人工智能到底是什么？
AI是人工智能的缩写。
做作的，很多学生只认出了这个词的一半，并认为它是某种艺术的形容词。事实上，事实并非如此。人工的意思是“人工的、人造的”，是自然的反义词。
Intelligence，这个不太容易承认，就是“聪明”的意思。英特尔公司的名称基于该单词的前五个字母。
综合起来，AI就是“人工、人工智能”，即利用人工手段创造智能。
关于AI的定义，业界有多种说法。一位更学术的人这样说：
人工智能是研究、开发模拟、延伸和扩展人类智能行为的理论、方法、技术和应用系统的综合科学。
这个定义很难发音，而且读起来很混乱。
其实对于AI，我们可以拆解来看。
首先，人工智能的本质属性是它是一门科学、一个技术领域。
它涉及计算机科学、数学、统计学、哲学、心理学等各个学科的知识，但总的来说，它被归入计算机学科之下。
其次，人工智能研究的目的是让一个“系统”变得智能化。
这个“系统”可以是一组软件程序、一台计算机，甚至是一个机器人。
三、什么层次才叫真正的智力？
这就是问题的关键。目前看来，能够像人类一样感知、理解、思考、判断、决策，就是人工智能的实现。
与机器人、机械臂等物理载体配合，人工智能还可以实现移动能力。
基于以上三点，就更容易理解AI的定义了。
人工智能和普通计算机有什么区别？
AI仍然是一种基本的基于计算机的玩法，使用半导体芯片技术（因此通常被称为“硅基”），以及一些计算机系统和平台。
那么，它与传统的计算机程序有什么区别呢？
传统的计算机程序是规则的集合。程序员通过代码告诉计算机规则，计算机根据规则对输入数据进行判断和处理。
例如，经典的“if.else.”语句——“如果你年龄超过65岁，就退休。否则，继续工作。”
然后，计算机程序将根据这个规则对所有输入的年龄数据进行判断和处理。
然而现实生活中，很多元素（如图像、声音）极其复杂多样，我们很难给出固定的规则让计算机实现高精度的判断和处理。
例如，判断一只狗是否是狗。
狗的品种很多，每种都有不同的颜色、体型和面部特征。狗在不同的时间也有不同的表情和姿势。狗也会暴露在不同的背景情况下。
因此，计算机通过摄像头捕捉到的狗的图像层出不穷。通过有限的规则来帮助计算机做出判断是很困难的。
如果你想让计算机实现类似人类的智能，它不能由简单的规则驱动。相反，应该像教孩子一样，不断输入数据和答案，让他总结特征，形成自己的判断规则。
换句话说，在经典编程中，人们输入规则（即程序）和数据，系统输出答案。
AI计算过程分为两步：
第一步，输入是数据和期望答案，系统输出规则。
第二步是将输出规则应用于新数据，然后输出答案。
第一步，我们可以称之为“训练”。第二步是真正“工作”。
这是传统计算程序与当前主流人工智能技术的典型区别。 （注意，我说的是“当前主流AI”，还有一些玩法不同的“历史AI”和“非主流AI”，不能一概而论。）
AI，有哪些类别？
正如前面提到的，人工智能是一个非常庞大的科学领域。
自20世纪50年代正式诞生以来，许多科学家对人工智能进行了大量的研究，并产生了许多令人瞩目的成果。
这些研究根据不同的思想方向分为许多思想流派。比较有代表性的是象征主义学派、联结主义学派、行为主义学派。
这些学派没有对错之分，它们之间也有一些交叉和融合。
早期（1960-1990），符号主义（以专家系统和知识图为代表）是主流。后来，从1980年开始，联结主义（以神经网络为代表）兴起，并一直保持主流至今。
未来可能会出现新技术，可能会出现新的思想流派，但情况不一定如此。
除了方向路线之外，我们还可以从智能水平和应用领域来对人工智能进行分类。
根据智能水平，可分为：弱人工智能（Weak AI）、强人工智能（Strong AI）、超级人工智能（Super AI）。
弱人工智能只专注于单一任务或一组相关任务，不具备通用智能能力。我们目前正处于这个阶段。
强人工智能更强大。它具有一定的通用智能能力，能够理解、学习并应用于各种任务。这还处于理论和研究阶段，尚未实施。
超级人工智能当然是最强大的。它几乎在每个方面都超越了人类智力，包括创造力、社交技能等等。超级人工智能是未来的终极形态，我们假设它是可以实现的。
关于AI按应用领域分类，我们稍后再讲。
什么是机器学习？
事实上，我们前面介绍规则总结的时候，其实也提到了机器学习。
机器学习的核心思想是建立一个可以从数据中学习的模型，并利用这个模型来做出预测或决策。
机器学习不是特定的模型或算法。它包括多种类型，例如：
监督学习：算法从标记数据集中学习，即每个训练样本都有一个已知的结果。
无监督学习：算法从未标记的数据集中学习。
半监督学习：将少量标记数据与大量未标记数据结合起来进行训练。
强化学习：通过反复试验来学习哪些行为会受到奖励，哪些行为会受到惩罚。
什么是深度学习？
深度学习，具体来说，深度神经网络学习。
深度学习是机器学习的一个重要分支。机器学习下面有一条“神经网络”路线，深度学习是“神经网络”学习的增强版。
神经网络是联结主义的代表。顾名思义，该路线模仿人脑的工作原理，建立神经元之间的连接模型，实现人工神经计算。
所谓深度学习的“深度”，是指神经网络中“隐藏层”的层次。
经典的机器学习算法使用具有输入层、一或两个“隐藏层”和输出层的神经网络。
深度学习算法使用更多的“隐藏层”（数百个）。它的能力更强大，可以让神经网络完成更困难的工作。
机器学习、神经网络和深度学习之间的关系可以从下图看出：
什么是卷积神经网络和循环神经网络？
自20世纪80年代神经网络兴起以来，已经形成了许多模型和算法。不同的模型和算法有各自的特点和功能。
卷积神经网络（CNN）和循环神经网络（RNN）是20世纪90年代左右诞生的比较知名的神经网络模型。
它们的具体工作原理比较复杂。无论如何，请记住：
卷积神经网络（CNN）是一种神经网络，用于处理具有网格结构的数据，例如图像和视频。因此，它通常用于计算机视觉，可用于图像识别和图像分类。
循环神经网络（RNN）是一种用于处理序列数据的神经网络，例如语言模型和时间序列预测。因此，它常用于自然语言处理和语音识别。
什么是变压器？
Transformer也是一种神经网络模型。它比卷积神经网络和循环神经网络（Google 研究团队于2017 年提出）更年轻，也更强大。
作为非专业人士，你不需要研究它是如何工作的，你只需要知道：
1.是深度学习模型；
2.它使用了一种称为自注意力的机制；
3、有效解决卷积神经网络和循环神经网络的瓶颈（限制）问题；
4.它非常适合自然语言处理（NLP）任务。与循环神经网络相比，其计算可以高度并行，简化模型架构，大大提高训练效率；
5.还扩展到其他领域，例如计算机视觉和语音识别。
6、现在我们常提到的大型模型几乎都是基于变压器的。
神经网络有很多种。我在网上找到了一张图片供参考：
什么是大模型？
AI这两年因为大模型的流行而火起来。那么，什么是大模型呢？
大型模型是参数规模巨大、计算结构复杂的机器学习模型。
参数是指模型训练过程中学习和调整的变量。参数定义模型的行为、性能、实施成本以及计算资源的要求。简而言之，参数是模型内用于进行预测或决策的部分。
大型模型，通常具有数百万到数十亿个参数。相应地，参数较少的模型就是小模型。对于一些细分领域或者场景，小模型也足够了。
大型模型需要依赖大规模数据进行训练，消耗大量的计算资源。
大模型有很多类别。大模型通常指的是大语言模型（用文本数据训练）。但事实上，还有大型视觉模型（在图像数据上训练）和大型多模态模型（文本和图像）。
大多数大型模型的基本核心结构是Transformer 及其变体。
根据应用领域，大型机型可分为通用大型机型和行业大型机型。
一般大模型的训练数据集更广，涵盖的领域更全面。行业大模型，顾名思义，有特定行业的训练数据，应用于专门领域（如金融、医疗、法律、工业）。
GPT的本质是什么？
GPT-1、GPT-2.GPT-4o等都是美国公司OpenAI推出的大型语言模型，同样基于Transformer架构。
GPT的全称是Generative Pre.trained Transformer，Generative-Pre-training-Transformer。
生成性是指模型可以生成连续且有逻辑的文本内容，例如完成对话、创建故事、编写代码或写诗和歌曲等。
这里我只想提一下，现在经常提到的AIGC，就是AI Generation Content，人工智能生成的内容。内容可以是文字、图片、音频、视频等。
GPT系列是面向文本的，Google也推出了竞品BERT。
Vincent 图，比较有代表性的是DALL·E（同样来自OpenAI）、Midjourney（知名）和Stable Diffusion（开源）。
Vincent Audio（音乐）包括Suno (OpenAI)、Stable Audio Open（由Stability.ai 开源）和Audiobox (Meta)。
Vincent Video 包括Sora (OpenAI)、Stable Video Diffusion（由Stability.ai 开源）和Soya（开源）。图片还可以生成视频，比如腾讯的Follow-Your-Click。
AIGC是“应用维度”的定义，它不是具体的技术或模型。 AIGC的出现扩展了人工智能的功能，打破了以往人工智能主要用于识别的功能限制，拓宽了应用场景。
好吧，我们继续解释GPT ——Pre.trained的第二个字母。
预训练意味着模型首先会在大规模未标记文本语料库上进行训练，以学习语言的统计规律和潜在结构。
通过预训练，模型具有一定的通用性。训练数据（如网页文本、新闻等）越大，模型的能力越强。
对AI的关注热潮主要源于2023年初ChatGPT的火爆。
ChatGPT的chat就是聊天的意思。 ChatGPT是OpenAI基于GPT模型（也称为GPT-3.5）开发的AI对话应用服务。
;x-signature=3A8p9unWG8mqOYiccsM7GhKnpZ8%3D” />
通过这个服务，人们才可以亲身体验到GPT模型的强大，有利于技术的宣传和推广。
事实证明，OpenAI的策略成功了。ChatGPT充分吸引了公众关注度，也成功推动了AI领域的发展热潮。
█ AI，究竟能做什么？
AI的作用，极为广泛。
概括来说，AI和传统计算机系统相比，能提供的拓展能力，包括：图像识别、语音识别、自然语言处理、具身智能等方面。
图像识别，有时候也被归类为计算机视觉（Computer Vision，CV），让计算机具备理解和处理图像和视频的能力。常见的是摄像头、工业质检、人脸识别之类的。
语音识别，就是理解和处理音频，获得音频所搭载的信息。常见的是手机语音助手、电话呼叫中心、声控智能家居之类的，多用于交互场景。
自然语言处理，前面介绍过，就是使计算机能够理解和处理自然语言，知道我们到底在说什么。这个很火，多用于创造性的工作，例如写新闻稿、写书面材料、视频制作、游戏开发、音乐创作等。
具身智能，就是把人工智能搭载在一个物理形态（“身体”）上，通过与环境互动，来获得和展示智能。
带AI的机器人，属于具身智能。
斯坦福大学年初推出的“Mobile ALOHA”，就是一个典型的家用具身机器人。它可以炒菜、煮咖啡甚至逗猫，火爆全网。
值得一提的是，并不是所有的机器人，都是人形机器人。也不是所有的机器人，都用到了AI。
人形机器人
AI特别擅长对海量数据进行处理，一方面通过海量数据进行学习和训练，另一方面，基于新的海量数据，完成人工无法完成的工作。或者说，找到海量数据中潜在的规律。
目前AI在社会各个垂直行业的应用，主要是围绕上面的能力进行延展。
我们举一些常见的例子。
在医疗领域，AI已经可以用于分析X光片、CT扫描、MRI图像等，帮助识别识别异常区域，甚至做出诊断判断。AI还可以用于识别组织切片中的细胞变异，辅助病理学家进行癌症筛查和其他疾病的诊断。
AI还可以分析患者的基因组数据，确定最适合的治疗方案。AI也可以根据患者的病史和生理指标，辅助预测病情趋势。
在药品研发方面，AI可以帮助模拟化学成分的相互作用，缩短新药研发周期。
发生严重的公共卫生事件时，AI可以分析流行病数据，预测疾病传播的趋势。
在金融领域，AI可以实时监测市场动态，识别潜在的市场风险，并制定相应的风险对冲策略。
AI还可以通过分析借款人的信用记录、收入情况、消费行为等多维度数据，评估信贷风险。当然，AI也可以结合投资者的个人财务情况、风险偏好和收益目标，提供最合适的投资组合建议。
类似的例子实在是数不胜数。在工业制造、教育文旅、商业零售、农林牧渔、公共安全、政府治理等几乎所有领域，AI都已经有了实际的落地场景和案例。
AI正在改变社会，改变我们每一个人的工作和生活。
█ 我们应该如何看待AI？
AI的商业和社会价值，是毋庸置疑的。它的崛起趋势，也是不可阻挡的。
从企业的角度来说，AI能够自动化重复性、繁琐的任务，提高生产效率和质量，同时降低生产成本和人力成本。
对于制造业和服务业来说，这个优势至关重要，直接影响了企业的竞争力，甚至是生存。
从政府的角度来说，AI不仅可以提升治理效率，也能够带来新的商业模式、产品和服务，刺激经济。
强大的AI，也是一种国家竞争力。在科技博弈和国防事业方面，如果AI技术不如别人，可能会带来严重后果。
从个人的角度来说，AI可以帮助我们完成一些工作，也可以提升我们的生活品质。
从整个人类的角度来说，AI在疾病治疗、灾害预测、气候预测、消灭贫穷方面，也可以发挥重要的作用。
但事物都是有两面性的。AI作为工具，既有利，也有弊。
最现实的一个弊，就是可能会威胁到大量的人类工作岗位，导致大量失业。根据麦肯锡的研究，到2030年至2060年之间，大约50%的职业可能会逐步被AI取代，特别是对于知识工作者而言。
图片来自《纽约客》杂志
除此之外，AI被用于发动战争、欺诈（模仿声音或换脸，进行诈骗）、侵犯公民权益（信息过度采集、侵犯隐私）。
如果只有少数公司拥有先进的AI技术，可能会加剧社会的不公平现象。AI的算法偏见，也可能导致不公平。
AI变得越来越强大，也会让人们产生对AI的依赖，失去独立思考和解决问题的能力。AI的强大创造力，有可能让人类失去创造的动力和信心。
围绕AI的发展，还有安全（数据泄露、系统崩溃）、道德伦理等一系列问题。
所有这些问题，我们目前都没有靠谱的解决方案。所以，只能在发展AI的过程中，一点点去探索、思考和解决。对于AI的警惕和防范之心，是一定要有的。
作为我们普通人，目前最现实的做法，就是先了解它、学习它。先学会使用常见的AI工具和平台，帮助自己提升工作效率，改善生活品质。
有句话说的好：“未来，淘汰你的不是AI，而是掌握了AI的人”。与其焦虑，不如勇敢面对和积极拥抱，尽早掌握主动权。
好啦，以上就是今天文章的全部内容。对于一个普通人来说，知道这些AI常识，就是拥抱AI的第一步。至少和别人聊天的时候，谈到AI，就不会一头雾水了。
感谢大家的耐心阅读，我们下期再见！
版权声明：本文转载于网络，版权归作者所有，如果侵权，请联系本站编辑删除
