競爭優勢。 AI從你的數據中提供最佳答案。如果所有公司都可以使用相同的技術，那么擁有數據的公司將比其他公司具有競爭優勢。舉個例子，世界每天創造約2.2 EB，即22億千兆字節。公司需要異常多樣化的數據源，以便能夠找到模式并進行大量學習。

3.算法

硬件比以往任何時候都更加強大，可以輕松訪問數據，但是使神經網絡更可靠的一件事是開發了更精確的算法。初級神經網絡是沒有深度統計特性的簡單乘法矩陣。自2010年以來，在改善神經網絡方面取得了令人矚目的發現。人工智能使用漸進式學習算法來讓數據進行編程。這意味著，計算機可以自學如何執行不同的任務，例如發現異常，成為聊天機器人。

九、總結

人工智能和機器學習是兩個令人困惑的術語。人工智能是訓練機器模仿或復制人類任務的科學?？茖W家可以使用不同的方法來訓練機器。在AI時代的初期，程序員編寫了硬編程的程序，即鍵入機器可以面對的每一種邏輯可能性以及如何響應。當系統變得復雜時，很難管理規則。為了克服這個問題，機器可以使用數據來學習如何處理給定環境中的所有情況。

擁有強大的AI的最重要功能是擁有足夠多的數據，并且異構性強。例如，一臺機器只要有足夠的單詞可以學習就可以學習不同的語言。AI是新的尖端技術。麥肯錫估計，人工智能可以以至少兩位數的速度推動每個行業的發展。