6 分鐘了解人工智慧 - 什麼是人工智慧？人工智慧教程

IDVIEW 最佳工地管理解決方案

TechTarget

人工智慧是機器，特別是電腦系統模擬人類智慧過程。人工智慧的具體應用包括專家系統、自然語言處理、語音辨識和機器視覺。

人工智慧是如何工作的？

隨著圍繞人工智慧的炒作加速，供應商一直在爭先恐後地宣傳，他們的產品和服務如何使用人工智慧。他們通常所說的人工智慧，只是人工智慧的一個組成部分，如機器學習。人工智慧需要專門的硬體和軟體，來編寫和訓練機器學習演算法。沒有一種寫程式語言是人工智慧的同義詞，但包括 Python、R 和 Java 在內的少數語言很受歡迎。

一般來說，人工智慧系統的工作原理，是攝取大量標記的訓練資料，分析資料的相關性和模式，並使用這些模式對未來狀態進行預測。透過這種方式，一個提供文字聊天示例的聊天機器人，可以學習與人進行逼真的交流，或者影像辨識工具可以透過檢視數百萬個案例，來學習辨識和描述影象中的物件。

人工智慧寫程式側重於三種認知技能：學習、推理和自我糾正。

學習過程。 人工智慧寫程式的這一方面側重於獲取資料，併為如何將資料轉化為可操作的資訊建立規則。這些規則被稱為演算法，為運算裝置提供了如何完成特定任務的分步說明。

這篇文章是

企業人工智慧指南

下載1

立即免費下載這整個指南！

推理過程。人工智慧寫程式的這一方面，側重於選擇正確的演算法來達到預期結果。

自我糾正過程。人工智慧寫程式的這一方面，目的在不斷微調演算法，並確保它們提供儘可能準確的結果。

為什麼人工智慧很重要？

人工智慧很重要，因為它可以讓企業深入瞭解，他們以前可能不知道的營運，而且在某些情況下，人工智慧可以比人類更好地執行任務。特別是當涉及到重複的、注重細節的任務時，如分析大量法律檔案，以確保正確填寫相關領域時，人工智慧工具通常可以快速完成工作，錯誤相對較少。

這助長了效率的爆炸，併為一些大型企業打開了全新的商業機會。在當前人工智慧浪潮之前，很難想象使用電腦軟體將騎手與計程車連線起來，但今天，優步已經成為世界上最大的公司之一。它利用複雜的機器學習演算法，來預測人們在某些地區何時可能需要騎車，這有助於在需要司機之前主動讓司機上路。另一個例子是，谷歌透過使用機器學習，來瞭解人們如何使用他們的服務，然後改進它們，已經成為一系列線上服務的最大參與者之一。2017 年，該公司執行長 Sundar Pichai 宣佈，谷歌將作為一家「AI第一」公司營運。

今天最大、最成功的企業已經使用人工智慧來改善其營運，並在競爭對手中獲得優勢。

人工智慧的優缺點是什麼？

人工神經網路和深度學習人工智慧技術，正在迅速發展，主要是因為人工智慧處理大量資料的速度要快得多，預測比人類可能更準確。

雖然每天建立的大量資料會掩蓋人類研究人員，但使用機器學習的人工智慧應用可以獲取這些資料，並迅速將其轉化為可操作的資訊。截至本文撰寫時，使用人工智慧的主要缺點，是處理人工智慧寫程式所需的大量資料的成本很高。

優勢

擅於注重細節的工作；
減少資料繁重任務的時間；
提供一致的結果；以及
人工智慧驅動的虛擬代理總是可用的。

缺點

昂貴；
需要深厚的技術專業知識；
構建人工智慧工具的合格工人供應有限；
只知道它顯示了什麼；以及
缺乏從一項任務到另一項任務的概括能力。

強人工智慧與弱人工智慧

人工智慧可以歸類為弱或強。

弱人工智慧，也稱為窄人工智慧，是一個為完成特定任務而設計和訓練的人工智慧系統。工業機器人和虛擬個人助理，如蘋果的 Siri，使用弱人工智慧。
強大的人工智慧，也被稱為人工一般智慧（AGI），描述了可以複製人類大腦認知能力的寫程式。當出現不熟悉的任務時，強大的人工智慧系統可以使用模糊邏輯，將知識從一個領域應用於另一個領域，並自主找到解決方案。理論上，一個強大的人工智慧程式應該能夠透過圖靈測試和中國房間測試。

人工智慧的4種類型是什麼？

密西根州立大學綜合生物學和電腦科學與工程助理教授 Arend Hintze，在 2016 年的一篇文章中解釋說，人工智慧可以分為四種類型，從今天廣泛使用的特定任務的智慧系統開始，再到尚未存在的有知覺系統。類型如下：

第1類：反應機器。這些人工智慧系統沒有記憶體，並且是特定任務的。一個例子是 Deep Blue，這是 20 世紀 90 年代擊敗 Garry Kasparov 的 IBM 國際象棋程式。深藍色可以辨識棋盤上的棋子，並做出預測，但由於它沒有記憶，它不能利用過去的經驗來告知未來的經驗。
第2類：記憶體有限。這些人工智慧系統有記憶體，因此它們可以利用過去的經驗為未來的決策提供資訊。自動駕駛汽車中的一些決策功能就是這樣設計的。
第3類：心靈理論。心靈理論是一個心理學術語。當應用於人工智慧時，這意味著該系統將擁有理解情感的社會智慧。這種型別的人工智慧將能夠推斷人類的意圖和預測行為，這是人工智慧系統成為人類團隊組成部分的必要技能。
第4類：自我意識。在這個類別中，人工智慧系統有一種自我意識，這給了他們意識。有自我意識的機器瞭解自己的當前狀態。這種型別的人工智慧還不存在

人工智慧技術的例子是什麼，今天如何使用？

人工智慧被納入各種不同類型的技術中。以下是六個例子：

自動化。當與人工智慧技術配對時，自動化工具可以擴充套件執行的任務的數量和類型。一個例子是機器人過程自動化（RPA），這是一種軟體，可以自動執行傳統上由人類完成的重複、基於規則的資料處理任務。當與機器學習和新興人工智慧工具相結合時，RPA 可以自動化更大比例的企業工作，使 RPA 的戰術機器人，能夠傳遞來自人工智慧並響應流程變化。

機器學習。這是讓電腦無需寫程式即可執行的科學。深度學習是機器學習的一個子集，用非常簡單的術語來說，可以被認為是預測分析的自動化。機器學習演算法有三種類型：

監督學習。資料集被標記，以便可以檢測到模式，並用於標記新資料集。

無監督學習。資料集沒有標籤，並根據相似或不同點進行排序。

強化學習。資料集沒有標記，但在執行一個操作或多個操作後，人工智慧系統會得到回饋。

機器視覺。這項技術使機器具有視覺能力。機器視覺使用攝影機、類比數位轉換和數位訊號處理捕獲和分析視覺資訊。它通常與人類視力相提並論，但機器視覺不受生物學的約束，例如，可以寫程式透過牆壁看。它用於從簽名辨識到醫學影像分析的一系列應用中。專注於基於機器的影像處理的電腦視覺通常與機器視覺混為一談。

自然語言處理（NLP）。這是透過電腦程式處理人類語言。NLP 的古老和最著名的例子之一是垃圾郵件檢測，它檢視電子郵件的主題行和文字，並決定它是否是垃圾。當前的 NLP 方法基於機器學習。NLP 任務包括文字翻譯、情感分析和語音辨識。

機器人。這個工程領域專注於機器人的設計和製造。機器人通常用於執行，人類難以執行或持續執行的任務。例如，機器人用於汽車生產的裝配線，或被美國太空總署用於在太空中移動大型物體。研究人員還在使用機器學習，來建構可以在社交環境中互動的機器人。

自動駕駛汽車。自動駕駛車輛結合了電腦視覺、影像辨識和深度學習，以建立駕駛車輛的自動化技能，同時停留在給定的車道上，並避免意外障礙物，如行人。

人工智慧的應用是什麼？

人工智慧已經進入了各種市場。這裡有九個例子。

醫療保健中的人工智慧。最大的賭注是改善患者預後和降低成本。公司正在應用機器學習來比人類做出更好、更快的診斷。最著名的醫療保健技術之一是 IBM Watson。它理解自然語言，並可以回答人們提出的問題。該系統挖掘患者資料和其他可用資料來源，以形成假設，然後以置信度評分模式呈現該假設。其他人工智慧應用，包括使用線上虛擬健康助理和聊天機器人，來幫助患者和醫療保健客戶找到醫療資訊，安排預約，瞭解計費流程並完成其他管理流程。一系列人工智慧技術也被用於預測、對抗和理解新冠肺炎等流行病。

商業中的人工智慧。機器學習演算法正在整合到分析和客戶關係管理（CRM）平台中，以發現有關如何更好地為客戶服務的資訊。聊天機器人已被納入網站，為客戶提供即時服務。職位自動化也已成為學者和 IT 分析師的談話點。

教育中的人工智慧。人工智慧可以自動分級，給教育工作者更多時間。它可以評估學生並適應他們的需求，幫助他們按照自己的節奏工作。人工智慧導師可以為學生提供額外的支援，確保他們保持正軌。它可能會改變學生學習的地方和方式，甚至可能取代一些老師。

金融領域的人工智慧。個人理財應用程式中的人工智慧，如 Intuit Mint 或 TurboTax，正在擾亂金融機構。像這樣的應用程式收集個人資料，並提供財務建議。其他程式，如 IBM Watson，已被應用於購買房屋的過程。今天，人工智慧軟體在華爾街進行大部分交易。

法律中的人工智慧。法律上的發現過程 —— 篩選檔案 —— 對人類來說往往是壓倒性的。使用人工智慧幫助自動化法律行業的勞動密集型流程，正在節省時間並改善客戶服務。律師事務所正在使用機器學習，來描述資料和預測結果，使用電腦視覺對文件進行分類和提取資訊，並使用自然語言處理來解釋資訊請求。

製造業中的人工智慧。製造業一直處於將機器人納入工作流程的最前沿。例如，曾經被寫程式為執行單一任務，並與人類工人分離的工業機器人，越來越多地作為協同機器人：與人類合作的小型多工機器人，並負責倉庫、工廠樓層和其他工作區的更多工作。

銀行業的人工智慧。銀行正在成功使用聊天機器人，讓客戶瞭解服務和產品，並處理不需要人工干預的交易。人工智慧虛擬助理，正被用來改善和降低遵守銀行法規的成本。銀行組織還在使用人工智慧來改善其貸款決策，並設定信貸限制和辨識投資機會。

運輸中的人工智慧。除了人工智慧在操作自動駕駛汽車方面的基本作用外，人工智慧技術還用於運輸，以管理交通，預測航班延誤，並使海運更安全、更高效。

安全。人工智慧和機器學習，是當今安全科技供應商用於區分其產品的流行語列表的首位。這些術語也代表了真正可行的技術。組織在安全資訊和事件管理（SIEM）軟體和相關領域，使用機器學習來檢測異常，並辨識顯示威脅的可疑活動。透過分析資料並使用邏輯來辨識，與已知惡意程式的相似之處，人工智慧可以比人類員工和以前的技術迭代，更快地提供針對新攻擊和新出現的攻擊的警報。成熟的技術在幫助組織抵禦網路攻擊方面發揮著重要作用。

增強智慧與人工智慧

一些行業專家認為，人工智慧一詞與流行文化聯絡得太密切，這導致公眾對人工智慧將如何改變工作場所和一般生活抱有不可能的期望。

增強智力。一些研究人員和營銷人員希望，具有更中性內涵的標籤增強智慧將幫助人們理解人工智慧的大多數實現將是薄弱的，只是改進產品和服務。案例包括自動在商業智慧報告中浮出重要資訊，或在法律檔案中突出顯示重要資訊。
人工智慧。真正的人工智慧，或人工一般智慧，與技術奇點的概念密切相關 —— 一個由人工超級智慧統治的未來，遠遠超過人類大腦理解它的能力或它如何塑造我們的現實。這仍然屬於科幻小說領域，儘管一些開發人員正在研究這個問題。許多人認為，量子計算等技術可以在使AGI成為現實方面發揮重要作用，我們應該保留AI一詞來表示這種一般智慧。

人工智慧的道德使用

雖然人工智慧工具為企業提供了一系列新功能，但人工智慧的使用也提出了道德問題，因為無論好壞，人工智慧系統都會加強它已經學到的東西。

這可能會有問題，因為支撐許多最先進的人工智慧工具的機器學習演算法，只與訓練中提供的資料一樣聰明。由於人類選擇用於訓練人工智慧程式的資料，機器學習偏差的可能性是固有的，必須密切監控。

任何希望將機器學習作為現實世界的一部分的人，生產中系統都需要將道德納入他們的人工智慧培訓流程，並努力避免偏見。當使用深度學習和生成對抗網路（GAN）應用程式中，固有無法解釋的人工智慧演算法時，情況尤其如此。

可解釋性是在嚴格監管合規要求下，營運的行業使用人工智慧的潛在絆腳石。例如，美國的金融機構根據要求他們解釋其發信用決定的法規運作。然而，當人工智慧寫程式做出拒絕信貸的決定時，可能很難解釋決定是如何做出的，因為用於做出此類決策的人工智慧工具透過挑逗數千個變數之間的微妙相關性來運作。當決策過程無法解釋時，該程式可以被稱為黑匣子人工智慧。

儘管存在潛在風險，但目前關於人工智慧工具使用的法規很少，如果確實存在法律，它們通常與人工智慧間接相關。例如，如前所述，美國公平貸款法規要求金融機構向潛在客戶解釋信貸決定。這限制了貸款人使用深度學習演算法的程度，就其本質而言，深度學習演算法是不透明的，缺乏可解釋性。

歐盟的《通用資料保護條例》（GDPR）嚴格限制了企業如何使用消費者資料，這阻礙了許多面向消費者的人工智慧應用程式的培訓和功能。

2016 年 10 月，國家科學技術委員會釋出了一份報告，審查了政府監管在人工智慧開發中可能發揮的潛在作用，但它沒有建議考慮具體立法。

制定監管人工智慧的法律並不容易，部分原因是人工智慧包括公司用於不同目的的各種技術，部分原因是監管可能以人工智慧進步和發展為代價。人工智慧技術的快速發展，是形成有意義的人工智慧監管的另一個障礙。技術突破和新穎的應用，可以使現有法律立即過時。例如，規範對話和錄製對話隱私的現行法律，並不涵蓋亞馬遜的 Alexa 和蘋果 Siri 等語音助理帶來的挑戰，這些助理收集但不分發對話 —— 除了使用對話來改進機器學習演算法的公司技術團隊。當然，政府為監管人工智慧而制訂的法律，並不能阻止犯罪分子出於惡意圖使用該技術。

認知運算和人工智慧

人工智慧和認知運算這兩個術語有時可以互換使用，但一般來說，人工智慧標籤用於指代透過模擬我們如何感知、學習、處理和反應環境中的資訊，來取代人類智力的機器。

標籤認知運算用於指代模仿和增強人類思維過程的產品和服務。

人工智慧的歷史是什麼？

賦予智慧的無生命物體的概念自古以來就一直存在。希臘神話中被描繪成用黃金鍛造機器人般的僕人。古埃及的工程師建造了由牧師動畫的神像。幾個世紀以來，從亞裡士多德到 13 世紀的西班牙神學家拉蒙·盧爾到勒內·笛卡爾和託馬斯·貝葉斯的思想家，使用他們那個時代的工具和邏輯將人類的思維過程描述為符號，為廣義表示等人工智慧概念奠定了基礎。

19 世紀末和 20 世紀上半葉，產生了現代計算機的基礎工作。1836 年，劍橋大學數學家查爾斯·巴貝奇，和洛夫萊斯伯爵夫人奧古斯塔·艾達·拜倫，發明了第一台可寫程式機器的設計。

20 世紀 40 年代。普林斯頓數學家約翰·馮·諾伊曼構思了儲存程式電腦的架構——即電腦的程式及其處理的資料可以儲存在電腦的記憶體中。Warren McCulloch 和 Walter Pitts 為神經網路奠定了基礎。

20 世紀 50 年代。隨著現代電腦的出現，科學家可以測試他們對機器智慧的想法。英國數學家兼二戰密碼破譯者艾倫·圖靈，設計了一種確定電腦是否具有智慧的方法。圖靈測試的重點是電腦是否能夠愚弄審訊者，讓他們相信其問題的回答是由人類做出的。

1956年。現代人工智慧領域被廣泛認為，從今年達特茅斯學院的夏季會議上開始。會議由國防高階研究專案局（DARPA）贊助，該領域的 10 位知名人士出席了會議，包括人工智慧先驅馬文·明斯基、奧利弗·塞爾弗裡奇和約翰·麥卡錫，他們創造了人工智慧一詞。電腦科學家 Allen Newell 和 Herbert A 也出席了會議。Simon 是一位經濟學家、政治學家和認知心理學家，他介紹了他們開創性的邏輯理論家，這是一個能夠證明某些數學定理的電腦程式，被稱為第一個人工智慧程式。

20 世紀 50 年代和 60 年代。 在達特茅斯學院會議之後，剛剛起步的人工智慧領域的主管人預測，相當於人類大腦的人為智慧即將到來，吸引了政府和行業的主要支援。事實上，近 20 年資金充足的基礎研究在人工智慧方面取得了重大進展：例如，在 20 世紀 50 年代末，Newell 和 Simon 釋出了通用問題解決器（GPS）演算法，該演算法未能解決複雜的問題，但為開發更複雜的認知架構奠定了基礎；McCarthy 開發了 Lisp，一種人工智慧寫程式的語言，至今仍在使用。 20 世紀 60 年代中期，麻省理工學院教授 Joseph Weizenbaum 開發了 ELIZA，這是一個早期的自然語言處理程式，為今天的聊天機器人奠定了基礎。

20 世紀 70 年代和 80 年代。 但事實證明，人工通用智慧的成就難以捉摸，而不是迫在眉睫，這受到電腦處理和記憶體的限制，以及問題的複雜性的阻礙。政府和公司放棄了對人工智慧研究的支援，導致了 1974 年至 1980 年的休耕期，被稱為第一個「人工智慧冬季」。20 世紀 80 年代，對深度學習技術和行業採用 Edward Feigenbaum 的專家系統，引發了新一輪人工智慧熱情，但隨後政府資金和行業支援再次崩潰。第二個人工智慧冬天，一直持續到 20 世紀 90 年代中期。

20 世紀 90 年代到今天。運算能力的提高和資料的爆炸，引發了 20 世紀 90 年代末的人工智慧復興，這種復興至今仍在繼續。對人工智慧的最新關注在自然語言處理、電腦視覺、機器人學、機器學習、深度學習等方面帶來了突破。此外，人工智慧正變得越來越有形，為汽車提供動力，診斷疾病並鞏固其在流行文化中的作用。1997 年，IBM 的 Deep Blue 擊敗了俄羅斯國際象棋特級大級大手 Garry Kasparov，成為第一個擊敗世界象棋冠軍的電腦程式。十四年後，IBM 的沃森在遊戲節目《危險！》中擊敗了兩名前冠軍，吸引了公眾。最近，谷歌 DeepMind 的 AlphaGo 對 18 屆世界圍棋冠軍 Lee Sedol 的歷史性失敗震驚了圍棋社群，標誌著智慧機器發展的一個重要里程碑。

人工智慧作為一項服務

由於人工智慧的硬體、軟體和人員成本可能很昂貴，許多供應商將人工智慧元件納入其標準產品或提供人工智慧即服務（AIaaS）平台。AIaaS 允許個人和公司為各種業務目的嘗試人工智慧，並在做出承諾之前對多個平台進行抽樣。

流行的人工智慧雲產品包括以下內容：