AI人工智能 介绍

具有感知、学习、推理和解决问题等认知功能的机器被认为拥有人工智能。

当机器具有认知能力时,人工智能就产生了。人类在相关领域的能力是人工智能的衡量基准。

人工智能水平

  • 弱人工智能 弱人工智能执行特定任务,甚至比人类做得更好,例如,围棋人工智能AlphaGo。弱人工智能是目前人工智能的主要研究领域。
  • 强人工智能 强人工智能能够像人类一样精确地执行任何智力任务。

现在,人工智能在各行各业都广泛应用。美国麦肯锡公司分析,与其他技术相比,人工智能有潜力在零售领域创造6000亿美元的价值,在银行业带来50%以上的增值。在运输和物流方面,潜在的收入增长超过89%。

举例来说,如果一个组织为其营销团队使用人工智能,那么人工智能就可以帮助团队,自动完成日常和重复的任务,让销售人员专注于关系构建等需要人才能完成的任务。比如有家公司提供对话情报服务,每次销售人员打电话时,机器都会记录并分析通话内容,帮团队找出最好的话术和销售策略。

简而言之,人工智能可用于处理人类无法处理的复杂数据。人工智能使繁杂的工作自动化,使人们能够专注于高水平、高附加值的任务。

人工智能历史

人工智能在今天是一个流行词,但是这个词并不是新近才出现的。1956年,一群不同背景的专家决定组织一个关于人工智能的暑期研究项目,四个人领导了这个项目: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),克劳德·香农(贝尔电话实验室)。

该研究项目主要目的是,研究人类学习的过程,人类智力的特征,制造机器来模拟人类智能。

它引出了可以创造智能计算机的想法,人工智能的时代开始了。

人工智能分类

人工智能可以分为三个子领域:

  • 人工智能
  • 机器学习
  • 深度学习

人工智能分类

机器学习

机器学习是从例子和经验中学习算法的艺术。
机器学习基于这样一种理念,即数据中存在一些模式,这些模式被识别出来,并用于未来的预测。
与硬编码规则的不同之处在于,机器可以自己学习发现这些规则。

深度学习

深度学习是机器学习的一个分支。深度学习并不是说让机器学习更深入的知识,而是机器的神经网络有更深的层次。例如,用于图像识别的谷歌LeNet模型有22层。

深度学习是通过神经网络完成的。神经网络是一种结构,在这种结构中,各个层相互堆叠在一起。

人工智能对比深度学习

与人工智能相比,机器学习的范畴更窄。

人工智能是一门训练机器执行人类任务的学科。这个词是在20世纪50年代发明的,当时科学家们开始探索计算机如何独立解决问题。

人工智能是一种具有类人特性的计算机。我们人类的大脑,计算我们周围的世界毫不费力,快速准确。人工智能的概念是计算机也可以做同样的事情。可以说,人工智能是一门模仿人类能力的大型科学。

机器学习是人工智能的一个子集,主要任务是训练机器学习,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,这台机器不需要由人来明确编程。程序员给出了一些例子,计算机将从这些例子中学习如何做。

人工智能使用场景

人工智能有广泛应用:

  • 人工智能可代替人类做重复的工作。例如,人工智能可以连续地重复一项任务,而不会感到疲劳。
  • 人工智能改进了现有产品。在机器学习时代之前,核心产品是建立在硬编码规则之上的。引入人工智能可以增强现有产品的功能,例如,电商网站可以通过人工智能推荐你感兴趣的商品。

人工智能广泛应用于各个行业,从市场营销到供应链、金融、食品加工等。麦肯锡(McKinsey)的一项调查显示,金融服务和高科技通讯领域正引领人工智能的发展。

人工智能现在为什么这么热?

自20世纪50年代以来,人工智能的发展经历了几次低潮和高潮,近几年来,人工智能发展又一次引来高潮的3个关键因素是:

  • 硬件
  • 数据
  • 算法

机器学习是一个实验领域,这意味着它需要大量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,像英伟达和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20年里,CPU的能力已经爆炸式增长,允许用户在任何笔记本电脑上训练一个小型的深度学习模型。然而,要为计算机视觉或深度学习处理一个深度学习模型,您需要一个更强大的机器。由于英伟达和AMD的投资,新一代GPU(图形处理单元)应运而生。这些芯片允许并行计算。这意味着这台机器可以通过几个GPU将计算任务分开来加速计算。

GPU

例如,使用NVIDIA TITAN X,ImageNet模型只需要两天的时间来训练,而传统CPU需要几周。此外,大公司使用GPU集群与NVIDIA Tesla K80一起训练深度学习模型,它有助于降低数据中心成本,提供更好的性能。

数据

深度学习是模型的结构,而数据是使模型活起来的流体。数据为人工智能提供动力。没有数据,什么也做不了。最新的技术已经突破了数据存储的界线。存储大量数据比以往任何时候都更容易。

互联网革命使得数据收集和分发成为机器学习算法的基础。如果你熟悉Flickr、Instagram或任何其他带有图片的应用,你就能明白它们的人工智能潜力。在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来识别图片上的物体,而不需要手动收集和标记数据。

人工智能与数据的结合是新的黄金。数据是一个独特的竞争优势,任何公司都不应该忽视。AI从你的数据中提供了最好的答案, 拥有数据的公司将比其他公司拥有竞争优势。世界每天大约产生2.2艾字节,或22亿千兆字节。

big data

算法

硬件比以往任何时候都更强大,数据更容易获得,但有一件事使神经网络更可靠,那就是更精确的算法。初级神经网络是一个简单的乘法矩阵,没有深入的统计分析能力。自2010年以来,在改进神经网络方面取得了显著的进展。

人工智能使用一种渐进的学习算法来让数据进行编程。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,成为一个聊天机器人等等。

小结

人工智能和机器学习是两个容易混淆的术语。人工智能是训练机器模仿人类智能的科学。科学家可以用不同的方法来训练机器。在人工智能时代的初期,程序员编写硬编码程序,也就是说,输入机器能够面对的每一种逻辑可能性,当系统变得复杂时,就很难管理规则。为了克服这个问题,人们研究出了机器学习的方法,让机器使用数据来学习如何处理给定环境中的所有情况。

拥有一个强大的人工智能的最重要特性是拥有足够的数据和相当大的异构性。例如,一台机器可以学习不同的语言,只要它有足够的单词可以学习。

人工智能是一种新的尖端技术,可以推动每个行业高速发展。



浙ICP备17015664号联系我们网站地图  
@2019 qikegu.com 版权所有,禁止转载