什么是人工智能 (AI)？

人工智能（AI）是致力于解决通常与人类智能相关联的认知性问题的计算机科学领域，涵盖学习、创造、图像识别等任务，目标是创建能从数据中获取意义并自我学习、以类似人类方式解决新问题的系统。具体介绍如下：

• 发展历程

  起源：1950年，Alan Turing在论文《计算机械和智能》中首次提出“人工智能”一词，将其作为理论和哲学概念，探讨机器是否会思考。

  早期发展：1957 - 1974年，计算机存储和处理能力提升，科学家开发机器学习算法，国防高级研究计划局（DARPA）等机构设立研究基金，初期目标是实现计算机转录和翻译口语。

  20世纪80年代：资金增加和算法工具包扩展简化了开发，David Rumelhart和John Hopfield发表关于深度学习技术的论文，表明计算机可从经验中学习。

  20世纪90年代 - 21世纪初：科学家实现人工智能许多核心目标，如击败世界象棋冠军。现代计算数据和处理能力更强，人工智能研究更普遍，正演变为人工通用智能，软件可执行复杂任务，如自我创造、决策和学习。

• 好处

  解决复杂问题：利用机器学习和深度学习网络，以类似人类智能的方式解决复杂问题，可大规模扩展处理信息，应用于欺诈检测、医疗诊断、业务分析等领域。

  提高业务效率：可全天候工作且不降低性能，能准确执行手动任务，减少员工工作负载，简化业务相关任务。

  更明智的决策：比人类更快地使用机器学习分析大量数据，发现趋势、分析数据并提供指导，通过数据预测建议未来最佳行动方案。

  实现业务流程自动化：通过机器学习训练，精确快速执行任务，提高运营效率，腾出员工资源用于更复杂和创造性的工作。

• 实际应用

  智能文档处理：将非结构化文档格式转换为可用数据，如英国土地注册局（HMLR）部署人工智能应用程序自动进行文档比较，减少审查时间，增强财产转让审批流程。

  应用程序性能监控：使用软件工具和遥测数据监控关键业务应用程序性能，基于AI的APM工具可预测问题并实时解决，如Atlassian使用AI APM工具持续监控应用程序、检测潜在问题并确定严重性优先级。

  预测性维护：使用大量数据识别可能导致运营、系统或服务停机的问题，企业可在问题发生前解决，如Baxter采用预测性维护自动检测工业设备异常情况，减少停机时间，提高运营效率。

  医学研究：简化流程、自动执行重复任务并处理大量数据，促进端到端的药物发现和开发，转录病历，缩短新产品上市时间，如C2i Genomics使用人工智能运行大规模扩展、可定制的基因组管道和临床检查。

  业务分析：收集、处理和分析复杂数据集，预测未来价值，了解数据根本原因，减少耗时流程，如富士康使用人工智能增强的业务分析提高预测准确性，节省成本，减少劳动力浪费，提高客户满意度。

• 关键技术

  深度学习：神经网络构成核心，模仿人脑神经元协同工作处理和分析信息的过程，使用人工神经元共同处理信息，解决复杂问题或自动执行任务。

  自然语言处理：使用深度学习算法解释、理解和收集文本数据含义，可处理人类创建的文本，用于总结文档、自动化聊天机器人和进行情感分析。

  计算机视觉：使用深度学习技术从视频和图像中提取信息和见解，使计算机像人类一样理解图像，可用于监控在线内容、识别人脸、分类图像细节，在自动驾驶中至关重要。

  生成式人工智能：能从简单文本提示中创建新内容和构件，如图像、视频、文本和音频，利用深度学习和海量数据集产生高质量、类似人类的创造性输出，但也存在对偏见、有害内容和知识产权的担忧。

  语音识别：使用深度学习模型解释人类语音、识别单词和检测含义，可将语音转录为文本，指示声音情感，用于虚拟助手和呼叫中心软件等技术。

• 实施面临的挑战

  数据治理：需遵守监管限制和隐私法，管理数据质量、隐私和安全，明确AI模型如何使用和交互客户数据。

  技术难题：机器学习训练AI消耗大量资源，高处理能力门槛对深度学习技术发挥作用至关重要，需强大计算基础架构运行AI应用程序和训练模型，处理能力可能昂贵且限制系统可扩展性。

  数据限制：训练无偏见的人工智能系统需海量数据，需足够存储容量处理和处理训练数据，还需制定有效管理和数据质量流程确保数据准确性。

• AI应用架构的关键组成部分

  数据层：是人工智能的基础层，侧重于为AI应用程序准备数据，包括为训练AI模型提供必要基础架构的硬件子层，可通过第三方云提供商的完全托管服务访问。

  机器学习框架和算法层：由工程师与数据科学家合作创建，满足特定业务用例要求，开发人员可使用预先构建的函数和类轻松构造和训练模型，如TensorFlow、PyTorch和scikit - learn等框架。

  模型层：实现人工智能模型并使用前一层数据和算法训练，对系统决策能力至关重要，关键组件包括决定模型容量的模型结构、训练期间的学习值模型参数和函数、评估模型性能的损失函数、调整模型参数以减少损失函数的优化器。

  应用层：是AI架构中面向客户的部分，让AI系统完成任务、生成信息、提供信息或做出数据驱动的决策，允许最终用户与AI系统交互。