哪些是人工智能（AI）？
AI（人工智能）是機器像人類一樣執行認知功能的能力，比如感知，學習，推理和解決問題。人工智能的基準是推理，言語和視覺團隊中的人類水平。
人工智能水平介紹
現在，人工智能幾乎被用于所有行業，為所有大規模集成人工智能的公司提供了技術優勢。按照埃森哲的說法，與其他剖析技術相比，人工智能有可能在零售業創造6000億港元的價值，為銀行業帶來50%的增量價值。在運輸和貨運方面，潛在的收入下降了89%。
具體而言，假若一個組織將人工智能用于其營銷團隊，它可以手動執行平凡和重復的任務，使銷售代表才能專注于構建關系，培養潛在顧客等。一家名為Gong的公司提供對話智能服務。每次銷售代表撥通電話時人工智能，機器就會記錄、轉錄和剖析聊天。總工裁可以使用AI剖析和建議來制定做勝策略。
簡而言之，人工智能提供了尖端技術來處理人類難以處理的復雜數據。人工智能手動執行冗余工作，使工人才能專注于高水平的增值任務。當人工智能大規模施行時，它會造成成本增加和收入降低。
人工智能的歷史
人工智能在明天是一個流行語，雖然這個術語并不新鮮。1956年，來自不同背景的前衛專家決定組織一個關于人工智能的暑假研究項目。四位聰明的腦子領導了這個項目;John（達特茅斯大學），（耶魯學院），（IBM）和（貝爾電話實驗室）。
以下是人工智能的導論：
人工智能的目標
以下是AI的主要目標：
可以幫助您降低執行特定任務所需的時間。
使人類更容易與機器互動。
以更自然和高效的方法促使人機交互。
提升醫療確診的確切性和速率。
幫助人們更快地學習新信息。
強化人與機器之間的溝通。
人工智能的子領域
以下是人工智能的一些重要子領域：
機器學習：機器學習是研究從示例和經驗學校習的算法的藝術。機器學習基于這樣一種看法，即數據中的個別模式已被辨識并用于未來的預測。與硬編碼規則的不同之處在于，機器會學會找到這樣的規則。
深度學習：深度學習是機器學習的一個子領域。深度學習并不意味著機器學習更深入的知識;它使用不同的層來學習數據。模型的深度由模型中的層數表示。諸如，用于圖象辨識的LeNet模型有22層。
自然語言處理：神經網路是一組聯接的I/O單元，其中每位聯接都有與其計算機程序關聯的權重。它可以幫助您從小型數據庫建立預測模型。該模型構建在人類神經系統的基礎上。您可以使用此模型進行圖象理解，人類學習，計算機語音等。
專家系統：專家系統是一種交互式且可靠的基于計算機的決策系統，它使用事實和啟發式方式來解決復雜的決策問題。它也被覺得是人類智力的最高水平。專家系統的主要目標是解決特定領域中最復雜的問題。
模糊邏輯：模糊邏輯被定義為一種多值邏輯方式，它可能具有0到1之間任何實數變量的真值。它是部份真理的句柄概念。在現實生活中，我們可能會碰到難以確定陳述是真是假的情況。
人工智能的類型
人工智能主要有三種類型：基于規則的決策樹和神經網路。
窄型AI是一種AI，可幫助您借助智能執行專用任務。
通用AI是一種AI智能，可以像人類一樣有效地執行任何智力任務。
基于規則的AI基于一組應用于輸入數據集的預先確定的規則。之后，系統生成相應的輸出。
決策樹AI類似于基于規則的AI，由于它使用預先確定的規則集來作出決策。并且，決策樹還容許分支和循環來考慮不同的選項。
超級AI是一種AI，它容許計算機理解人類語言并以自然的形式作出反應。
機器人智能是一種人工智能，它容許機器人具有復雜的認知能力，包括推理，計劃和學習。
人工智能與機器學習
我們的大多數智能手機，日常設備甚至互聯網都使用人工智能。好多時侯，人工智能和機器學習被想要宣布其最新創新的大公司互換使用。并且，機器學習和AI在個別方面是不同的。
人工智能-人工智能-是訓練機器執行人類任務的科學。這個術語發明于20世紀50年代，當時科學家們開始探求計算機怎么自己解決問題。
人工智能是一種被賦于類似人類屬性的計算機。以我們的腦部為例;它可以毫不費勁地無縫地估算我們周圍的世界。人工智能的概念是計算機也可以做同樣的事情。可以說，人工智能是一門模仿人類能力的小型科學。
機器學習是人工智能的一個奇特子集，它訓練機器學習。機器學習模型在數據中找尋模式并嘗試得出推論。簡而言之，機器不須要由人明晰編程。程序員給出了一些事例，計算機將從這種事例中學習該如何做。
人工智能在那里使用？事例
如今在這個AI初學者教程中，我們將學習AI的各類應用：
人工智能具有廣泛的應用-
人工智能用于降低或防止重復性任務。諸如，人工智能可以連續重復一項任務，而不會倍感疲勞。人工智能從不休息，它對執行的任務漠不關心。
人工智能改進了現有產品。在機器學習時代之前，核心產品是構建在硬編碼規則之上的。公司引入人工智能來提高產品的功能，而不是從頭開始設計新產品。你可以想到一個圖片。幾年前，您必須自動標記同學。現在，在AI的幫助下，會給你一個同學的推薦。
人工智能用于所有行業，從營銷到供應鏈，金融，乳品加工部門。按照埃森哲的一項調查，金融服務和高科技通訊正在推動人工智能領域。
為何人工智能如今正在蓬勃發展？
現今，在這個人工智能測試教程中，讓我們了解為何AI如今正在蓬勃發展。讓我們通過右圖來理解。
自九十年代以來，神經網路早已隨著YannLeCun的開創性論文而問世。但是，它在2012年左右開始成名。由三個關鍵誘因解釋其受歡迎程度是：
硬件
數據
算法
機器學習是一個實驗領域，這意味著它須要數據來測試新的看法或技巧。隨著互聯網的蓬勃發展，數據顯得愈發容易訪問。據悉，像和AMD這樣的大公司早已為游戲市場開發了高性能圖形芯片。
硬件
在過去的二六年中人工智能，CPU的功率爆燃式下降，容許用戶在任何電腦筆記本上訓練大型深度學習模型。并且，您須要一臺功能更強悍的機器來處理計算機視覺或深度學習的深度學習模型。因為和AMD的投資，新一代GPU（圖形處理單元）問世。這種芯片容許并行估算，機器可以將估算分離到多個GPU上以推動估算速率。
比如，對于TITANX，須要三天的時間才會訓練一個名為的模型，而傳統CPU則須要數周時間。據悉，大公司使用GPU集群來訓練TeslaK80的深度學習模型，由于它有助于減少數據中心成本并提供更好的性能。
數據
深度學習是模型的結構，數據是使其活躍的流體。數據為人工智能提供支持。沒有數據，哪些也做不了。最新的技術早已突破了數據儲存的界限，在數據中心儲存大量數據比往年任何時侯都更容易。
互聯網革命使數據搜集和分發可用于機器學習算法。假如你熟悉，或任何其他帶有圖象的應用程序，你可以猜到她們的AI潛力。那些網站上有數百萬張帶有標簽的圖片。那些圖片可以訓練神經網路模型辨識圖片上的對象，而無需自動搜集和標記數據。
人工智能與數據相結合是新的黃金。數據是一種奇特的競爭優勢，任何公司都不應忽略，而人工智能可以從您的數據中提供最佳答案。當所有公司都可以擁有相同的技術時，擁有數據的公司將具有競爭優勢。為了給出一個看法，世界每天創建大概2.2艾字節，或22億百兆字節。
一家公司須要十分多元化的數據源來找到模式并大量學習。
算法
硬件比往年任何時侯都更強悍，數據更容易訪問，但使神經網路更可靠的一件事是開發更確切的算法。主神經網路是一個簡單的加法矩陣，沒有深入的統計屬性。自2010年以來，在改進神經網路方面早已取得了非凡的發覺。
人工智能使用漸進式學習算法讓數據進行編程。這意味著計算機可以自學怎樣執行不同的任務，例如發覺異常成為聊天機器人。
總結
人工智能是人工智能的一種完整方式，是訓練機器模仿或復制人類任務的科學。
科學家可以使用不同的方式來訓練機器。在人工智能時代之初，程序員編撰了硬編碼程序，輸入機器可能面臨的每一個邏輯可能性以及怎樣響應。
當系統顯得復雜時，管理規則就顯得困難。為了克服這個問題，機器可以使用數據來學習怎樣處理給定環境中的所有情況。
擁有強悍AI的最重要特點是它擁有足夠的數據和相當大的異構性。諸如，只要機器有足夠的詞組可以學習，它就可以學習不同的語言。
人工智能是新的尖端技術。風險投資家在創業公司或人工智能項目上投資了數十億港元，埃森哲恐怕，人工智能可以促進每位行業起碼達到兩位數的下降率。
通用AI，基于規則的AI，決策樹AI，超級AI是人工智能的類型。
免責聲明：部分文章信息來源于網絡以及網友投稿，本站只負責對文章進行整理、排版、編輯，出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其內容的真實性，如本站文章和轉稿涉及版權等問題，請作者在及時聯系本站，我們會盡快為您處理。
