人工智能ai的最大作用是什么（什么是人工智能）

理想的做法：

Alan Turing 的定义属于“像人类一样行动的系统”。

就其最简单的形式而言，人工智能是一个结合了计算机科学和强大数据集以解决问题的领域。

它还包含机器学习和深度学习的子领域，这些子领域经常与人工智能一起被提及。

这些学科由 AI 算法组成，这些算法试图创建专家系统，根据输入数据进行预测或分类。

今天，很多炒作仍然围绕着人工智能的发展，这是市场上任何新兴技术的预期。

正如Gartner 的炒作周期中所述，自动驾驶汽车和个人助理等产品创新遵循“典型的创新进程，从过度热情到幻灭期，再到最终理解创新的相关性和作用在一个市场或领域。

正如 Lex Fridman 在2019 年麻省理工学院讲座中指出的那样，我们正处于期望值过高的顶峰，接近幻灭的低谷。

随着围绕人工智能伦理的对话出现，我们可以开始看到幻灭低谷的初步一瞥。

弱人工智能——也称为狭义人工智能或狭义人工智能 (ANI)——是经过人工智能训练并专注于执行特定任务的人工智能。

弱人工智能驱动了当今我们周围的大部分人工智能。

对于这种类型的人工智能，“窄”可能是一个更准确的描述，因为它绝不是弱的；

它支持一些非常强大的应用程序，例如 Apple 的 Siri、Amazon 的 Alexa、IBM Watson 和自动驾驶汽车。

强人工智能由通用人工智能（AGI）和人工超级智能（ASI）组成。

通用人工智能 (AGI) 或通用人工智能是人工智能的一种理论形式，其中机器具有与人类相同的智能；

它将具有自我意识，具有解决问题、学习和规划未来的能力。

人工超级智能（ASI）——也称为超级智能——将超越人脑的智力和能力。

虽然强人工智能仍然完全是理论上的，今天还没有实际使用的例子，但这并不意味着人工智能研究人员不会也在探索它的发展。

与此同时，ASI 最好的例子可能来自科幻小说，比如 HAL，2001 年：太空漫游中的超人、流氓计算机助手。

由于深度学习和机器学习往往可以互换使用，因此值得注意的是两者之间的细微差别。

如上所述，深度学习和机器学习都是人工智能的子领域，而深度学习实际上是机器学习的一个子领域。

深度学习实际上由神经网络组成。

深度学习中的“深度”是指由三层以上的神经网络组成——包括输入和输出——可以被认为是一种深度学习算法。

这通常使用下图表示：

深度学习和机器学习的不同之处在于每种算法的学习方式。

深度学习使过程中的大部分特征提取部分自动化，消除了一些所需的人工干预并允许使用更大的数据集。

您可以将深度学习视为“可扩展的机器学习”，正如 Lex Fridman 在同一个 MIT 讲座中指出的那样。

经典的或“非深度”的机器学习更依赖于人工干预来学习。

人类专家确定特征的层次结构以了解数据输入之间的差异，通常需要更多结构化数据来学习。

“深度”机器学习可以利用标记数据集（也称为监督学习）为其算法提供信息，但它不一定需要标记数据集。

它可以以原始形式（例如文本、图像）摄取非结构化数据，并且可以自动确定特征的层次结构，从而将不同类别的数据彼此区分开来。

与机器学习不同，它不需要人工干预来处理数据，让我们能够以更有趣的方式扩展机器学习。

如今，人工智能系统有许多现实世界的应用。

以下是一些最常见的示例：

许多移动设备将语音识别整合到他们的系统中以进行语音搜索（例如 Siri）或提供更多关于短信的可访问性。

他们回答围绕主题的常见问题 (FAQ)，例如运输，或提供个性化建议、交叉销售产品或为用户建议尺寸，改变我们对跨网站和社交媒体平台客户互动的看法。

示例包括电子商务网站上带有虚拟代理的消息机器人、消息应用程序（例如 Slack 和 Facebook Messenger）以及通常由虚拟助手和语音助手完成的任务。

这种提供建议的能力将其与图像识别任务区分开来。

在卷积神经网络的支持下，计算机视觉在社交媒体中的照片标记、医疗保健中的放射成像以及汽车行业中的自动驾驶汽车中都有应用。

这用于在在线零售商的结账过程中向客户提供相关的附加建议。

“会思考的机器”的概念可以追溯到古希腊。

但自从电子计算出现（以及与本文讨论的一些主题相关）以来，人工智能发展中的重要事件和里程碑包括以下内容：

在论文中，因在二战期间破解纳粹的 ENIGMA 密码而闻名的图灵提议回答“机器能思考吗？”这个问题。

并引入了图灵测试来确定计算机是否可以展示与人类相同的智能（或相同智能的结果）。

从那时起，图灵测试的价值一直备受争议。

（McCarthy 将继续发明 Lisp 语言。）

那年晚些时候，Allen Newell、JC Shaw 和 Herbert Simon 创建了 Logic Theorist，这是有史以来第一个运行的 AI 软件程序。

仅仅一年后，Marvin Minsky 和 ​Seymour Papert 出版了一本名为Perceptrons的书，这本书既成为神经网络方面的里程碑式工作，也至少在一段时间内成为反对未来神经网络研究项目的论据。

考虑到随着游戏的进行有大量可能的移动（仅四步就超过 14.5 万亿！），胜利意义重大。

后来，谷歌以 4 亿美元的价格收购了 DeepMind。