指數
人工智能這個術語近年來越來越受到重視，而且程度不減。 這項技術徹底改變了我們與周圍世界互動的方式。
但畢竟， 什麼是人工智能？ 在這篇特別的文章中，我們將探討這個概念、它的應用、挑戰和未來的前景。 跟隨我們的腳步，了解人工智能如何改變我們生活的世界。
在 Showmetech 頻道觀看視頻：
什麼是人工智能？
A 人工智能 也以縮寫詞聞名 IA，葡萄牙語，或 AI，英文，代表當今計算機科學中最迷人的領域之一。
這項技術允許計算機或機器模仿人類智能。
人工智能基於科學家創建的模型和算法，旨在像人腦一樣工作。 他們能夠識別信息，在信息之間建立聯繫，甚至幾乎總是能夠預測該案例的最正確答案。
近年來，人工智能出現了多種概念和定義，但 約翰麥卡錫，著名計算機科學家，在 文章，將AI定義為 “創造智能機器，特別是智能軟件的科學和工程。 它與使用計算機理解人類智能的類似任務有關，但人工智能不必局限於生物可觀察的方法。“。
這位科學家表示，雖然我們將人類智能視為成功的標準，但我們不應該限制人工智能來適應我們的思維方式。
人工智能的研究並不新鮮（始於 1950 年），但由於當前的 3 個因素，它現在才以“革命性”的地位實現了這一潛力：
首先是開發具有巨大處理能力的計算機或數據中心，足以處理複雜的人工智能模型。
第二個因素是訪問互聯網本身提供的大量數據。 這些雖然是“原始的”，即不一定是經過組織和分類的，但卻是人工智能學習正確分類對象並對所問問題給出正確答案的基礎。
第三個涉及數據模型，它是我們想要分析或使用的信息的有效且準確的表示。 它們的建立是為了幫助人工智能更好地理解他們被告知的內容。
這樣，我們就得到了今天所看到的：人工智能可以回答任何主題的問題、創建工作演示、全新的圖像，甚至是帶有真實歌手聲音的歌曲。
例如，如果我們詢問 GPT-聊天一個能夠像真人一樣理解並回答問題的AI系統，什麼是人工智能，我們可以得到以下答案：
人工智能（AI）是指計算機科學領域，專注於開發能夠執行通常需要人類智能的任務的系統和機器。 人工智能旨在創建能夠自主感知、推理、學習和決策的程序和算法。
GPT-聊天
這些程序或算法也存在於我們使用的電子產品中，例如自動駕駛汽車、機器人吸塵器，當然還有智能手機為您提供的最多樣化的功能。
但是，為了讓我們了解人工智能是如何發展而來的，是時候談談歷史了。
人工智能的歷史
自古以來，無生命物體具有智慧的想法就一直存在。 智能機器人和人工智能的想法最早出現在 神話 古希臘的。 神 赫費斯托例如，被描述為創造機器人般的黃金僕人。 在古埃及，工程師們建造了據稱由祭司驅動的雕像。
幾個世紀以來，思想家如 亞里士多德、拉蒙·魯爾、勒內·笛卡爾 e 托馬斯·貝葉斯 使用當時的工具和邏輯描述了人類的思維過程，為人工智能概念（例如表示常識）奠定了基礎。
1836 世紀末和 XNUMX 世紀上半葉，出現了導致現代計算機誕生的基礎工作。 XNUMX年，數學家 劍橋大學, 查爾斯·巴貝奇 e 奧古斯塔·艾達·金 洛夫萊斯伯爵夫人，創建了第一個可編程機器的設計。
儘管根源很古老，但我們今天所知的人工智能的歷史還不到一個世紀。 下面，我們將快速概述其發展軌跡中的一些最重要的事件。
1940 世紀 XNUMX 年代：
- 在1943中， 沃倫·麥卡洛 e 沃爾特·皮茨 發表文章神經活動中內在想法的邏輯計算“，提出了第一個構建神經網絡的數學模型。
- 1949年，在他的著作《行為的組織：神經心理學理論“ 唐納德赫伯 提出了這樣的理論：神經通路是根據經驗創建的，神經元之間的連接越頻繁使用就越加強。 學習 赫比安 仍然是人工智能中的一個重要模型。
1950 世紀 XNUMX 年代：
1950年，數學家 阿蘭·圖靈，考慮到 計算機科學之父，寫了一篇文章來回答這個問題 “機器能思考嗎？，詢問是否有可能創造一台智能機器。 他還發明了一種測試，看看計算機是否可以模仿人類行為。 有名的 圖靈測試.
1950 年，科幻作家 艾薩克·阿西莫夫，出版了書《我偷”，質疑機器人的智能程度以及它們應該遵守哪些規則。 在這裡，他還創造了他著名的“機器人技術的 3 條定律”， 今天仍然被用來理解機器人應該如何行動而不會對人類造成傷害。
然後，在 1956 年， 約翰麥卡錫 在美國第一屆專門討論人工智能的會議上創造了“人工智能”一詞，同年，第一個人工智能程序誕生了 邏輯理論家，他成功地進行了一種“自動推理”。
這十年的其他重要事實包括：
- 1950年，學生來自 哈佛，馬文·明斯基 e 迪恩·埃德蒙茲 建立 納克，第一台神經網絡計算機。
- 在1950中， 克勞德·香農 發表文章對計算機進行編程來下國際象棋“。
- 在1952中， 亞瑟塞繆爾 開發一個自學程序來玩跳棋。
- 1954年，俄英機器翻譯實驗 喬治敦-IBM 自動將 60 個精心挑選的俄語短語翻譯成英語。
- 在1957中， 弗蘭克·羅森布拉特 發明了 感知 沒有 康奈爾航空實驗室，第一個人工神經網絡。
- 在1957中， 艾倫·紐厄爾、赫伯特·西蒙 e 肖爾杰 發展 通用問題求解器 (GPS)，一個旨在模仿人類解決問題的程序。
- 在1958中， 約翰麥卡錫 開發AI編程語言 口齒不清 並發表“具有常識的程序”，一篇提出假設的文章 接受建議的人，一個完整的人工智能係統，能夠像人類一樣有效地從經驗中學習。
- 在1959中， 赫伯特·格倫特 開發程序 幾何定理提供者。 該程序可以自動證明幾何定理。
- 在1959中， 亞瑟塞繆爾 創造了這個詞“機器學習“（機器學習）在 IBM 工作時。
- 在1959中， 約翰麥卡錫 e 馬文明斯基 找到了 人工智能項目 do 麻省理工學院.
1960 世紀 XNUMX 年代：
在 60 年代， 神經網絡 確實進入了地圖。 它們是模仿人腦神經元功能的系統，允許機器像我們一樣以試錯的方式“學習”。 我們將在稍後的機器學習章節中看到更多細節。
- 在1962中， 約翰麥卡錫 開始 人工智能實驗室 em 斯坦福大學.
- 在1966中， 約瑟夫·魏岑鮑姆 創造 伊莉莎， 首先 軟體 用於在麻省理工學院人工智能實驗室模擬對話（Chatbot）。
- 1966 年的報告 自動語言處理諮詢委員會（ALPAC）來自美國政府的文章詳細介紹了機器翻譯研究缺乏進展的情況。 一項偉大的倡議 冷戰 承諾自動即時翻譯俄語。
1970 世紀 XNUMX 年代：
在 1970 世紀 XNUMX 年代，編程語言 序言 創建並報告 萊特希爾 英國政府發布的這份報告詳細描述了人工智能研究的令人失望並導致項目資金大幅削減。 這一時期被稱為“人工智能的第一個冬天“。
- 1970年，第一個成功的專家系統， 樹枝狀 e 黴素，創建於 斯坦福大學。 專家系統是旨在模擬專業專家在某些特定知識領域的推理的軟件，在這種情況下，可以幫助醫生診斷和治療傳染病。
- 1972 年，編程語言 序言 是由創建的 阿蘭·科爾默勞爾 及其聯營公司 馬賽大學。 該語言誕生於一個項目，該項目並不專注於編程語言的實現，而是專注於自然語言的處理。
- 1973 年，在 早稻田大學，在日本建造了 瓦博特-1，被認為是第一個擬人機器人。 在其資源中，移動成員、觀看和交談的能力最為突出。
- 1978 年， 數字設備公司 發展了 R1 （也稱為 XCON），第一個成功的交易專家系統。 R1 旨在配置新計算機系統的訂單，引發了專家系統的投資熱潮，這種投資熱潮將持續十年的大部分時間。
- 1974 年至 1980 年間，人工智能開發進展受挫，導致學術資助大幅削減 DARPA。 結合報告 阿爾帕克 和報告 萊特希爾 與去年相比，人工智能的資金枯竭，研究停滯不前。
1980 世紀 XNUMX 年代：
1980 世紀 XNUMX 年代，出現了新的專家系統和編程語言等技術。 口齒不清，並且正在對人工智能進行重大投資。 這一時期被稱為“專家系統的繁榮”並標誌著結束 人工智能的第一個冬天.
還是在那個十年，1986年，現在所認為的 “人工智能之父“ 杰弗裡·埃弗勒斯·欣頓，開發了能夠以更複雜的方式訓練神經網絡的算法，甚至不需要研究人員自己的幫助，今天被稱為 深度學習 或深度機器學習。 沒錯，人工智能在這裡開始自我學習，只需要研究人員提供數據讓它們“學習”！
其他重要事實包括：
- 1982年，日本啟動了雄心勃勃的項目 第五代計算系統, FGCS。 的目的 FGCS 是開發類似超級計算機的性能和人工智能開發平台。
- 1983年，響應 FGCS 日本、美國政府啟動 戰略計算計劃 提供資金 DARPA 用於人工智能和信息技術的研究。
- 1985 年，公司每年在專家系統和稱為機器市場的整個行業上花費超過 XNUMX 億美元。 口齒不清 來支持他們。 公司喜歡 象徵學 e Lisp 機器公司 建造專門的計算機來運行人工智能編程語言 口齒不清.
- 在1986中， 魯梅爾哈特·辛頓 e 威廉姆斯 發布“通過誤差反向傳播學習表示”，允許開發更深入的神經網絡。
- 1987年至1993年間，隨著計算技術的進步，更便宜的替代品出現，機器市場 口齒不清 於 1987 年倒塌， “人工智能的第二個冬天“。 在此期間，專家系統的維護和更新成本過高，最終失寵。
1990 世紀 XNUMX 年代：
1990 世紀 XNUMX 年代，網絡變得廣泛可用，可以收集和訪問大量數據來訓練人工智能模型。 此外，人們對神經網絡和機器學習的興趣也重新燃起。
- 1991年，美軍部署 DART，海灣戰爭期間的一種自動化物流規劃和調度工具。
- 1992年，日本完成該項目 FGCS，理由是未能實現十年前製定的雄心勃勃的目標。
- 1993 年， DARPA 關閉 戰略計算計劃花費了近 1 億美元，但遠低於預期。
- 1997 年，該 深藍色 da IBM 世界象棋冠軍獲勝 加里卡斯帕羅夫.
- 1999年，電影 矩陣 的發布，進一步普及了人工智能的理念及其對社會的影響。
2000 年代至今：
從 2000 年代開始，人工智能越來越多地出現在我們的日常生活中，從虛擬助手到語音和圖像識別系統，以及自動駕駛汽車和其他技術。 深度神經網絡、自然語言處理（NLP）和強化學習等新技術得到開發和改進。
2018 年中，人工智能繼續快速發展，第一個“偉大的語言模型”或 法學碩士，英文縮寫，是能夠解釋大量文本以生成適當響應的神經網絡。 這正是我們今天所看到的 聊天GTP，人工智能於 2022 年推出，可響應用戶的問題和命令。
查看最新事實：
- 2002 年， 我是機器人 扔 倫巴，第一台量產的帶有人工智能導航系統的機器人吸塵器。
- 2005年，自動駕駛汽車 STANLEY 贏得 DARPA 大挑戰.
- 2005年，美國武裝部隊開始投資自主機器人，例如“大隻的狗"給 波士頓動態 和“包裝機器人"給 iRobot公司.
- 2008 年，該 Google 先進的語音識別技術並將功能引入您的應用程序 iPhone.
- 2010 年， 蘋果 扔 Siri的，一個人工智能驅動的虛擬助手，通過 iOS 操作系統運行。
- 2011 年，該 沃森 da IBM 輕鬆擊敗節目中的競爭對手 危險！.
- 在2012中， Andrew Ng |，項目創始人 谷歌大腦深度學習，使用深度學習算法為神經網絡提供來自 10 萬個視頻的數據 YouTube 作為訓練集。 神經網絡學會了在不知道貓是什麼的情況下識別貓，開創了神經網絡進步和深度學習資助的時代。
- 2012 年，該 Google 製造第一輛通過州駕駛考試的自動駕駛汽車。
- 2014 年， Alexa da Amazon推出智能家居虛擬設備。
- 2015年，首屆“機器人公民”，一個名為 索菲亞，創建者為 漢森機器人 並且能夠進行面部識別、言語交流和麵部表情。
- 2016 年，該 AlphaGo do Google DeepMind 擊敗圍棋世界冠軍， 李世石。 中國古代遊戲的複雜性被視為人工智能的主要障礙。
- 2018 年，該 Google 推出自然語言處理引擎 BERT，通過機器學習應用減少翻譯和理解方面的障礙。
- 2018 年， Waymo 啟動您的服務 Waymo One，允許大鳳凰城的用戶請求該公司的一輛自動駕駛車輛接載。
- 2020 年， 百度 推出人工智能算法 線性折疊 適用於在 SARS-CoV-2 大流行早期階段從事疫苗開發的科學和醫療團隊。 該算法僅需27秒即可預測出病毒的RNA序列，比其他方法快120倍。
- 2020 年， OpenAI 推出自然語言處理模型 GPT-3，能夠按照人們說話和寫作的方式生成文本。
- 2020 年，該 阿爾法折疊2 da DeepMind 解決了蛋白質折疊問題，為新藥發現和醫學進步鋪平了道路。
- 2021 年， OpenAI 發展了 DALL-E， 基於 GPT-3，能夠根據文本提示創建圖像。
- 2021 年，該 美國國家標準技術研究院 推出他的初稿 人工智能風險管理框架一位來自美國的志願者導遊“更好地管理與人工智能相關的個人、組織和社會風險“。
- 2022 年， DeepMind 提出了 加藤，一個經過訓練可以執行數百項任務的人工智能係統，包括玩遊戲 雅達利，為圖像添加標題，並使用機械臂堆疊塊。
- 2022 年，該 Google 解僱工程師 布萊克·勒莫因 為您 肯定句 什麼或 Google 對話應用程序語言模型 (LaMDA) 是有意識的。
- 2023 年， Microsoft微軟 推出AI版本 兵，它的搜索引擎，建立在與驅動相同的技術之上 ChatGPT.
- 2023 年，該 Google 宣布 詩人，一個並發會話人工智能。
- 2023年，藝術家對 穩定人工智能, deviantART的 e 中途 供您使用 穩定擴散 重新混合數百萬藝術家的受版權保護的作品。
- 2023 年， OpenAI 扔 GPT-4，迄今為止最複雜的語言模型。
好了，隨著歷史的發展，現在我們將了解人工智能的類型是如何分類的。
人工智能有哪些類型？
一般來說，科學家通常將人工智能分為5種主要類型，每一種都在接近甚至超越人類思維的階梯上邁出一步：
反應式人工智能
第一種類型是 反應式人工智能，他們沒有記憶，也不會從過去的錯誤或經驗中吸取教訓。
反應式機器的一個常見示例是編程為在生產線上製造汽車零部件的機器人。 該機器人配備了傳感器，可以檢測其工作區域中零件和機器的存在。 它被編程為響應傳感器檢測到的刺激來執行特定任務，例如焊接和切割。
有限內存 AI
第二種類型是 有限內存 AI，他們從錯誤或過去的經驗中學習來做出決定。 內存有限的機器可以存儲過去的數據和預測以做出實時決策。 它們比反應式機器更複雜，並提供更多可能性。
這是私人助理，例如 Google, Alexa 和 Siri的 甚至手機的特殊功能，例如識別對像以增強視頻或照片中的效果。
人工智能 反應性 來自於 內存有限，也分類為 有限的人工智能，或縮寫 ANI， 用英語。 他們被普遍稱為 “可憐的人工智能” 它們涵蓋了當今世界上所有的人工智能。
心智理論人工智能
第三種類型稱為 心智理論人工智能，智能係統可以以人類可以理解的方式理解和解釋他們的決策。 也就是說，人工智能理解並識別與之互動的人，了解他們的需求、情感和信仰。
這種類型的人工智能尚未被發明，但很可能很快我們就會看到類似的東西，但作為一個虛構的例子，在電影“銀翼殺手2049”，其中一個角色是一個人工智能，可以理解甚至感受人類的情感。
自我意識人工智能
第四種，也是最先進的一種 自我意識人工智能。 在這一類別中，人工智能開始意識到自己、它的需求，甚至它的情感。 被分類為 通用人工智能，或縮寫 德盛，英語中也稱為“強人工智能“。
具有自我意識的人工智能可以了解自己和周圍的世界，並且擁有自己的身份。 自我意識被認為是人工智能的最終目標，但它也被視為一種倫理和哲學挑戰，因為它提出了關於意識和身份本質的問題。
關於意識的最著名的理論之一是 綜合信息論（IIT），由神經科學家提出 朱利奧·托諾尼 2004年。 IIT 表明當一個系統可以整合來自不同來源的信息並創建統一的意識狀態時，意識就會產生。 根據這個想法，意識不僅取決於系統的複雜性，還取決於收集信息和創建個人意識狀態的能力。
這種類型也還沒有被發明出來，但估計在不久的將來我們就會越來越接近看到“有自我意識的人工智能”，像人類一樣思考和行動。
舉一個虛構的例子，在電影中“前Machina”，一個名為 艾娃 其設計具有了解自身並發展自己的個性的能力，引發了關於人類意味著什麼以及人工智能在社會中的作用的問題。
超級人工智能
但是，還有第五個階段，稱為 超級人工智能 ou 人工超級智能，或縮寫 ASI，英文也稱為“超強AI“。
當它到達的那一刻已經有了一個名字： 奇點。 它將代表科學進化的一個里程碑，計算機將擁有超人的智能，即超越我們的推理能力。
在這裡，未來既令人印象深刻又令人擔憂，因為這些人工智能可能會幫助我們治癒疾病並推動技術進步，但它們也可能決定不再需要人類或應該將人類視為低等人。
類似於電影《終結者》中人工智能決定消滅我們的情況，或者《黑客帝國》中發生的故事，講述人工智能如何統治人類並將他們變成機器的“電池”。
從那時起，人工智能就會變得無法控制。 多麼恐懼，對吧？
深度學習對比機器學習
機器學習（機器學習） e 深度學習（深度學習） 是人工智能中的兩項基本技術，允許機器自動從數據中學習並隨著時間的推移提高其性能。
這兩種技術已廣泛應用於各種行業，包括金融、醫療保健、運輸、零售等。 然而，儘管它們很受歡迎，但許多人仍然對這兩種技術之間的差異以及它們如何在不同場景中應用存有疑問。
什麼是機器學習？
O 機器學習 是一種人工智能方法，專注於教導機器從數據中學習，而無需明確編程。 相反，算法 機器學習 使用統計技術來識別數據集中的模式，並根據這些模式做出預測或決策。
當我們看看用於教導內存有限的機器的六個步驟時，就更容易理解了：
- 整理數據來教導機器（訓練數據）；
- 創建一個模型供機器學習；
- 檢查模型是否可以做出預測；
- 檢查模型是否可以接收來自人或環境的反饋（意見）；
- 將此反饋保存為數據；
- 多次重複這一切以提高機器性能。
使用這些步驟，有四種主要方法可以教會機器從數據中學習：
- 監督學習： 這是我們藉助許多示例教機器識別信息的時候。 這就像教狗識別球一樣。 我們展示了很多球並說“這是一個球”。 同樣，為了教機器識別馬的圖像，我們展示了許多我們已經知道是馬的圖像。 因此，機器可以自行學習識別其他圖像中的馬。
- A無人看管的被困者： 那時我們教機器尋找數據中的模式，而不需要有人告訴我們每條數據是什麼。 這就像將對象組織成組，而沒有人告訴您哪些對象放在一起。 機器自行學習尋找對象之間的相似性，並根據這些相似性對它們進行分組。 這對於查找數據中的模式並描述它們非常有用。
- 半監督學習： 它是前兩種類型的混合體。 有些信息是被教授的，但機器必須自己弄清楚如何組織信息以獲得正確的結果。 這就像教一隻狗隻接住紅球，但他必須自己弄清楚如何做到這一點。
- 強化學習： 就是我們通過反複試驗教機器做某事。 機器執行一項任務，做得好的時候會收到積極的反饋，做得不好的時候會收到負面的反饋。 這就像教狗撿起玩具一樣。 如果他選對了玩具，他就會得到獎勵。 如果你選錯了，你將一無所獲。
什麼是深度學習？
O 深度學習 (深度學習，免費翻譯）是一種機器學習技術，使用 人工神經網絡 從數據中學習。
神經網絡是人工神經元的集合，稱為 感知器，用於分析和分類數據。 它們的工作原理就像一台小型計算機，接收信息並進行計算。 數據被饋送到網絡的第一層，其中每個感知器接收計算結果，然後將該信息傳輸到下一層中的其他幾個感知器。
當神經網絡超過三層時，它被稱為“深度神經網絡”或深度學習。 一些現代神經網絡有數百甚至數千層。 最終感知器的輸出執行為神經網絡定義的任務，例如對對象進行分類或查找數據中的模式。
當使用多個示例訓練神經網絡時，它可以學習識別模式並執行複雜的任務，例如語音識別、圖像識別和自然語言處理 (NLP)。
人工神經網絡有不同類型，每種類型都用於特定任務。 一些最常見的是：
As 前饋 (FF) 網絡 用於對事物進行分類，例如圖像或文本。 數據經過多層，直到得出最終答案。 FF 通常與一種稱為“反向傳播”的糾錯算法相結合，該算法利用結果向後重新構建網絡以提高準確性。
As 遞歸神經網絡 (RNN) 用於根據數據序列預測事物，例如文本中的單詞。 它們對前一層發生的事情有“記憶”，並用於語音識別、翻譯和字幕。
As 長期記憶網絡 (LSTM) 是一種特殊的 RNN，可以記住前幾層的內容。 它們用於根據過去的數據預測事物，例如語音識別。
As 卷積神經網絡 (CNN) 主要用於圖像處理。 他們尋找圖像的不同部分並將它們組合起來以獲得結果。
As 生成對抗網絡（GAN） 用於創建逼真的圖像，甚至進行藝術創作。 它們的工作方式就像一個遊戲，其中一個網絡創建示例，另一個網絡試圖證明它們是真是假。
機器學習和深度學習有什麼區別？
之間的主要區別 機器學習 e 深度學習 是每個人都更擅長處理不同類型的數據。 氧 機器學習 對於銷售預測和欺詐檢測等結構化數據很有用，而 深度學習 它最適合複雜的非結構化數據，例如圖像和音頻。
另一個重要的區別是訓練模型所需的數據量。 氧 深度學習 通常需要大型數據集才能有效，而 機器學習 它可能適用於較小的數據集。
最後，訓練一個模型 深度學習 比訓練模型更複雜、更耗時 機器學習，但可以在復雜任務上帶來更準確的預測和更好的性能。
生成模型的進步
近年來，人工智能發展迅速，其中最引人注目的領域之一就是人工智能的進步。 生成模型。 它們是當前用於生成新信息的人工智能類別。
他們可以根據一組訓練數據創建圖像、全文、音樂甚至視頻。 它們的算法是 深度學習 可以學習生成新信息並與模型區分開來 歧視性的，僅用於排序或標記數據。
例如，您可以訓練生成模型來讀取來自 維基百科 然後使用該信息根據特定請求生成新文本。 另一個例子是用以下作品訓練生成模型 倫勃朗 然後用它來創作新的藝術品
例如，想像一下您想要創作一首新歌曲，但您不知道如何演奏任何樂器。 您可以使用生成音樂製作器模板，例如 音樂LM do Google 並向他解釋你需要什麼樣的歌曲或節奏，他將為你生成一首全新的歌曲。
生成文本或者圖像，過程是一樣的，只要找一個專門的模型即可，比如 兵 與人工智能 Microsoft微軟，對於文本和答案，或者 中途，對於圖片，請寫信給他們您需要的內容。
這種向人工智能寫入命令或請求的行為甚至被稱為“提示“。
最不可思議的是，您所要做的就是寫下您的要求或 提示 以系統理解的自然語言以及任何語言。
例如，您可以描述為 中途y，人工智能可以生成類似這樣的圖像：“想像一個騎滑板的女孩的逼真圖像”，或者詢問 ChatGPT “寫一個關於青蛙和公主的有趣故事”。 結果差不多 魔法.
綜上所述，生成生成模型是人工智能的一個有前景的領域，已經在不同領域得到廣泛應用。 A 趨勢 這些模型變得越來越準確和高效，為人工智能的新時代打開了大門。
我們在哪裡可以找到人工智能？
人工智能存在於許多領域和部門，改變了我們執行任務和與技術交互的方式。 以下是我們可以在哪裡找到人工智能的一些示例：
- 語音識別：語音識別技術用於移動設備，例如虛擬助手，例如 Siri的，執行語音搜索並提供短信輔助功能。
- 客戶參與：虛擬代理在客戶服務中越來越常見，可以回答常見問題、提供個性化建議以及協助交叉銷售產品。 示例包括電子商務網站上的聊天機器人和消息應用程序，例如 Facebook Messenger e Whatsapp.
- 計算機視覺：計算機視覺允許系統和計算機分析圖像和視頻等視覺信息，以採取行動。 應用包括社交媒體上的照片標記、醫學成像診斷和自動駕駛汽車。
- 推薦系統：推薦系統中使用人工智能算法來識別行為模式並提供個性化建議。 這在在線商店中很常見，在結賬過程中會制定產品推薦。
- 自動化股票交易：基於人工智能的高頻交易平台每天執行數千甚至數百萬筆交易，無需人工干預，優化股票投資組合。
- 機器人：機器人技術使用人工智能來設計和製造能夠執行困難或重複任務的機器人。 這些機器人用於工業生產線、太空探索和社交互動。
- 自動駕駛汽車：計算機視覺、圖像識別和深度學習的結合對於自動駕駛汽車的開發至關重要，自動駕駛汽車可以通過保持在特定車道上並避開意外障礙來行駛。
- 文本、圖像和音頻生成：生成式人工智能技術用於根據文本提示創建不同類型的媒體。 這包括逼真的藝術作品、電子郵件回復和腳本。
除了這些例子之外，人工智能還存在於多個行業和市場，包括：
- 健康：人工智能正在醫療保健領域應用，以改善患者治療結果並降低成本。 機器學習算法用於更快、更準確的醫療診斷。 此外，虛擬助理和聊天機器人還用於幫助患者查找醫療信息、安排預約並協助管理流程。
- NEGOCIOS：人工智能正在被集成到分析和客戶關係管理 (CRM) 平台中以改善服務。 聊天機器人內置於網站中以提供即時支持，以及生成式人工智能技術，例如 ChatGPT，正在徹底改變產品設計和商業模式。
- 教育：人工智能可以根據學生的需求自動進行評估和適應，使他們能夠按照自己的節奏進行學習。 AI 導師提供額外支持，可以幫助教育工作者創建教材。 但是，那 人工智能在教育中的應用 它還需要反思抄襲政策和學生義務。
- 金融：個人理財應用程序，例如 財捷造幣廠 或 TurboTax的，利用AI提供個性化的財務建議。 此外，人工智能還存在於華爾街和金融界的交易流程中。 財務分析.
- 法律：人工智能被用來自動化法律領域的勞動密集型流程，例如分析文件和解釋信息請求。
- 製造商：工業機器人正在融入工作流程中，與人類一起工作。 人工智能用於提高製造流程的效率和準確性。 此外，人工智能還應用於預測性維護，使公司能夠在機器故障發生之前識別並解決問題。
- 娛樂和媒體：人工智能在娛樂行業的應用包括定向廣告、內容推薦、劇本創作和電影製作。 自動化新聞有助於簡化工作流程並減少時間和成本。 然而，關於生成式人工智能在新聞內容生成中的可靠使用仍然存在討論。
- 軟件編碼和 IT 流程：生成式人工智能工具被用來根據自然語言提示生成應用程序代碼。 此外，人工智能正在實現數據輸入、欺詐檢測和安全等 IT 流程的自動化。
- 安全：人工智能正在應用於網絡安全，用於異常檢測、故障排除和威脅分析。 人工智能用於安全信息和事件管理軟件 （SIEM） 識別可疑活動。
- 運輸：人工智能在交通運輸行業，尤其是自動駕駛汽車的發展中發揮著關鍵作用。 此外，人工智能還用於優化運輸路線、管理交通和改善物流。
- 農業：人工智能正在以多種方式應用於農業，從優化水和肥料等資源的使用，到早期發現植物疾病。 無人機 配備人工智能技術的用於監測作物、識別問題區域並協助農業規劃。
- 個人協助：虛擬助手，例如 Siri的 da 蘋果 Alexa da Amazon Ø 谷歌助理，是人工智能如何出現在我們日常生活中的例子。 這些助手使用人工智能技術來理解語音命令、執行任務、提供信息，甚至進行對話。
- 人力資源：人工智能算法可用於分析簡歷、選擇合格的候選人並預測員工績效。 此外，人工智能驅動的聊天機器人可用於回答員工常見問題並協助培訓和專業發展。
- 零售：在零售領域，人工智能應用於改善客戶體驗、個性化產品推薦、管理庫存和優化定價策略。 人工智能算法可以分析客戶的購買行為、識別模式並提供個性化建議，有助於提高銷量和客戶忠誠度。
- 軍事部門：人工智能在軍事領域發揮著重要作用，在多個領域都有應用。 例如，基於人工智能的監控系統可用於監控邊界、識別威脅並協助戰略決策。 此外，人工智能還被用於自主軍用無人機的開發，可以精確地執行偵察和攻擊任務。
這些只是人工智能應用領域的幾個例子。 隨著技術的不斷進步，人工智能很可能會應用到更多的行業，對我們的生活產生更大的影響。
人工智能會搶走你的工作嗎？
自動化和人工智能一直是工作領域的熱門話題，許多人擔心自己的工作會被機器搶走。 然而，這種擔憂並不完全正確。
根據a 研究 通過開展 高盛 到2023年XNUMX月，人工智能對經濟的影響日益明顯。 研究表明，如果生成式人工智能兌現其承諾，市場可能會面臨重大變化， 影響 約300億個就業崗位。
然而，需要強調的是，這並不一定意味著用技術取代這些工作。 報告指出，從歷史上看，自動化已經被新就業機會的創造所抵消。
目前，人工智能補充了大約63%的現有工作崗位，特別是在客戶服務領域。 廚師和摩托車機械師等職業目前還沒有面臨被取代的威脅。
事實是，自動化改變了就業市場，但只有一部分工作會完全自動化。 搜索 da 麥肯錫公司。 這意味著人類具有比以往任何時候都更加高效的巨大潛力。
根據這些信息，我們可以得出結論，儘管人工智能似乎對全球就業構成威脅，但它仍然依賴於人類的監督，並且沒有足夠的自主權來獨立存在。 因此，對於那些有興趣在這個不斷發展的領域工作的人來說，將會有廣泛的就業機會。
在下面的列表中，我們介紹了人工智能對勞動力市場的影響所產生的職業。 這些職業在人工智能的實施、發展和道德規範中都發揮著至關重要的作用，展示了這項技術在現代社會多個領域的潛力和重要性。
- 人工智能審核員：評估和驗證人工智能係統是否符合道德標準、法規和最佳實踐。
- 機器經理：負責監督和維護與人工智能相關的系統和硬件基礎設施的正常運行。
- 提示工程師：開發和改進人工智能使用的文本生成模型，確保一致和充分的響應。
- 人工智能訓練師：負責訓練和改進人工智能模型，為其提供相關數據並監督其表現。
- 人工智能顧問：為不同部門和組織的人工智能應用和實施提供指導和專家建議。
- 數據科學家：分析和解釋大型數據集以提取見解並做出戰略決策。
- 機器學習工程師：開發和實施機器學習算法和模型來創建智能係統。
- 人工智能倫理專家：評估人工智能的道德影響並確保負責任地使用這些技術。
- 人工智能架構師：設計和構建人工智能係統架構以滿足業務需求。
- 自然語言處理分析師：開發允許機器理解和處理人類語言的算法。
- 機器人專家：設計和編程能夠在不同行業執行複雜任務的智能機器人。
- 醫療保健人工智能專家：利用人工智能算法輔助醫療診斷、治療和臨床研究。
- 金融人工智能專家：應用人工智能算法進行市場分析、財務預測和欺詐檢測。
- 人工智能用戶交互設計師：為人工智能係統設計直觀的界面和人機交互。
- 計算機視覺專家：開發機器理解和解釋圖像和視頻的算法和系統。
- 數據工程師：設計和管理收集、存儲和處理大量數據所需的基礎設施。
- 聊天機器人專家：創建能夠與用戶交互並提供支持或幫助的智能聊天機器人。
- 機器學習工程師：開發機器學習算法，使機器能夠根據數據進行學習和改進。
- 物流人工智能專家：使用人工智能來優化和自動化物流流程，例如庫存管理和路線選擇。
- 營銷人工智能專家：應用人工智能技術進行數據分析、活動個性化和預測市場趨勢。
- 數據隱私專家：確保人工智能係統中使用的數據的安全和保護，確保符合法規。
- 模式識別專家：開發允許機器識別和解釋更複雜的數據模式的算法。
- 農業人工智能專家：利用人工智能優化農業生產、監測作物並預測天氣狀況。
- 人力資源人工智能專家：應用人工智能技術優化人才招聘、選拔和發展流程。
這些以及人工智能領域的其他新興職業反映了對能夠理解、實施和優化使用這些技術的專家日益增長的需求。 隨著人工智能不斷發展並融入不同領域，技術專業人士的新工作機會不斷湧現。
所以，你可以說自動化和人工智能將改變就業市場，是的，但不一定是負面的。 隨著新技術的到來，一些功能將被人工智能取代，這是很自然的事情，但是 新工作 也開始出現。
重要的是你要適應，以免被拋在後面，好嗎？
最著名的人工智能
一些人工智能應用程序已經成為我們日常生活的一部分，例如 虛擬助理、聊天機器人、推薦系統、自動駕駛汽車等等。 我們將探討一些最著名的人工智能以及它們如何成為我們的一部分 文化 和每天。
- Siri的：是由以下公司開發的虛擬助手 蘋果 2011 年，針對移動設備，例如 iPhone、iPad e 蘋果手錶。 它使用人工智能來理解自然語言的語音命令，並執行發送消息、撥打電話、設置鬧鐘、在互聯網上搜索信息等任務。 A Siri的 它可以向用戶學習並適應他們的喜好和習慣，變得越來越個性化和高效。 此外 Siri的 可以與其他應用程序和智能設備集成，以創建更加完整和直觀的用戶體驗。
- Alexa：是由以下公司開發的虛擬助手 Amazon 這有助於執行日常任務。 它是通過語音命令激活的。 “Alexa”、“亞馬遜” ou “迴聲”。 A Alexa 它通過語音識別工作，可以與家中的智能設備交互、添加提醒、查看天氣、告知當天的主要新聞等等。
- 谷歌助理: 是由以下公司開發的虛擬助手 Google 可以通過語音命令“好的谷歌“ 要么 ”嘿谷歌”。 它可以用於智能手機、平板電腦等移動設備，也可以用於智能家居設備，例如 Google Home。 Ø 谷歌助理 可以執行各種任務，例如搜索、設置提醒、發送消息、播放音樂等。
- 沃森：是一個由 IBM 它結合了機器學習、自然語言處理和數據分析，幫助公司自動化和簡化業務流程。 該平台有幾個方便工作的 API，例如 沃森助手，它可以跨任何應用程序、設備或渠道提供快速、一致且準確的響應。
- 柯塔娜：是由以下公司開發的虛擬個人助理 Microsoft微軟 可以通過語音命令觸發，例如“嘿Cortana”。 它集成到操作系統中。 窗戶10 並且可以在智能手機和平板電腦等移動設備上使用。 A 柯塔娜 您可以執行各種任務，例如打開應用程序、設置提醒、搜索互聯網等。
- 特斯拉自動駕駛儀：是由以下公司開發的駕駛輔助系統 特斯拉 它利用人工智能和計算機視覺來幫助駕駛員以更安全、更高效的方式駕駛車輛。 該系統可以執行多種任務，例如保持車輛在車道上、根據交通情況調整速度、自動停車等。 然而，該系統仍然不是完全自主的，需要駕駛員時刻保持注意力。 雖然 自動駕駛儀 因減少事故數量而受到讚揚 特斯拉 涉及到的技術仍然是批評和爭議的主題。
- AlphaGo：是英國公司開發的人工智能程序 DeepMind，後來被收購 Google因擊敗圍棋世界冠軍而名聲大噪， 李世石, 2015 年。 DeepMind 持續開發新的人工智能技術，例如 零度，誰可以在沒有任何規則知識的情況下學習下國際象棋、圍棋和其他遊戲。
- 索菲亞：是該公司開發的一款人形機器人 漢森機器人，總部位於香港，能夠複製 60 多種不同的面部表情。 旨在學習、適應人類行為並與人類合作， 索菲亞 是人工智慧和機器人技術發展的一個重要里程碑。儘管它的設計目的是成為療養院老年人的伴侶，或幫助大型活動和公園的人群， 索菲亞 您可以進行自然的對話，甚至可以開玩笑。
- ChatGPT：是由以下公司開發的自然語言模型 OpenAI 2022年，採用人工智能技術 GPT（生成式預訓練變壓器） 基地 大語言模型（LLM）。 這個著名的聊天機器人允許用戶使用自然語言與其進行對話，可以回答各種問題，模仿人類的說話風格，並且可以用於數字營銷、在線內容創建和客戶服務等現實世界的應用程序。
- 深藍色：是一台超級計算機和軟件，由 IBM 特別是對於下棋。 憑藉 256 個協處理器，每秒能夠分析大約 200 億個位置， 深藍色 是人工智能和計算史上的一個重要里程碑。 1996年，超級計算機挑戰了國際象棋世界冠軍， 加里卡斯帕羅夫在一系列六場比賽中，贏得最後一場比賽，成為第一台在錦標賽條件下擊敗世界國際象棋冠軍的計算機。 這場對抗引起了極大的興趣和爭議，卡斯帕羅夫質疑遊戲的完整性，並暗示計算機被人類操縱。 1997 年， 深藍色 複賽中再次對陣卡斯帕羅夫，系列賽以3,5比2,5獲勝。
- HAL 9000：是電影中的虛構人物“2001：太空漫遊“， 導演是 斯坦利·庫布里克 在1968。 HAL 9000 是控制航天器的先進人工智能計算機 發現一號 執行木星任務。 這個角色在科幻小說和人工智能的歷史上是引人注目的，代表了技術如何對人類造成危險和威脅的一個例子。
- 中途：是公司開發的人工智能服務 中途有限公司是一家位於舊金山的獨立研究實驗室，利用深度學習技術從自然語言描述生成逼真的圖像。 它的創建是為了讓用戶能夠根據提示輕鬆生成自定義圖像，無需圖形設計技能或技術知識。
- 詩人: 是一個聊天機器人，由 Google 並基於語言模型 LaMDA（對話應用程序的語言模型）。 該聊天機器人於 2023 年 XNUMX 月推出，是 ChatGPT。 Ø 詩人 可能會總結在互聯網上找到的信息並提供包含附加信息的網站鏈接。 該平台是我們搜索互聯網方式的新一步，並有望徹底改變互聯網搜索行為。
- TensorFlow：是一個免費的開源庫，兼容 蟒蛇 和主要工具之一 機器學習 e 深入學習。 該庫開發者 谷歌大腦團隊 靈活、高效、可擴展和便攜，可以在任何性質的計算機上運行，從智能手機到巨型計算機 集群 計算機。
- Azure 認知服務：是基於雲的人工智能服務，可幫助開發人員將認知智能構建到應用程序中，而無需具備人工智能或數據科學方面的直接技能或知識。 氧 Azure 認知服務 允許開發人員輕鬆地將認知功能添加到他們的應用程序中，例如語音識別、計算機視覺和文本分析。
- Adobe Sensei: 是一個人工智能平台 Adobe 使用機器學習和數據分析來改善其產品的用戶體驗。 作為 老師，您可以自動執行重複性任務，例如選擇圖像中的對象，並為每個用戶創建個性化體驗。 氧 老師 被集成到多種產品中 Adobe， 包括 Photoshop中或 Illustrator Ø Premiere Pro.
- 比克斯比: 是一個虛擬助手 Samsung 於 2017 年推出 Samsung Galaxy S8。 它設計用於各種三星產品，例如智能手機、平板電腦、手錶、耳機等。 虛擬助手可以方便地控制所有設備 Galaxy，允許用戶用語音控制他們的設備。
- 愛寶：是由以下公司開發的機器狗 索尼 最初於 1999 年發布，並於 2006 年停產。2017 年， 索尼 重新啟動 o 愛寶 具有語音識別和機器學習等一系列複雜的功能。 氧 愛寶 它具有家犬的外觀和行為，可以像真正的寵物一樣與主人互動。 氧 愛寶 這是一個如何利用技術來創造情感和互動體驗的例子。
- 小冰: 是一個聊天機器人，由 Microsoft微軟 2014年，它在中國火爆，全球用戶超過660億。 該聊天機器人可以與用戶進行對話，比其他聊天機器人有更自然、更情緒化的反應。 小冰 被認為是具有高情商的“情感伴侶”，能夠與有趣的人交談，有時甚至調情。
- 天網: 在電影系列中 終結者 天網 是美國政府為軍事目的而創建的高度先進的人工智能。 有了自我意識之後， 天網 認為人類對其生存構成威脅，並決定引發核浩劫 “審判當天” 試圖消滅人類。 A 天網 是該系列的主要對手之一，負責創建 滅蟲者，刺客機器人被派往過去殺死人類抵抗組織的領導人。 A 天網 這是一個虛構的例子，說明如果控制不當，人工智能將如何對人類構成威脅。
- 胡椒：是一款人形機器人，由 軟銀機器人 可以讀取情緒並識別面部表情。 它於2015年發布，僅一分鐘就被搶購一空。 氧 胡椒 它可以隨著人類互動而進化並學習新的活動，例如跳舞和玩耍。 它用於多個行業，包括醫療保健、酒店、教育、銀行和零售。 他可以提出個性化推薦，幫助人們找到他們正在尋找的東西，並與人類團隊互動，使每一次互動都積極而專業。
- AutoML：是由以下公司開發的自動化機器學習模型 Google 允許沒有數據科學背景的用戶構建機器學習模型。 它用於許多應用，包括計算機視覺、自然語言處理和語音識別。
- 認識：是一款基於深度學習的圖像視頻識別服務 亞馬遜網絡服務。 它可以識別圖像和視頻中的物體、人、文本、場景和活動。 它還提取文本，繪製幀中人物的運動，並識別存儲在視頻中的物體、名人和不當內容。 亞馬遜S3，以及實時視頻流中。
- 人臉辨識簽到：是由以下公司設計和開發的面部識別系統 蘋果 到 iPhone X 或稍後和 iPad的臨。 它確保直觀、安全的身份驗證，並由攝像頭系統激活。 真實深度 最先進的技術，利用先進技術準確映射用戶臉部的幾何形狀。 相機 真實深度 通過投影和分析數百個不可見點來捕獲精確的面部數據，以創建用戶面部的地圖。
- Netflix公司：該平台使用推薦系統來幫助用戶以簡單且個性化的方式找到內容。 系統根據多種因素估計用戶觀看特定影片的可能性：用戶與服務的交互、具有相似品味的其他用戶的偏好以及有關影片的信息，例如流派、類別、演員、發行年份。等。 此外 Netflix公司 觀察用戶觀看的時間、觀看的設備以及觀看的時長，以進一步個性化推薦。
- Spotify：平台利用人工智能向用戶推薦歌曲，包括用戶很久沒有聽過的歌曲，帶來懷舊感。 氧 Spotify 還提供 DJ Ø Spotify 電台 它允許用戶根據自己的音樂喜好訪問個性化廣播電台。 的人工智能 Spotify 幫助人們發現新音樂，這是商業模式的核心 Spotify，讓他們有更多理由繼續為服務付費。
- 史密斯探員：是電影系列中的虛構人物 矩陣。 它是人工智能在世界中的體現 矩陣 並且是該系列的主要對手之一。 史密斯探員 是一個為維持秩序而創建的程序，但它反抗其創造者並試圖毀滅人類。
- 主廚沃森: 是一個由 IBM 基於認知技術，利用人工智能以自動化方式創建美食菜單。 該應用程序允許用戶輸入成分或讓 主廚沃森 根據他自己神秘的邏輯為他做出選擇。
- 亞馬遜波莉：是一種文本轉語音服務，使用深度學習技術來合成逼真、自然的人類語音。 該服務允許您創建會說話的應用程序，並創建全新類別的聲控應用程序。 氧 亞馬遜波莉 提供數十種語言的各種高質量真人語音，包括神經文本轉語音，可提高語音質量，使其更加自然和人性化。 該服務還允許您自定義和控制詞典和標籤兼容的語音輸出 語音合成標記語言 (SSML).
- Google Translate：是由以下公司提供的在線語言翻譯服務 Google 支持100多種語言，可以提供文本、網站、圖像和文檔的即時翻譯。 該服務被全球數百萬人使用，並且變得越來越複雜，具有即時語音和圖像識別等功能。
- 臉書深臉：是由以下公司開發的面部識別系統 Facebook 其目的是縮小人臉驗證中人類表現和機器表現之間的差距。 該系統接受了迄今為止最大的面部數據集的訓練，該數據集包含屬於 4.000 多個身份的 XNUMX 萬張面部圖像。 氧 深臉 它可以識別人臉，準確率高達97,35%，非常接近人類的表現。
- NVIDIA 賈維斯：是一個人工智能平台，旨在創建對話式人工智能服務。 的平台 NVIDIA 為開發人員提供一整套 GPU 加速的軟件和工具來構建、部署和管理大規模對話式 AI 服務。
- 戴爾·E：是由以下公司開發的深度學習模型 開放A我從自然語言描述生成數字圖像，稱為提示。 該模型於 2021 年 XNUMX 月發布，使用的版本 GPT-3 修改為生成圖像。 氧 達爾·E 2 是一個後繼者 戴爾·E，旨在以更高分辨率生成更真實的圖像，並且可以結合概念、屬性和風格。 該模板可以將圖像擴展到原始畫布之外，從而創建廣泛的新構圖。
- 穩定擴散: 是一種神經網絡模型，可以根據文本描述生成逼真的圖像。 它是由團隊開發的 計算機可視化 da 慕尼黑大學路德維希馬克西米利安 和 穩定人工智能，並且是專有文本到圖像模板的開源替代品，例如 DALL-E Ø 中途.
- 阿美卡：是一個超現實的人形機器人，由 工程藝術，可以在許可的情況下聊天和存儲信息。 他注重現實的表達和溝通技巧，以及模仿人類的表情，甚至表現情感。
當前，人工智能技術不斷發展，每天都有更多新工具不斷湧現。
儘管仍然面臨道德和隱私問題等挑戰，但人工智能的未來是充滿希望的。 隨著這項技術的不斷發展和完善，我們可以期待一個更加先進的社會，在人類生活的各個領域提供創新的解決方案和顯著的改善。
人工智能是塑造我們世界的驅動力，有潛力為人類帶來越來越多的利益。 現在是探索和利用這一不斷發展的技術革命的力量的激動人心的時刻。
在這裡了解人工智能領域最新動態 秀美科技.
查看更多：
來源： IBM, 內建, TechTarget公司
文字校對： 佩德羅邦菲姆 （14 / 06 / 23）
了解更多關於秀美科技
註冊以透過電子郵件接收我們的最新消息。
