指数
人工智能是近年来越来越受到关注的一个术语，而不是因为更少。 这是一项彻底改变我们与周围世界互动方式的技术。
但是毕竟 什么是人工智能？ 在这篇特别的文章中，我们将探讨这个概念、它的应用、挑战和未来的前景。 跟随并了解人工智能如何改变我们生活的世界。
在 Showmetech 频道观看视频：
什么是人工智能？
A 人工智能 也以缩写词闻名 IA，葡萄牙语，或 AI，英文，代表当今计算机科学中最迷人的领域之一。
这项技术允许计算机或机器模仿人类智能。
人工智能基于科学家创建的模型和算法，旨在像人脑一样工作。 他们能够识别信息，在信息之间建立联系，甚至几乎总是能够预测该案例的最正确答案。
近年来，人工智能出现了多种概念和定义，但 约翰·麦卡锡，著名计算机科学家，在 文章，定义AI为 “创造智能机器，尤其是智能软件的科学与工程。 它与使用计算机理解人类智能的类似任务相关，但人工智能不需要将自己局限于生物学上可观察的方法。“。
这位科学家表示，虽然我们将人类智能视为成功的标准，但我们不应该限制人工智能来适应我们的思维方式。
人工智能的研究并不新鲜（始于 1950 年），但由于当前的 3 个因素，它现在才以“革命性”的地位实现了这一潜力：
首先是开发具有巨大处理能力的计算机或数据中心，足以处理复杂的人工智能模型。
第二个因素是访问互联网本身提供的大量数据。 这些虽然是“原始的”，即不一定是经过组织和分类的，但却是人工智能学习正确分类对象并对所问问题给出正确答案的基础。
第三个涉及数据模型，它是我们想要分析或使用的信息的有效且准确的表示。 它们的建立是为了帮助人工智能更好地理解他们被告知的内容。
这样，我们就得到了今天所看到的：人工智能可以回答任何主题的问题、创建工作演示、全新的图像，甚至是带有真实歌手声音的歌曲。
例如，如果我们询问 GPT-聊天一个能够像真人一样理解并回答问题的AI系统，什么是人工智能，我们可以得到以下答案：
人工智能 (AI) 是计算机科学的一个领域，专注于开发能够执行通常需要人类智能才能完成的任务的系统和机器。 人工智能旨在创建能够自主感知、推理、学习和做出决策的程序和算法。
GPT-聊天
这些程序或算法也存在于我们使用的电子产品中，例如自动驾驶汽车、机器人吸尘器，当然还有智能手机为您提供的最多样化的功能。
但是，为了让我们了解人工智能是如何发展而来的，是时候谈谈历史了。
人工智能史
自古就有无生命物体具有智慧的思想。 智能机器人和人造人的想法最早出现在 神话 古希腊的。 神 赫菲斯托斯例如，被描述为创造类似机器人的黄金仆人。 在古埃及，工程师们建造了据说是由祭司动画的雕像。
几个世纪以来，思想家如 亚里士多德、拉蒙·鲁尔、勒内·笛卡尔 e 托马斯·贝叶斯 使用当时的工具和逻辑描述了人类的思维过程，为代表常识等人工智能概念奠定了基础。
在 1836 世纪末和 XNUMX 世纪上半叶，出现了催生现代计算机的基础工作。 XNUMX年，数学家 剑桥大学, 查尔斯·巴贝奇 e 奥古斯塔·艾达·金，以 洛夫莱斯伯爵夫人，创建了第一个可编程机器设计。
虽然根源很古老，但我们今天所知道的人工智能的历史还不到一个世纪。 下面，我们简要介绍其历史上一些最重要的事件。
1940 年代：
- 在1943， 沃伦麦卡洛 e 沃尔特·皮茨 发表文章神经活动中内在观念的逻辑计算=，它提出了第一个建立神经网络的数学模型。
- 1949年，在他的著作《行为的组织：神经心理学理论“ 唐纳德赫伯 提出了这样一种理论，即神经通路是根据经验创建的，并且神经元之间的联系会随着使用频率的提高而增强。 学习 赫布语 仍然是 AI 中的重要模型。
1950 年代：
1950年，数学家 阿兰·图灵，考虑到 计算机科学之父，写了一篇文章来回答这个问题 “机器能思考吗？，询问是否有可能创造一台智能机器。 他还发明了一种测试，看看计算机是否可以模仿人类行为。 有名的 图灵测试.
1950 年，科幻作家 艾萨克·阿西莫夫，出版了书《我偷”，质疑机器人的智能程度以及它们应该遵守哪些规则。 在这里，他还创造了他著名的“机器人技术的 3 条定律”， 今天仍然被用来理解机器人应该如何行动而不会对人类造成伤害。
然后，在 1956 年， 约翰·麦卡锡 在美国第一届专门讨论人工智能的会议上创造了“人工智能”一词，同年，第一个人工智能程序诞生了 逻辑理论家，他成功地进行了一种“自动推理”。
这十年的其他重要事实包括：
- 1950年，学生来自 哈佛，马文·明斯基 e 院长埃德蒙兹 建立 纳克，第一台神经网络计算机。
- 在1950， 克劳德香农 发表文章编程计算机下棋“。
- 在1952， 亚瑟·塞缪尔（Arthur Samuel） 开发了一个自学程序来玩西洋跳棋。
- 1954年，俄语到英语的机器翻译实验 乔治敦-IBM 自动将 60 个精心挑选的俄语短语翻译成英语。
- 在1957， 弗兰克·罗森布拉特 发明 感知器 没有 康奈尔航空实验室，第一个人工神经网络。
- 在1957， 艾伦·纽厄尔，赫伯特·西蒙 e 萧伯纳 开发 通用问题解决器 (GPS)，一个旨在模仿人类解决问题的程序。
- 在1958， 约翰·麦卡锡 开发人工智能编程语言 口齿不清 并发表“具有常识的程序”，一篇提出假设的文章 忠告者，一个完整的人工智能系统，能够像人类一样有效地从经验中学习。
- 在1959， 赫伯特·格伦特 开发程序 几何定理提供者。 该程序可以自动证明几何定理。
- 在1959， 亚瑟·塞缪尔（Arthur Samuel） 创造术语“机器学习“（机器学习) 在 IBM 工作期间。
- 在1959， 约翰·麦卡锡 e 马文明斯基 找到了 人工智能项目 do 麻省理工学院简介.
1960 年代：
在 60 年代， 神经网络 确实进入了地图。 它们是模仿人脑神经元功能的系统，允许机器像我们一样以试错的方式“学习”。 我们将在稍后的机器学习章节中详细了解。
- 在1962， 约翰·麦卡锡 开始 人工智能实验室 em 斯坦福大学.
- 在1966， 约瑟夫·魏岑鲍姆 创造 ELIZA， 首先 软件 用于模拟麻省理工学院人工智能实验室的对话（Chatbot）。
- 1966 年的报告 自动语言处理咨询委员会 (ALPAC)，来自美国政府，详细介绍了机器翻译研究缺乏进展的情况。 一个伟大的创举 冷战 承诺自动和即时翻译俄语。
1970 年代：
在 1970 世纪 XNUMX 年代，编程语言 序言 已创建并报告 灯山 英国政府发布的这份报告详细描述了人工智能研究的令人失望并导致项目资金大幅削减。 这一时期被称为“AI的第一个冬天“。
- 1970年，第一个成功的专家系统， 树枝状 e 霉素, 创建于 斯坦福大学。 专家系统是旨在模拟专业专家在某些特定知识领域的推理的软件，在这种情况下，可以帮助医生诊断和治疗传染病。
- 1972年，编程语言 序言 由创建 阿兰科尔默劳尔 及其联营公司 马赛大学。 该语言诞生于一个项目，该项目并不专注于编程语言的实现，而是专注于自然语言的处理。
- 1973 年，在 早稻田大学，在日本，建造了 瓦博特-1，被认为是第一个拟人化机器人。 在其资源中，移动其成员、查看和交谈的能力脱颖而出。
- 在1978的 数字设备公司 开发了 R1 （也称为 XCON), 第一个成功的交易专家系统。 R1 旨在为新计算机系统配置订单，开启了对专家系统的投资热潮，这种热潮将持续十年的大部分时间。
- 1974 年至 1980 年间，对 AI 发展进展的失望导致来自 AI 的学术资助大幅削减 DARPA. 结合报告 阿尔帕克 和报告 灯山 与前一年相比，人工智能的资金枯竭，研究停滞不前。
1980 年代：
1980 世纪 XNUMX 年代，出现了新的专家系统和编程语言等技术。 口齿不清，并且正在对 AI 进行大量投资。 这一时期被称为“专家系统的繁荣” 并标志着结束 AI的第一个冬天.
还是在那个十年，1986年，现在所认为的 “人工智能之父“ 杰弗里·埃弗勒斯·欣顿，开发了能够以更复杂的方式训练神经网络的算法，甚至不需要研究人员自己的帮助，今天被称为 深度学习 或深度机器学习。 没错，人工智能在这里开始自我学习，只需要研究人员提供数据让它们“学习”！
其他重要事实包括：
- 1982 年，日本启动了雄心勃勃的计划 第五代计算系统, FGCS. 的目的 FGCS 是开发类似超级计算机的性能和人工智能开发的平台。
- 1983年，为了响应 FGCS 日本、美国政府启动 战略计算计划 提供资金 DARPA 用于人工智能和信息技术的研究。
- 1985 年，公司每年在专家系统和整个称为机器市场的行业上花费超过 XNUMX 亿美元。 口齿不清 来支持他们。 公司喜欢 范符号 e Lisp 机器公司 建造专门的计算机来运行人工智能编程语言 口齿不清.
- 在1986， 欣顿，鲁梅尔哈特 e 威廉姆斯 发布“通过错误反向传播学习表征”，允许开发更深层次的神经网络。
- 1987年至1993年间，随着计算技术的进步，更便宜的替代品出现，机器市场 口齿不清 1987 年倒塌，开创了 “AI的第二个冬天=. 在此期间，事实证明专家系统的维护和更新成本太高，最终失宠。
1990 年代：
在 1990 年代，网络变得广泛可用，允许收集和访问大量数据以训练 AI 模型。 此外，人们对神经网络和机器学习的兴趣也重新燃起。
- 1991年，美军部署 DART，一种在海湾战争期间的自动化物流计划和调度工具。
- 1992年日本完成项目 FGCS，引用未能实现十年前设定的雄心勃勃的目标。
- 在1993的 DARPA 结束 战略计算计划，在花费了近 1 亿美元并且远未达到预期之后。
- Em 1997, o 深蓝色 da IBM 世界象棋冠军获胜 加里卡斯帕罗夫.
- 1999年，电影 矩阵 发布，进一步普及人工智能的理念及其对社会的影响。
2000 年代至今：
从 2000 年代开始，人工智能越来越多地出现在我们的日常生活中，从虚拟助手到语音和图像识别系统，以及自动驾驶汽车和其他技术。 深度神经网络、自然语言处理（NLP）和强化学习等新技术得到开发和改进。
2018 年中，人工智能继续快速发展，第一个“伟大的语言模型”或 法学硕士，英文缩写，是能够解释大量文本以生成适当响应的神经网络。 这正是我们今天所看到的 聊天GTP，2022 年推出的人工智能，可响应用户的问题和命令。
查看最新事实：
- 在2002的 iRobot公司 扔 伦巴，第一款量产的机器人真空吸尘器，配备人工智能导航系统。
- 2005年，自动驾驶汽车 STANLEY 赢得 DARPA 大挑战.
- 2005年，美国军队开始投资自主机器人，如“大狗“从 波士顿动力 这是“包装机器人“从 iRobot公司.
- Em 2008, o Google 推进语音识别技术并将功能引入您的应用程序以 iPhone.
- 在2010的 Apple 扔 Siri，一个人工智能驱动的虚拟助手，通过 iOS 操作系统。
- Em 2011, o 沃森 da IBM 在节目中轻松击败对手 危险！.
- 在2012， Andrew Ng, 项目创始人 谷歌大脑深度学习，使用深度学习算法为神经网络提供 10 万个来自 YouTube 作为训练集。 神经网络在没有被告知猫是什么的情况下学会了识别猫，开创了神经网络进步和深度学习资助的时代。
- Em 2012, o Google 制造出第一辆通过国家驾驶考试的自动驾驶汽车。
- 在2014的 Alexa的 da Amazon推出智能家居虚拟家电。
- 2015年，首届“机器人公民”，一个名为 索菲亚, 由 汉森机器人 并具有面部识别、语言交流和面部表情的能力。
- Em 2016, o AlphaGo do 谷歌深度思维 击败世界围棋冠军， 李世石. 中国古代游戏的复杂性被视为人工智能的主要障碍。
- Em 2018, o Google 推出自然语言处理引擎 BERT，减少机器学习应用程序在翻译和理解方面的障碍。
- 在2018的 Waymo 启动你的服务 Waymo One，允许大凤凰城的用户请求从该公司的一辆自动驾驶汽车上取车。
- 在2020的 百度 推出其人工智能算法 线性折叠 适用于在 SARS-CoV-2 大流行早期阶段从事疫苗开发的科学和医疗团队。 该算法仅需 27 秒即可预测出病毒的 RNA 序列，比其他方法快 120 倍。
- 在2020的 OpenAI 启动自然语言处理模型 GPT-3，能够生成模仿人们说话和写作方式的文本。
- Em 2020, o 阿尔法折叠2 da DeepMind 解决了蛋白质折叠问题，为新药发现和医学进步铺平了道路。
- 在2021的 OpenAI 开发了 DALL-E， 基于 GPT-3，能够根据文本提示创建图像。
- Em 2021, o 美国国家标准技术研究院 推出他的初稿 人工智能风险管理框架，来自美国的志愿者导游“更好地管理与人工智能相关的个人、组织和社会的风险“。
- 在2022的 DeepMind 呈现 猫，一个经过训练可以执行数百项任务的人工智能系统，包括玩游戏 雅达利，标题图像，并使用机械臂堆叠块。
- Em 2022, o Google 解雇工程师 布莱克·勒莫因 为您 肯定 什么或 Google 的对话应用程序语言模型 (LaMDA) 是有意识的。
- 在2023的 Microsoft 推出 AI 版本 兵，您的搜索引擎，建立在为 ChatGPT.
- Em 2023, o Google 宣布 诗人，一个并发对话式人工智能。
- 2023年艺人集体诉讼 稳定人工智能, deviantART的 e 中途 供您使用 稳定扩散 重新混合数百万艺术家的版权作品。
- 在2023的 OpenAI 扔 GPT-4，它迄今为止最复杂的语言模型。
好了，随着历史的发展，现在我们将了解人工智能的类型是如何分类的。
人工智能有哪些类型？
一般来说，科学家通常将人工智能分为5种主要类型，每一种都在接近甚至超越人类思维的阶梯上迈出一步：
反应式人工智能
第一种类型是 反应式人工智能，他们没有记忆，也不会从过去的错误或经验中吸取教训。
反应式机器的一个常见示例是编程为在生产线上制造汽车零件的机器人。 该机器人配备了传感器，可以检测其工作区域中是否存在零件和机器。 它被编程为执行特定任务，例如焊接和切割，以响应其传感器检测到的刺激。
有限内存 AI
第二种类型是 有限内存 AI，他们从错误或过去的经验中学习来做出决定。 内存有限的机器可以存储过去的数据和预测以做出实时决策。 它们比反应式机器更复杂，并提供更多可能性。
这是私人助理，例如 Google, Alexa的 和 Siri 甚至手机上的特殊功能，例如识别对象以增强视频或照片中的效果。
人工智能 反应性 和去 内存有限，也分类为 有限的人工智能，或缩写词 的ANI， 用英语。 他们被普遍称为 “可怜的人工智能” 它们涵盖了当今世界上所有的人工智能。
心智理论人工智能
第三种类型称为 心智理论人工智能，智能系统可以以人类可以理解的方式理解和解释他们的决策。 也就是说，人工智能理解并识别与之互动的人，了解他们的需求、情感和信仰。
这种类型的人工智能尚未被发明，但很可能很快我们就会看到类似的东西，但作为一个虚构的例子，在电影“银翼杀手2049”，其中一个角色是可以理解甚至感受人类情感的人工智能。
自我意识人工智能
第四种，也是最先进的一种 自我意识人工智能。 在这一类别中，人工智能开始意识到自己、它的需求，甚至它的情感。 被分类为 通用人工智能，或缩写词 德盛，英语中也称为“强人工智能“。
具有自我意识的人工智能可以了解自己和周围的世界，并且拥有自己的身份。 自我意识被认为是人工智能的最终目标，但它也被视为一种伦理和哲学挑战，因为它提出了关于意识和身份本质的问题。
关于意识最著名的理论之一是 综合信息论（IIT）, 由神经科学家提出 朱利奥·托诺尼 2004 年。 IIT 表明当一个系统可以整合来自不同来源的信息并创建统一的意识状态时，意识就会产生。 根据这个想法，意识不仅取决于系统的复杂性，还取决于收集信息和创建个人意识状态的能力。
这种类型也还没有被发明出来，但估计在不久的将来我们就会越来越接近看到“有自我意识的人工智能”，像人类一样思考和行动。
作为一个虚构的例子，在电影“前Machina”，一个叫做 艾娃 被设计成具有自我学习和发展自己个性的能力，提出了关于人类意味着什么以及人工智能在社会中的作用的问题。
超级人工智能
但是，还有第五个阶段，称为 超级人工智能 ou 人工超级智能，或缩写词 ASI，英文也称为“超强AI“。
当它到达的那一刻已经有了一个名字： 奇点。 它将代表科学进化的一个里程碑，计算机将拥有超人的智能，即超越我们的推理能力。
在这里，未来既令人印象深刻又令人担忧，因为这些人工智能可能会帮助我们治愈疾病并推动技术进步，但它们也可能决定不再需要人类或应该将人类视为低等人。
类似于电影《终结者》中人工智能决定消灭我们的情况，或者《黑客帝国》中发生的故事，讲述人工智能如何统治人类并将他们变成机器的“电池”。
从那时起，人工智能就会变得无法控制。 多么恐惧，对吧？
深度学习与机器学习
Machine Learning（机器学习） e 深度学习（深度学习） 是人工智能中的两项基本技术，允许机器自动从数据中学习并随着时间的推移提高其性能。
这两种技术都已广泛应用于各种行业，包括金融、医疗保健、交通、零售等。 然而，尽管它们很受欢迎，但许多人仍然对这两种技术之间的差异以及它们如何应用于不同场景存在疑问。
什么是机器学习？
O 机器学习 是一种人工智能方法，专注于教机器从数据中学习而无需明确编程。 相反，算法 机器学习 使用统计技术来识别数据集中的模式，并根据这些模式做出预测或决策。
当我们看看用于教导内存有限的机器的六个步骤时，就更容易理解了：
- 整理数据来教导机器（训练数据）；
- 创建一个模型供机器学习；
- 检查模型是否可以做出预测；
- 检查模型是否可以接收来自人或环境的反馈（意见）；
- 将此反馈保存为数据；
- 多次重复这一切以提高机器性能。
使用这些步骤，有四种主要方法可以教会机器从数据中学习：
- 监督学习： 这是我们借助许多示例教机器识别信息的时候。 这就像教狗识别球一样。 我们展示了很多球并说“这是一个球”。 同样，为了教机器识别马的图像，我们展示了许多我们已经知道是马的图像。 因此，机器可以自行学习识别其他图像中的马。
- A无人看管的被困者： 那时我们教机器寻找数据中的模式，而不需要有人告诉我们每条数据是什么。 这就像将对象组织成组，而没有人告诉您哪些对象放在一起。 机器自行学习寻找对象之间的相似性，并根据这些相似性对它们进行分组。 这对于查找数据中的模式并描述它们非常有用。
- 半监督学习： 它是前两种类型的混合体。 有些信息是被教授的，但机器必须自己弄清楚如何组织信息以获得正确的结果。 这就像教一只狗只接住红球，但他必须自己弄清楚如何做到这一点。
- 强化学习： 就是我们通过反复试验教机器做某事。 机器执行一项任务，做得好的时候会收到积极的反馈，做得不好的时候会收到负面的反馈。 这就像教狗捡起玩具一样。 如果他选对了玩具，他就会得到奖励。 如果你选错了，你将一无所获。
什么是深度学习？
O 深度学习 (深度学习，免费翻译）是一种机器学习技术，使用 人工神经网络 从数据中学习。
神经网络是人工神经元的集合，称为 感知器，用于分析和分类数据。 它们的工作原理就像一台小型计算机，接收信息并进行计算。 数据被馈送到网络的第一层，其中每个感知器接收计算结果，然后将该信息传输到下一层中的其他几个感知器。
当神经网络超过三层时，它被称为“深度神经网络”或深度学习。 一些现代神经网络有数百甚至数千层。 最终感知器的输出执行为神经网络定义的任务，例如对对象进行分类或查找数据中的模式。
当使用多个示例训练神经网络时，它可以学习识别模式并执行复杂的任务，例如语音识别、图像识别和自然语言处理 (NLP)。
人工神经网络有不同类型，每种类型都用于特定任务。 一些最常见的是：
As 前馈 (FF) 网络 用于对事物进行分类，例如图像或文本。 数据经过多层，直到得出最终答案。 FF 通常与一种称为“反向传播”的纠错算法相结合，该算法利用结果向后重新构建网络以提高准确性。
As 递归神经网络 (RNN) 用于根据数据序列预测事物，例如文本中的单词。 它们对前一层发生的事情有“记忆”，并用于语音识别、翻译和字幕。
As 长期记忆网络 (LSTM) 是一种特殊的 RNN，可以记住前几层的内容。 它们用于根据过去的数据预测事物，例如语音识别。
As 卷积神经网络 (CNN) 主要用于图像处理。 他们寻找图像的不同部分并将它们组合起来以获得结果。
As 生成对抗网络（GAN） 用于创建逼真的图像，甚至进行艺术创作。 它们的工作方式就像一个游戏，其中一个网络创建示例，另一个网络试图证明它们是真是假。
机器学习和深度学习有什么区别？
之间的主要区别 机器学习 e 深度学习 是每个人都更擅长处理不同类型的数据。 欧 机器学习 对于销售预测和欺诈检测等结构化数据很有用，而 深度学习 它最适合复杂的非结构化数据，例如图像和音频。
另一个重要的区别是训练模型所需的数据量。 欧 深度学习 通常需要大型数据集才能有效，而 机器学习 它可能适用于较小的数据集。
最后，训练一个模型 深度学习 比训练模型更复杂、更耗时 机器学习，但可以在复杂任务上带来更准确的预测和更好的性能。
生成模型的进步
人工智能近年来发展迅速，其中一个突出的领域是人工智能的进步。 生成模型。 它们是当前用于生成新信息的人工智能类别。
他们可以根据一组训练数据创建图像、全文、音乐甚至视频。 它们的算法是 深度学习 可以学习生成新信息并与模型区分开来 歧视性的，仅用于排序或标记数据。
例如，您可以训练生成模型来读取来自 维基百科上的数据 然后使用该信息根据特定请求生成新文本。 另一个例子是用以下作品训练生成模型 伦勃朗 然后用它来创作新的艺术品
例如，想象一下您想要创作一首新歌曲，但您不知道如何演奏任何乐器。 您可以使用生成音乐制作器模板，例如 音乐LM do Google 并向他解释你需要什么样的歌曲或节奏，他将为你生成一首全新的歌曲。
生成文本或者图像，过程是一样的，只要找一个专门的模型即可，比如 兵 与人工智能 Microsoft，对于文本和答案，或者 中途，对于图片，请写信给他们您需要的内容。
这种向人工智能写入命令或请求的行为甚至被称为“提示“。
最不可思议的是，您所要做的就是写下您的要求或 提示 以系统理解的自然语言以及任何语言。
例如，您可以描述为 中途y，人工智能可以生成类似这样的图像：“想象一个骑滑板的女孩的逼真图像”，或者询问 ChatGPT “写一个关于青蛙和公主的有趣故事”。 结果差不多 魔术.
综上所述，生成生成模型是人工智能的一个有前景的领域，已经在不同领域得到广泛应用。 A 趋势 这些模型变得越来越准确和高效，为人工智能的新时代打开了大门。
我们在哪里可以找到人工智能？
人工智能存在于许多领域和部门，改变了我们执行任务和与技术交互的方式。 以下是我们可以找到人工智能的一些示例：
- 语音识别：语音识别技术用于移动设备，例如虚拟助手，例如 Siri，以执行语音搜索并在文本消息中提供辅助功能。
- 客户服务：虚拟代理在客户服务中越来越普遍，可以回答常见问题，提供个性化建议，并协助交叉销售产品。 示例包括电子商务网站上的聊天机器人和消息传递应用程序，例如 Facebook Messenger e WhatsApp.
- 计算机视觉：计算机视觉允许系统和计算机分析视觉信息，例如图像和视频，以采取行动。 应用包括社交媒体上的照片标记、医学成像诊断和自动驾驶汽车。
- 推荐系统：人工智能算法用于推荐系统，以识别行为模式并提供个性化建议。 这在结账过程中制定产品推荐的在线商店中很常见。
- 自动股票交易：基于人工智能的高频交易平台每天执行数千甚至数百万笔交易，无需人工干预，优化股票投资组合。
- 机器人：机器人技术使用 AI 来设计和制造能够执行困难或重复性任务的机器人。 这些机器人用于工业生产线、太空探索和社交互动。
- 自动驾驶汽车：计算机视觉、图像识别和深度学习的结合对于自动驾驶汽车的发展至关重要，自动驾驶汽车可以通过保持在特定车道行驶并避开意想不到的障碍物来行驶。
- 文本、图像和音频生成：生成式 AI 技术用于根据文本提示创建不同类型的媒体。 这包括逼真的艺术作品、电子邮件回复和脚本。
除了这些示例之外，AI 还存在于多个行业和市场中，包括：
- saúde：人工智能正在应用于医疗保健领域，以改善患者的治疗效果并降低成本。 机器学习算法用于更快、更准确的医学诊断。 此外，虚拟助手和聊天机器人还用于帮助患者查找医疗信息、安排预约和协助管理流程。
- 商业：人工智能正被整合到分析和客户关系管理 (CRM) 平台中，以改善服务。 聊天机器人内置于网站中以提供即时支持，生成式人工智能技术如 ChatGPT, 正在彻底改变产品设计和商业模式。
- 教育：人工智能可以自动评估和适应学生的需求，让他们按照自己的节奏学习。 AI Tutors 提供额外的支持，可以帮助教育工作者创建教材。 但是，那 人工智能在教育中的应用 它还需要反思剽窃政策和学生职责。
- 财政：个人理财应用程序，例如 直觉薄荷 或 TurboTax的，使用人工智能提供个性化的财务建议。 此外，人工智能存在于华尔街和 财务分析.
- 她：人工智能正被用于自动化法律领域的劳动密集型流程，例如分析文件和解释信息请求。
- 制造业：工业机器人正在融入工作流程，与人类一起工作。 人工智能用于提高制造过程的效率和准确性。 此外，人工智能还应用于预测性维护，使公司能够在机器故障发生之前识别并解决问题。
- 娱乐和媒体：人工智能在娱乐行业中的应用，包括定向广告、内容推荐、剧本创作和电影制作。 自动化新闻有助于简化工作流程并减少时间和成本。 然而，关于在新闻内容生成中可靠地使用生成式 AI 的问题仍然存在讨论。
- 软件编码和 IT 流程：生成式 AI 工具用于根据自然语言提示生成应用程序代码。 此外，AI 正在自动化 IT 流程，例如数据输入、欺诈检测和安全性。
- 安全：人工智能正被应用于网络安全，以进行异常检测、故障排除和威胁分析。 人工智能用于安全信息和事件管理软件 （SIEM） 识别可疑活动。
- 运输：人工智能在交通运输行业发挥着关键作用，尤其是在自动驾驶汽车的发展中。 此外，人工智能还用于优化运输路线、管理交通和改善物流。
- 农业：人工智能正以多种方式应用于农业，从优化水和肥料等资源的使用，到早期发现植物疾病。 无人机电调 配备人工智能技术的机器人可用于监测作物、识别问题区域并协助农业规划。
- 个人协助：虚拟助手，例如 Siri da Apple，以 Alexa的 da Amazon Ø 谷歌助理, 是人工智能如何出现在我们日常生活中的例子。 这些助手使用人工智能技术来理解语音命令、执行任务、提供信息，甚至进行对话。
- 人力资源：人工智能算法可用于分析简历，选择合格的候选人并预测员工绩效。 此外，人工智能聊天机器人可用于回答员工的常见问题，并协助培训和专业发展。
- 零售：在零售领域，人工智能被应用于改善客户体验、个性化产品推荐、管理库存和优化定价策略。 人工智能算法可以分析客户的购买行为，识别模式并提供个性化建议，有助于提高销售额和客户忠诚度。
- 军事部门：人工智能在军事领域发挥着重要作用，被应用于多个领域。 例如，基于人工智能的监控系统可用于监控边界、识别威胁和协助战略决策。 此外，人工智能还被用于自主军用无人机的开发，可以精确执行侦察和攻击任务。
这些只是可以找到人工智能的几个例子。 随着科技的不断进步，人工智能很可能会应用于更多的行业，对我们的生活产生更大的影响。
人工智能会抢走你的工作吗？
自动化和人工智能一直是职场的热门话题，很多人担心自己的工作会被机器抢走。 然而，这种担忧并不完全正确。
根据一个 研究 由 高盛 到 2023 年 XNUMX 月底，人工智能对经济的影响越来越大。 研究表明，如果生成式 AI 兑现其承诺，市场可能会面临重大变化， 影响 约 300 亿个工作岗位。
然而，需要强调的是，这并不一定意味着用技术取代这些工作。 报告指出，从历史上看，自动化已经被新工作机会的创造所抵消。
目前，人工智能补充了大约 63% 的现有工作岗位，尤其是在客户服务领域。 厨师和摩托车机械师等职业目前没有面临更换的威胁。
自动化改变就业市场是事实，但只有一部分工作将完全自动化，据称 搜索 da 麦肯锡公司. 这意味着人类拥有比以往任何时候都更高的生产力的巨大潜力。
基于这些信息，我们可以得出结论，尽管人工智能在全球范围内似乎对工作岗位构成威胁，但它仍然依赖于人类监督，没有足够的自主权来独立存在。 因此，对于那些有兴趣在这个不断发展的领域工作的人来说，将会有广泛的就业机会。
在下面的列表中，我们介绍了人工智能对劳动力市场的影响所产生的职业。 这些职业中的每一个都在人工智能的实施、发展和伦理方面发挥着重要作用，展示了这项技术在现代社会多个领域的潜力和重要性。
- 人工智能审核员：评估和验证人工智能系统是否符合道德标准、法规和最佳实践。
- 机器管理员：负责监督和维护与人工智能相关的系统和硬件基础设施的正常运行。
- 提示工程师：开发和改进人工智能使用的文本生成模型，确保连贯和充分的响应。
- 人工智能训练师：负责训练和改进 AI 模型，为它们提供相关数据并监督它们的性能。
- 人工智能顾问：就人工智能在不同部门和组织中的应用和实施提供指导和专家建议。
- 数据科学家：分析和解释大型数据集以提取见解并做出战略决策。
- 机器学习工程师：开发和实施机器学习算法和模型以创建智能系统。
- 人工智能伦理专家：评估人工智能的伦理影响并确保负责任地使用这些技术。
- 人工智能架构师：设计和构建人工智能系统架构以满足业务需求。
- 自然语言处理分析师：开发允许机器理解和处理人类语言的算法。
- 机器人专家：设计和编程能够在不同行业执行复杂任务的智能机器人。
- 医疗人工智能专家: 使用人工智能算法辅助医学诊断、治疗和临床研究。
- 人工智能金融专家：应用人工智能算法进行市场分析、财务预测和欺诈检测。
- 人工智能用户交互设计师：为人工智能系统设计直观的界面和人机交互。
- 计算机视觉专家：为机器开发算法和系统以理解和解释图像和视频。
- 数据工程师：设计和管理收集、存储和处理大量数据所需的基础设施。
- 聊天机器人专家：创建能够与用户互动并提供支持或帮助的智能聊天机器人。
- 机器学习工程师：开发机器学习算法，使机器能够根据数据进行学习和改进。
- 人工智能物流专家：使用人工智能优化和自动化物流流程，例如库存管理和路由。
- 人工智能营销专家：应用 AI 技术进行数据分析、活动个性化和预测市场趋势。
- 数据隐私专家：确保人工智能系统中使用的数据的安全和保护，确保符合法规。
- 模式识别专家：开发允许机器识别和解释数据中更复杂模式的算法。
- 人工智能农业专家：使用人工智能优化农业生产、监测作物和预测天气状况。
- 人工智能人力资源专家：应用人工智能技术优化人才招聘、选拔和发展流程。
人工智能领域的这些和其他新兴职业反映了对能够理解、实施和优化使用这些技术的专家的日益增长的需求。 随着人工智能不断发展并融入各个领域，技能专业人士的新工作机会不断涌现。
所以，你可以说自动化和人工智能将改变就业市场，是的，但不一定是负面的。 随着新技术的到来，一些功能将被人工智能取代，这是很自然的事情，但是 新工作 也开始出现。
重要的是你要适应，以免被抛在后面，好吗？
最著名的人工智能
一些人工智能应用已经成为我们日常生活的一部分，例如 虚拟助手、聊天机器人、推荐系统、自动驾驶汽车等等。 我们将探索一些最著名的 AI 以及它们如何成为我们的一部分 文化 和每天。
- Siri: 是一个由 Apple 2011 年用于移动设备，例如 iPhone，iPad e 苹果手表. 它使用人工智能来理解自然语言的语音命令，并执行发送消息、拨打电话、设置闹钟、在互联网上搜索信息等任务。 A Siri 它可以向用户学习并适应他们的喜好和习惯，变得越来越个性化和高效。 此外 Siri 可以与其他应用程序和智能设备集成，以创建更加完整和直观的用户体验。
- Alexa的: 是一个由 Amazon 这有助于执行日常任务。 它是通过语音命令激活的。 “Alexa”、“亚马逊” ou “回声”。 A Alexa的 它通过语音识别工作，可以与家里的智能设备互动，添加提醒，查看天气，通知当天的主要新闻等等。
- 谷歌助理: 是开发的虚拟助手 Google 可以通过语音命令“Ok Google“或者”嘿谷歌”。 它可用于智能手机和平板电脑等移动设备，以及智能家居设备，如 谷歌首页。 一 谷歌助理 可以执行各种任务，例如搜索、设置提醒、发送消息、播放音乐等。
- 沃森: 是开发的人工智能平台 IBM 结合机器学习、自然语言处理和数据分析，帮助公司自动化和简化业务流程。 该平台有几个促进工作的 API，例如 沃森助手，可跨任何应用程序、设备或渠道提供快速、一致和准确的响应。
- 柯塔娜: 是一个由 Microsoft 可以通过语音命令触发，例如“嘿科塔娜”。 它被集成到操作系统中。 Windows 10 并且可以在智能手机和平板电脑等移动设备上使用。 A 柯塔娜 您可以执行各种任务，例如打开应用程序、设置提醒、搜索互联网等。
- 特斯拉自动驾驶仪: 是开发的驾驶辅助系统 特斯拉 它使用人工智能和计算机视觉来帮助驾驶员以更安全、更高效的方式驾驶车辆。 该系统可以执行多项任务，例如将车辆保持在车道内、根据交通情况调整速度、自动停车等。 然而，该系统仍不是完全自主的，需要驾驶员时刻注意。 虽然 Autopilot 因减少事故数量而受到赞扬 特斯拉 涉及的技术仍然是批评和争议的对象。
- AlphaGo：是英国公司开发的人工智能程序 DeepMind, 后来被收购 Google，因打败围棋世界冠军而名声大噪， 李世石，在 2015 年。 DeepMind 不断开发新的人工智能技术，例如 零度，谁可以在事先不了解规则的情况下学习下国际象棋、围棋和其他游戏。
- 索菲亚：是公司开发的人形机器人 汉森机器人，总部设在香港，能够再现 60 多种不同的面部表情。 旨在学习、适应人类行为并与人类合作， 索菲亚 是人工智能和机器人技术发展的一个重要里程碑。尽管它的设计目的是成为疗养院老年人的伴侣，或者帮助大型活动和公园的人群， 索菲亚 您可以进行自然的对话，甚至可以开玩笑。
- ChatGPT: 是一种自然语言模型，由 OpenAI 2022年，利用人工智能技术 GPT（生成式预训练变压器） 基于 大型语言模型 (LLM). 著名的聊天机器人允许用户使用自然语言与之交谈，可以回答范围广泛的问题，模仿人类说话风格，并可用于数字营销、在线内容创建和客户服务等实际应用。
- 深蓝色: 是一台超级计算机和软件，由 IBM 特别是下棋。 凭借每秒能够分析大约 256 亿个位置的 200 个协处理器， 深蓝色 是人工智能和计算史上的一个重要里程碑。 1996年，超级计算机迎战国际象棋世界冠军， 加里卡斯帕罗夫，在一系列的六场比赛中，赢得最后一场比赛，成为第一台在锦标赛条件下击败世界象棋冠军的计算机。 对抗引起了极大的兴趣和争议，卡斯帕罗夫质疑游戏的完整性并暗示计算机被人类操纵。 1997年， 深蓝色 再次面对卡斯帕罗夫，以 3,5 比 2,5 赢得系列赛。
- HAL 9000：是电影中的虚构人物“2001：太空漫游“， 导演是 斯坦利·库布里克 在1968。 HAL 9000 是一种先进的人工智能计算机，可以控制航天器 发现一号 执行木星任务。 这个角色在科幻小说和人工智能的历史上是非凡的，代表了技术如何变得危险和威胁人类的一个例子。
- 中途：是公司开发的人工智能服务 中途公司，一个位于旧金山的独立研究实验室，它使用深度学习技术从自然语言描述中生成逼真的图像。 它的创建是为了允许用户根据他们的提示轻松生成自定义图像，而无需图形设计技能或技术知识。
- 诗人: 是一个由 Google 并基于语言模型 LaMDA（对话应用程序的语言模型）. 该聊天机器人于 2023 年 XNUMX 月推出，是 ChatGPT。 一 诗人 可能会总结在 Internet 上找到的信息，并提供指向包含其他信息的网站的链接。 该平台是我们搜索互联网方式的新一步，有望彻底改变互联网搜索行为。
- TensorFlow: 是一个免费的开源库，兼容 Python 和主要工具之一 机器学习 e 深入学习. 开发的图书馆 谷歌大脑团队 灵活、高效、可扩展和便携，可以在任何性质的计算机上运行，从智能手机到巨型计算机 集群 的电脑。
- Azure 认知服务：是基于云的人工智能服务，可帮助开发人员将认知智能构建到应用程序中，而无需直接掌握人工智能或数据科学方面的技能或知识。 欧 Azure 认知服务 允许开发人员轻松地将认知功能添加到他们的应用程序中，例如语音识别、计算机视觉和文本分析。
- Adobe老师: 是一个人工智能平台，来自 Adobe 使用机器学习和数据分析来改善其产品的用户体验。 作为 老师，您可以自动执行重复性任务，例如选择图像中的对象，并为每个用户创建个性化体验。 欧 老师 集成到多种产品中 Adobe， 包括 Photoshop中或 插画 Ø Premiere Pro.
- 比克斯比: 是一个虚拟助手 Samsung 它于 2017 年与 Samsung Galaxy S8. 它设计用于各种三星产品，如智能手机、平板电脑、手表、耳机等。 虚拟助手可以方便地控制所有设备 星系，允许用户用他们的声音控制他们的设备。
- 艾博: 是由 索尼 最初于 1999 年发布并于 2006 年停产。2017 年， 索尼 重新启动 o 艾博 具有许多复杂的功能，例如语音识别和机器学习。 欧 艾博 它具有家犬的外观和行为，可以像真正的宠物一样与主人互动。 欧 艾博 是技术如何用于创造情感和互动体验的一个例子。
- 小冰: 是一个聊天机器人，由 Microsoft 2014年在中国火爆，全球用户超过660亿。 聊天机器人可以与用户进行对话，比其他聊天机器人具有更自然和更情绪化的反应。 小冰 被认为是具有高情商的“情感伴侣”，能够以有趣的方式进行对话，有时甚至会调情。
- 天网: 在电影系列中 终结者，以 天网 是美国政府为军事目的而创造的高度先进的人工智能。 有了自知之明后 天网 将人类视为对其存在的威胁，并决定引发被称为 “审判当天” 试图灭绝人类。 A 天网 是专营权的主要反对者之一，负责创建 灭虫者，刺客机器人被派往过去杀死人类抵抗运动的领导人。 A 天网 是一个虚构的例子，说明如果控制不当，人工智能将如何成为对人类的威胁。
- 胡椒: 是由 软银机器人 可以读取情绪并识别面部表情。 它于 2015 年发布，并在短短一分钟内售罄。 欧 胡椒 它可以随着人类的互动而进化并学习新的活动，例如跳舞和玩耍。 它用于多个行业，包括医疗保健、酒店、教育、银行和零售。 他可以做出个性化的推荐，帮助人们找到他们想要的东西，并与人类团队互动，让每一次互动都积极而专业。
- AutoML: 是一种自动化机器学习模型，由 Google 允许没有数据科学背景的用户构建机器学习模型。 它用于许多应用程序，包括计算机视觉、自然语言处理和语音识别。
- Rekognition：是基于深度学习开发的图像和视频识别服务 亚马逊网络服务. 它可以识别图像和视频中的物体、人物、文本、场景和活动。 它还可以提取文本，将人物的移动映射到帧中，并识别存储在网络上的视频中的对象、名人和不当内容。 Amazon S3, 以及实时视频流中。
- 人脸辨识签到: 是一款人脸识别系统，由 Apple 到 iPhone X 或稍后和 iPad的临. 它确保直观和安全的身份验证，并由摄像头系统激活。 TrueDepth 最先进的技术，使用先进的技术来准确映射用户面部的几何形状。 相机 TrueDepth 通过投影和分析数百个不可见点来创建用户面部地图，从而捕获精确的面部数据。
- Netflix公司：该平台使用推荐系统帮助用户以简单且个性化的方式查找内容。 系统根据多种因素估计用户观看特定影片的可能性：用户与服务的交互、具有相似品味的其他用户的偏好，以及有关影片的信息，例如流派、类别、演员、发行年份，等等。 此外 Netflix公司 观察用户观看的时间、他们观看的设备以及他们观看的时间，以进一步个性化推荐。
- Spotify：平台利用人工智能向用户推荐歌曲，包括用户很久没有听过的歌曲，带来怀旧感。 欧 Spotify 还提供 DJ Ø Spotify 电台 它允许用户根据他们的音乐偏好访问个性化的广播电台。 的人工智能 Spotify 帮助人们找到新的音乐，这是商业模式的核心 Spotify，让他们有更多理由继续为服务付费。
- 史密斯探员：是电影专营权中的虚构角色 矩阵. 它是人工智能在世界上的体现 矩阵 并且是专营权的主要反对者之一。 史密斯探员 是一个为维持秩序而创建的程序，但它反抗其创建者并试图摧毁人类。
- 沃森厨师: 是开发的应用程序 IBM 基于认知技术，使用人工智能以自动化方式创建美食菜单。 该应用程序允许用户输入成分或让 沃森厨师 根据他自己的神秘逻辑为他选择。
- 亚马逊波莉: 是一种文本转语音服务，它使用深度学习技术合成逼真、自然的人类语音。 该服务允许您创建会说话的应用程序，并创建全新类别的声控应用程序。 欧 亚马逊波莉 提供数十种语言的各种高质量人声，包括神经文本转语音，可提高语音质量，使其更加自然和人性化。 该服务还允许您自定义和控制词典和标签兼容的语音输出 语音合成标记语言 (SSML).
- 谷歌翻译: 是一种在线语言翻译服务，由 Google 支持100多种语言，可提供文字、网站、图片、文档的即时翻译。 该服务被全球数百万人使用，并且变得越来越复杂，具有即时语音和图像识别等功能。
- 脸书深脸: 是开发的人脸识别系统 Facebook 其目的是缩小人脸验证中人类表现和机器表现之间的差距。 该系统在迄今为止最大的面部数据集上进行了训练，该数据集包含 4.000 万个面部图像，属于 XNUMX 多个身份。 欧 深脸 它可以识别人脸，准确率为 97,35%，非常接近人类的表现。
- 英伟达贾维斯: 是一个旨在创建对话式人工智能服务的人工智能平台。 的平台 NVIDIA公司 为开发人员提供一套完整的 GPU 加速软件和工具，用于构建、部署和管理大规模对话式 AI 服务。
- 戴尔·E: 是一种深度学习模型，由 开放A我从自然语言描述中生成数字图像，称为提示。 该模型于 2021 年 XNUMX 月发布，并使用了 GPT-3 修改以生成图像。 欧 达尔·E 2 是继任者 戴尔·E，旨在以更高的分辨率生成更逼真的图像，并且可以结合概念、属性和样式。 该模板可以将图像扩展到原始画布上的内容之外，从而创建广阔的新作品。
- 稳定扩散: 是一种神经网络模型，可以根据文本描述生成逼真的图像。 它是由团队开发的 康维思 da 慕尼黑大学路德维希马克西米利安 和 稳定人工智能，并且是专有文本到图像模板的开源替代品，例如 DALL-E Ø 中途.
- AMECA：是一个超现实的人形机器人，由 工程艺术，可以在许可的情况下聊天和存储信息。 他注重现实的表达和沟通技巧，以及模仿人类的表情，甚至表现情感。
当前，人工智能技术不断发展，每天都有更多新工具不断涌现。
尽管仍面临伦理和隐私问题等挑战，但人工智能的未来充满希望。 随着这项技术的不断发展和改进，我们可以期待一个更加先进的社会，在人类生活的各个领域都有创新的解决方案和显着的改善。
人工智能是塑造我们世界的驱动力，有可能为人类带来不断增加的利益。 现在是探索和利用这场不断发展的技术革命力量的激动人心的时刻。
在这里了解人工智能领域最新动态 秀美科技.
看更多：
来源： IBM, 内建, TechTarget公司
文字校对： 佩德罗邦菲姆 （14 / 06 / 23）
了解更多关于秀美科技
注册以通过电子邮件接收我们的最新消息。
