人工智能（AI）是复杂算法、计算和数据训练方法的结合，使机器和计算机能够模仿人类的知识和行为。
在某些方面，人工智能是自然智能的对立面。虽然生物天生具有自然智能，但人造机器可以说拥有人工智能。事实上，人工智能的早期先驱之一约翰·麦卡锡（John McCarthy）将人工智能定义为“制造智能机器的科学和工程”。
然而，在实践中，人工智能公司使用人工智能一词来指代机器执行人类已经达到非常高水平的思维和任务。
计算机非常擅长进行计算——获取输入、操纵它们并因此生成输出。但在过去，他们无法完成其他类型的人类任务，例如理解和生成语言、通过视觉识别物体、创作艺术或从过去的经验中学习。
今天，许多计算机系统都能够使用普通语音与人类进行交流。他们可以识别人脸和其他物体。他们使用机器学习技术，尤其是深度学习和神经网络，使他们能够从过去学习并预测未来。
这项技术的大部分仍在每天都在开发和改进，但现在，即使是普通消费者也可以访问 AI 模型来生成内容、解决问题和处理许多其他高级任务。
生成式人工智能是一种特殊的新兴人工智能形式，它依赖于大数据训练集、神经网络、深度学习和一些自然语言处理来创建原创内容输出。尽管目前最常用的生成式 AI 工具可以生成文本和代码，但生成式 AI 解决方案还可以生成图像、音频和合成数据等输出。
生成式 AI 可能是当今最受欢迎和增长最快的 AI 类型，尤其是在 OpenAI 的 ChatGPT 和 GPT-4 在全球流行的情况下。生成式AI的其他流行示例包括Google Bard，Jasper，Stable Diffusion，DALL-E，Microsoft和GitHub Copilot以及DreamStudio。
在最简单的层面上，机器学习 （ML） 是人工智能的一个子集。虽然更大的人工智能保护伞致力于各种类似人类解决问题的方法，但机器学习涉及开发一个专门训练的模型，该模型专注于教导机器完成重点任务并识别数据模式。在许多情况下，机器学习与其他形式的人工智能结合使用。
正如机器学习是人工智能的一个子集一样，深度学习也是机器学习的一个子集。机器学习作为一个整体，就是从大数据集中获取见解，并根据这些解决方案找到的信息做出决策。它是一种算法、数据驱动的决策方法。深度学习也是一种算法决策方法，但它有点复杂;深度学习模型不是使用一种或少量算法，而是使用多层算法（称为神经网络）。这种结构旨在帮助深度学习模型模仿人脑的功能。
计算机科学家提出了不同的方法来对人工智能的类型进行分类。一种流行的分类使用三个类别：
狭义人工智能 （ANI） 旨在以高能力和技能完成一项任务或一组任务。苹果的 Siri、IBM 的 Watson 和谷歌的 AlphaGo 都是窄 AI 的例子。狭义人工智能在当今世界相当普遍。
通用人工智能 （AGI） 是人工智能的一种形式，可以执行许多与人类相当的智力任务。许多研究人员目前正在致力于开发通用人工智能。AGI 最好的早期例子之一是 GPT-4，它能够解决各种问题，并且在许多标准化的人体测试中表现良好。
人工超级智能（ASI）仍处于理论阶段，其智力远远超过人类。这种人工智能还没有接近成为现实。
反应式机器接受输入并提供输出，但它们没有记忆或从过去的经验中学习。您可以在许多视频游戏中对抗的机器人是反应式机器的好例子。
内存有限的机器可以追溯到很短的过去。如今，道路上的许多车辆都具有属于这一类的高级安全功能。例如，如果您的汽车在车辆或人员即将从您的汽车后面经过时发出倒车警告，则它使用一组有限的历史数据来得出结论并提供输出。
心智理论机器意识到人类和其他实体存在并有自己独立的动机。大多数研究人员都认为这种人工智能还没有被开发出来，一些研究人员说我们不应该尝试这样做。然而，一些最新的生成式人工智能模型在思维任务和测试的理论中表现良好。
具有自我意识的机器意识到自己的存在和身份。尽管一些研究人员声称今天存在自我意识的人工智能，但只有少数人同意这一观点。开发具有自我意识的人工智能是极具争议的。
虽然从理论的角度来看，这些分类很有趣，但大多数组织对他们可以用人工智能做什么更感兴趣。
许多人将人工智能的历史追溯到1950年，当时艾伦·图灵（Alan Turing）出版了《计算机与智能》（Computing Machinery and Intelligence）。图灵的文章开头是“我建议考虑一个问题，’机器能思考吗？’”然后，它提出了一个后来被称为图灵测试的场景。 图灵提出，如果一个人无法将机器与人类区分开来，那么计算机可以被认为是智能的。
1956年，约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Minsky）主持了第一届人工智能会议，即达特茅斯夏季人工智能研究项目（DSRPAI）。这次会议使计算机科学家相信人工智能是一个可以实现的目标，为几十年的进一步研究奠定了基础。这次会议出现了一些最早涉足人工智能技术的人，开发了玩跳棋和国际象棋的机器人。
1960 年代见证了基本机器人和几个解决问题程序的发展。一个值得注意的亮点是ELIZA的创建，这是一个模拟心理治疗的程序，并提供了人机交流的早期例子。
在 1970 年代和 80 年代，人工智能的发展仍在继续，但速度较慢。特别是机器人领域取得了重大进展，例如可以看和走的机器人。此外，梅赛德斯-奔驰还推出了第一辆（极其有限的）自动驾驶汽车。然而，政府对人工智能研究的资助急剧减少，导致了一段被称为“人工智能寒冬”的时期。
1990年代，人们对人工智能的兴趣再次激增。人工语言互联网计算机实体（ALICE）聊天机器人表明，自然语言处理可以导致人机交流，感觉比ELIZA更自然。这十年还见证了分析技术的激增，这些技术将成为后来人工智能发展的基础，以及第一个递归神经网络架构的发展。这也是IBM推出深蓝国际象棋AI的十年，这是第一个战胜现任世界冠军的AI。
2000 年代的第一个十年见证了机器人技术的快速创新。Roombas开始用吸尘器吸尘地毯，NASA发射的机器人探索了火星。言归正传，谷歌正在开发一款无人驾驶汽车。
自 2010 年以来，人工智能技术取得了前所未有的发展。硬件和软件都发展到可以进行对象识别、自然语言处理和语音助手的地步。IBM 的 Watson 赢得了 Jeopardy。Siri、Alexa 和 Cortana 应运而生，聊天机器人成为现代零售业的固定装置。Google DeepMind 的 AlphaGo 击败了人类围棋冠军。各行各业的企业都已开始部署人工智能工具，以帮助他们分析数据并取得更大的成功。
2017 年，谷歌发布了一篇研究论文，首次确定了一种名为 Transformer 的神经网络架构概念，这对当今的生成式 AI 领域来说可能是最重要的 。此后，Transformer 已成为开发生成式 AI 模型的基础技术之一。
人工智能开始从狭隘和有限的功能演变为更高级的实现，其中一些是公众可以使用的;事实上，这十年似乎比以往任何时候都更加关注人工智能民主化。在这十年的最初几年，生成式人工智能兴起，为企业用户创建了更复杂的模型，并为所有用户提供了简化的低成本版本。
人工智能最伟大和最受欢迎的进步在 2022 年底起飞，当时 OpenAI 首次推出其 ChatGPT 聊天机器人和大型语言模型 （LLM）。此后，出现了许多竞争对手和类似模型来支持文本、代码、音频、视频、图像和合成数据生成要求。
除了各种形式的内容生成外，2020 年代的 AI 进步还包括 Web 浏览器和各种业务应用程序中的 AI 驱动的搜索和虚拟助手、AI 驱动的医学和制药研究，以及用于 AR、VR 和 XR 体验的 AI 驱动的计算机视觉的更高级实例。人工智能正在受到越来越多的监管，其伦理和环境影响正在被讨论。
人工智能可能的人工智能用例和应用几乎是无限的。当今最常见的一些 AI 用例包括：
生成式 AI 模型被用于生成各种格式的内容：不仅是文本，还包括代码、合成数据、音频和音乐、图像、视频和语音。内容生成模型目前应用于各种行业和用例，包括营销和销售、客户服务、员工培训、网络安全、计算机视觉、医疗保健和制药、娱乐和游戏以及法律和政府。
无论您是在购买新毛衣、寻找要观看的电影、浏览社交媒体还是试图寻找真爱，您都可能会遇到基于 AI 的算法来提出建议。大多数推荐引擎使用机器学习模型将你的特征和历史行为与你周围的人进行比较。这些模型可以很好地识别偏好，即使用户自己不知道这些偏好。
自然语言处理 （NLP） 是 AI 的一个广泛类别，包括语音转文本、文本转语音、关键字识别、信息提取、翻译和语言生成。它允许人类和计算机通过普通的人类语言（音频或打字）进行交互，而不是通过编程语言。由于许多 NLP 工具都包含机器学习功能，因此它们往往会随着时间的推移而改进。
人工智能不仅可以理解人类语言，还可以识别支撑人类对话的情感。例如，人工智能可以分析数以千计的技术支持对话或社交媒体互动，并确定哪些客户正在经历强烈的积极或消极情绪。这种类型的分析使客户支持团队能够专注于可能面临叛逃风险的客户和/或可能成为品牌拥护者的极其热情的支持者。
我们中的许多人每天都与 Siri、Alexa、Cortana 或 Google 互动。虽然我们经常认为这些助手是理所当然的，但它们融合了先进的人工智能技术，包括自然语言处理和机器学习。一些新的生成式 AI 解决方案还提供语音合成和帮助。
金融服务公司和零售商经常使用高度先进的机器学习技术来识别欺诈易。他们在财务数据中寻找模式，当交易看起来异常或符合已知的欺诈模式时，他们会发出警报，以阻止或减轻犯罪活动。
我们中的许多人使用基于人工智能的面部识别来解锁手机。这种人工智能还支持自动驾驶汽车，并自动处理许多与健康相关的扫描和测试。
制造业、石油和天然气、运输和能源等许多行业严重依赖机械，当这些机器出现停机时，成本可能非常高。公司现在正在结合使用物体识别和机器学习技术来提前识别设备何时可能发生故障，以便他们可以在最大程度地减少中断的时间安排维护。
预测算法可以分析几乎任何类型的业务数据，并将其用作预测未来可能事件的基础。规范性分析仍处于起步阶段，它更进一步，不仅做出预测，还就组织应该做些什么来为未来可能发生的事件做准备提供建议。这些人工智能驱动的分析方法被用于各种行业，但在保险等基于报价的行业中尤其受欢迎。
目前生产中的大多数车辆都具有一些自主功能，例如停车辅助、车道居中和自适应巡航。虽然它们仍然昂贵且相对罕见，但全自动驾驶汽车已经上路，为它们提供动力的人工智能技术每天都在变得越来越好，越来越便宜。
工业机器人是最早实现人工智能的机器人之一，它们仍然是人工智能市场的重要组成部分。消费类机器人，如机器人吸尘器、调酒师和割草机，正变得越来越普遍。
当然，这些只是人工智能的一些更广为人知的用例。人工智能技术正在以多种方式渗透到日常生活中，而我们往往并不完全意识到这一点。
AIOps（用于 IT 运营的人工智能）正越来越多地用于简化熟练技术工人的工作流程和工作负载。人工智能可用于完成与服务和绩效管理以及数据管理和分析相关的任务。
人工智能正在渗透到企业和家庭的每个角落，但是，就像任何其他快速变化的新技术一样，人工智能既有相当大的优点，也有缺点。
人工智能受到其训练数据和运行环境的限制。以下是 AI 局限性的几个示例：
多年来，人们一直在理论意义上讨论人工智能伦理，但特别是随着人工智能变得更加主流和有能力，人工智能伦理的讨论变得比以往任何时候都更加重要。人工智能伦理对人工智能的长期健康和发展非常重要，因为人工智能的伦理问题可能导致企业失去客户、声誉、法律纠纷和金钱。在某些情况下，不道德的人工智能实例甚至可能导致人类生命的损失。
有了强大的道德人工智能框架，人工智能公司和用户可以期待以下好处：
那么，人工智能的未来会是什么样子呢？显然，人工智能已经在重塑消费者和商业市场，但要真正与人类的知识和能力相匹配，还有很长的路要走。
为人工智能提供动力的技术继续以稳定的速度发展。量子计算等未来的进步最终可能会带来重大的新创新，但在短期内，技术本身似乎很可能会继续沿着一条可预测的不断改进的道路前进。
不太清楚的是人类将如何适应人工智能。许多早期的人工智能实施都遇到了重大挑战。在某些情况下，用于训练模型的数据允许偏见感染人工智能系统，使其无法使用。
在许多其他情况下，企业在部署人工智能后并不总是能看到他们所希望的财务结果。该技术可能已经成熟，但围绕它的业务流程却不成熟。因此，企业人工智能的未来将在很大程度上依赖于企业对该技术的投资。
“成功的人工智能业务成果将取决于对用例的仔细选择，”Gartner高级总监分析师Alys Woodward说。“提供重大业务价值，但可以扩展以降低风险的用例，对于向业务利益相关者展示人工智能投资的影响至关重要。”
最后，也许也是最重要的一点，在人工智能发展方面，公众的反应不一。虽然许多用户对生成式 AI 模型等新的 AI 工具感到兴奋，但其他人则对失去工作或个人信息感到紧张。其他人则担心那些只会变得“更聪明”、更有能力的工具的未来影响。
高水平的采用推动了某些形式的人工智能向前发展，而另一些则默默无闻。从非常现实的意义上讲，人工智能的未来可能更多地与人有关，而不是与机器有关。
