首页 >> 大全

何为人工智能,简述人工智能的发展前景

2022-08-08 大全 107 作者:考证青年

具有执行感知功能(例如感知、学习、推理和解决问题)能力的机器被视为拥有。当机器具有认知能力时,人工智能就存在了。判断 AI 的基准是在推理、语音和视觉方面是否接近或处于人类水平。

一、人工智能简介

弱人工智能 (AI):当机器可以比人类更好地执行特定任务时。

通用人工智能 (AI):当人工智能能够以与人类相同的精度水平执行任何智力任务时,人工智能就达到了通用状态。

强大的 AI (AI):当 AI 在许多任务上都可以击败人类时,它就是强大的。

如今,几乎所有行业都在使用 AI,这为所有大规模集成 AI 的公司提供了技术优势。麦肯锡认为,与其他分析技术相比,人工智能有潜力创造 6000 亿美元的零售价值,为银行业带来 50% 的增量价值。在运输和物流方面,基础收入增长超过 89%。

具体来说,如果企业在营销团队中使用 AI,它可以自动执行日常重复性任务,让销售代表能够专注于建立关系、培养领导者等任务。企业可以使用 AI 分析和建议来制定制胜战略。

简而言之,人工智能提供了一种尖端技术来处理人类无法处理的复杂数据。人工智能将多余的工作自动化,让员工能够专注于高水平的增值任务。大规模实施 AI 可以降低成本并增加收入。

二、人工智能简史

如今,人工智能是一个流行词,尽管这个词并不新鲜。 1956 年,一群来自不同背景的前卫专家决定组织一个关于人工智能的暑期研究项目。四个聪明人领导了这个项目。约翰(达特茅斯学院)、(哈佛大学)、(IBM)和(贝尔电话实验室)。该研究项目的主要目的是解决“原则上可以精确描述的学习的各个方面或智能的任何其他特征,以便可以构建机器来模拟它”。

本次会议的提案包括:

1)汽车电脑

2)如何将计算机编程为说某种语言?

3)神经网络

4)自我提升

这导致了可以创建智能计算机的想法。一个充满希望的新时代已经开始——人工智能。

三、人工智能类型:

人工智能可以分为三个子领域:

1)人工智能

2)机器学习

3)深度学习

四、什么是机器学习?

机器学习是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,即数据中存在一些可用于未来预测的已识别模式。与硬编程规则的区别在于,机器会自行学习以找到此类规则。

五、什么是深度学习?

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习更深入的知识;这意味着使用不同层从数据中进行机器学习。模型的深度由模型中的层数表示。例如,用于图像识别的 LeNet 模型有 22 层。在深度学习中,学习阶段是通过神经网络完成的。神经网络是一种层层叠叠的结构。

六、人工智能与机器学习

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。想要宣布其最新创新的大公司经常交替使用人工智能和机器学习。但是,机器学习和 AI 在某些方面有所不同。

AI(人工智能)是训练机器执行人类任务的科学。该术语是在 1950 年代创造的,当时科学家们开始研究计算机如何自行解决问题。

人工智能是具有类人属性的计算机。它可以轻松无缝地计算我们周围的世界。人工智能是计算机可以做同样事情的概念。可以说,人工智能是一门模仿人类能力的大规模科学。

机器学习是 AI 的一个独特子集,可以训练机器如何学习。机器学习模型在数据中寻找模式,然后尝试得出结论。简而言之,人类无需对机器进行编程。程序员提供示例,计算机从中学习如何操作。

七、人工智能在哪里使用?

人工智能有广泛的应用:

人工智能用于减少或避免重复性任务。例如,人工智能可以连续重复任务而不会感到疲倦。事实上,人工智能从不停止,无论它执行什么任务。

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程规则之上的。公司不是从头开始设计新产品,而是引入人工智能来增强其产品的功能。你可以想到一些社交平台上的照片。几年前,您必须手动标记朋友。今天,在人工智能的帮助下,社交平台将您推荐给朋友。

人工智能广泛应用于营销、供应链、金融、食品加工等行业。麦肯锡的一项调查显示,金融服务和高科技通信在人工智能领域处于领先地位。

八、为什么人工智能蓬勃发展?

自 90 年代以来,随着 Yann LeCun 的开创性论文,神经网络就出现了。然而,它在 2012 年左右开始成名。其受欢迎的三个关键因素解释为:

1)硬件

2)数据

3)算法

机器学习是一个实验领域,这意味着它需要数据来测试新的想法或方法。随着互联网的繁荣,数据变得更容易获得。此外,AMD、AMD等大公司也为市场开发了高性能图形芯片。

1.硬件

在过去的二十年里,CPU 的能力得到了爆发式增长,用户可以在任何笔记本电脑上训练小型深度学习模型。但是,要处理用于计算机视觉或深度学习的深度学习模型,您需要更强大的机器。感谢 AMD 和 AMD 的投资,新一代 GPU(图形处理单元)问世。这些芯片允许并行计算。这意味着机器可以在多个 GPU 上拆分计算以加快计算速度。

以 TITAN X 为例,在传统 CPU 上训练几周前的模型需要两天时间。此外,大公司使用 GPU 集群来使用 Tesla K80 训练深度学习模型,因为它有助于降低数据中心成本并提供更好的性能。

2.数据

深度学习是模型的结构,而数据是使其活跃的原因。数据为人工智能提供动力。没有数据,什么都做不了。最新技术突破了数据存储的界限。在数据中心存储大量数据比以往任何时候都容易。

互联网革命使数据收集和分发可用于为机器学习算法提供数据。如果您熟悉或任何其他带有图像的应用程序,您可以猜测它们的 AI 潜力。这些网站上有数百万张带标签的照片。这些图片可用于训练神经网络模型识别图片上的物体,而无需手动收集和标记数据。

人工智能和数据的结合是新的黄金时代。数据是任何公司都不应忽视的独特竞争优势。 AI 从您的数据中提供最佳答案。如果所有公司都可以使用相同的技术,那么拥有数据的公司将比其他公司拥有竞争优势。例如,世界每天创造大约 2.2 艾字节,即 22 亿千兆字节。公司需要非常多样化的数据源,以便能够找到模式并学到很多东西。

3.算法

硬件比以往任何时候都更强大,可以轻松访问数据,但让神经网络更可靠的原因之一是开发更精确的算法。初级神经网络是简单的乘法矩阵,没有深度统计特性。自 2010 年以来,在改进神经网络方面取得了令人印象深刻的发现。人工智能使用增量学习算法让数据编程。这意味着计算机可以自学如何执行不同的任务,例如发现异常并成为聊天机器人。

九、总结

人工智能和机器学习是两个令人困惑的术语。人工智能是训练机器模仿或复制人类任务的科学。科学家可以使用不同的方法来训练机器。在人工智能时代的早期,程序员编写硬编程程序,输入机器可能面临的每一种逻辑可能性以及如何响应。当系统变得复杂时,很难管理规则。为了克服这个问题,机器可以使用数据来学习如何处理给定环境中的所有情况。

拥有强大 AI 的最重要特征是拥有足够的数据并具有很强的异质性。例如,一台机器只要有足够的单词可以学习,就可以学习不同的语言。人工智能是新的尖端技术。麦肯锡估计,人工智能可以以至少两位数的速度推动每个行业。

关于我们

最火推荐

小编推荐

联系我们


版权声明:本站内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 88@qq.com 举报,一经查实,本站将立刻删除。备案号:桂ICP备2021009421号
Powered By Z-BlogPHP.
复制成功
微信号:
我知道了