人工智能，全方位解读，为你揭秘【一切】

关于人工智能的综述如下：自从上世纪50年代起，人工智能被定义为机器执行以往只有人类智能才能完成的任务。而现在，人工智能的定义更为具体，与系统适应新环境并应用知识的能力相关。通常，人工智能系统会表现出计划、学习、推理、问题解决、知识表示、感知等人类智能相关行为。人工智能广泛应用于推荐系统、虚拟助手、图像识别、垃圾邮件过滤、欺诈检测等领域。人工智能分为狭义人工智能和通用人工智能两类，前者用于执行特定任务，如虚拟助手；后者则是一种灵活形式的适应性智能，能够学习执行多种任务。尽管人工智能系统有着广泛的应用，但有时现实中的表现可能不如预期，如自动驾驶汽车的发展进程受到挑战。通用人工智能，作为一种更高级的形式，具备极大的潜力，但其实现时间和方式仍存在分歧。ton、Demis Hassabis和Yann LeCun指出，由于现代狭义人工智能系统与通用人工智能(AGI)本质上存在显著差异，以及领导者对通用人工智能的态度保持怀疑，因此几乎没有理由担心通用人工智能在不久的将来对社会产生重大影响。

总的来说，一些人工智能专家认为，鉴于对人类大脑认知的限制，之前提出的预测过于乐观，他们相信通用人工智能(AGI)的实现可能需要几个世纪的时间。

在人工智能发展的最新里程碑中，虽然现代狭义人工智能可能仅限于特定任务的执行，但在各自的领域内，这些系统有时能够展现出超出人类表现水平的能力。

尽管技术方面没有太多突破，但也有一些亮点：谷歌公司于2009年表示，他们开发的自动驾驶技术有望使丰田普锐斯汽车能够完成每100公里10次以上的测试，推动无人驾驶汽车技术取得进展。

在2011年，IBM的Watson在美国电视智力竞赛节目《危险边缘》中取得胜利，击败了该节目历史上两位最优秀的人类选手，成为全球头条新闻。Watson利用自然语言处理和分析技术处理海量数据，能够在不到1秒的时间内回答人类提出的问题。

2012年，AlexNet系统的发展预示着人工智能有能力处理许多过去被认为对机器来说过于复杂的新任务。在ImageNet大规模视觉识别挑战赛中，AlexNet取得了决定性的胜利，将错误率降低了一半，证明了基于神经网络学习系统的潜力。

继续专业编辑，继续文本的第3/8部分。远影响。AlphaFold 2在重要的蛋白质结构预测竞赛中表现出色，准确性与传统的晶体学方法相当，而晶体学被公认为对蛋白质建模具有高水准的方法。

与需要数月时间才能获得结果的传统晶体学方法不同，AlphaFold 2可以在数小时内完成蛋白质结构的预测。由于蛋白质在生物学和疾病中具有关键作用，这种加速被认为是医学界的重大突破，也展示了在生物技术中使用酶等领域的潜在应用。

机器学习是实现这些进展的关键。它是人工智能的一个子集，在该领域取得了许多成就。当前的机器学习技术使得计算机系统能够学习执行任务的方法，而不是仅仅通过编程来了解如何执行任务。

神经网络是机器学习成功的关键。这些数学模型能够调整内部参数以改变其输出。通过训练，神经网络可以学习如何对特定数据集进行分类或执行其他任务。深度学习是机器学习的一个子集，通过扩展神经网络的深度和广度，使其能够利用大量数据进行训练，从而推动了计算机视觉和语音识别等任务的发展。

神经网络有多种类型，递归神经网络(RNN)在自然语言处理中表现出色，而卷积神经网络在图像识别方面表现优秀，并在推荐系统和自然语言处理等领域得到广泛应用。人之间的信息，试图找出给定问题的最佳解决方案。

此外，专家系统也是人工智能领域的一种重要类型，这种系统利用预先设定的规则，使计算机能够像人类专家一样在特定领域做出决策。例如，自动驾驶系统就是基于专家系统原理构建的应用之一。

人工智能的复兴得益于机器学习领域的突破，尤其是深度学习。这种突破部分归功于数据的可用性，更重要的是并行计算能力的增长。图形处理单元(GPU)集群的广泛应用为机器学习模型的训练提供了强大的计算能力。同时，全球主要科技公司开始使用专门设计的芯片加速机器学习任务，如谷歌的Tensor Processing Unit (TPU)。TPU不仅加速了深度学习模型的推理和训练速度，还广泛支持各种机器学习模型的应用，如谷歌翻译和图像识别等。

机器学习作为人工智能的一个子集，通常分为有监督学习和无监督学习两大类。在有监督学习中，机器学习系统通过大量带标签的示例进行训练，以学习新数据的特征。这一过程涉及大量数据的标注以及在线平台如Amazon Mechanical Turk等的工作人员。近年来，生成对抗网络(GAN)等新技术被应用于机器学习系统，使其可以在少量标注数据和大量未标注数据的情况下进行训练。向公众提供。

云计算提供商如AWS、微软Azure和谷歌云平台都为用户提供了访问GPU阵列的途径，用于机器学习模型的培训和运行。它们提供了存储数据、数据转换、可视化工具以及模型构建软件等全套服务。而谷歌的Cloud AutoML服务更是能够帮助用户建立自定义的图像识别模型，无需专业机器学习知识。

此外，亚马逊推出了Amazon SageMaker Clarify工具，旨在帮助组织减少培训数据中的偏见和不平衡，以提高模型的预测准确性。对于那些不想自己建立机器学习模型的公司，微软Azure提供的按需人工智能服务范围广泛，其次是谷歌云平台和AWS。IBM则专注于特定行业的人工智能服务，如医疗保健领域。

在人工智能竞赛中，各大科技公司及其他公司不断竞争发展各种服务，其中虚拟助理的兴起成为一大潮流，如苹果的Siri、亚马逊的Alexa、谷歌的助手和微软的Cortana。这些虚拟助理依赖于语音识别和自然语言处理等人工智能技术，因此需要庞大的语料库作为支持。，系统能理解后续问题与初始主题相关，如“今天天气怎么样？”与“明天的天气怎么样？”。

这些虚拟助手和相关服务不仅能够处理语音，还能利用最新版本的Google Lens来翻译图像中的文本，用户也可以通过照片搜索衣物或家具等商品。

虽然Cortana已经内置在Windows 10中，但最近面临困境。亚马逊的Alexa现在能免费在Windows 10个人电脑上使用，而微软公司对Cortana在操作系统中的角色进行调整，更专注于生产任务，如管理用户的日程安排，而非消费者相关功能，如音乐播放。

针对人工智能未来发展的目标，结构化数据、语义、机器人技术和人工智能等领域已经受到关注。同时，Adobe推出了人工智能工具来跟踪全渠道数据，更快地发现异常；IBM公司也推出了Watson工具，用于阅读理解和FAQ提取等应用。能导致更有效药物的分子。谷歌公司的AlphaFold 2机器学习系统的最新突破有望将开发新药的关键步骤所需时间从数月缩短至数小时。

全球各地的医院均正在试验人工智能相关技术。例如，IBM的Watson临床决策支持工具由Memorial Sloan Kettering癌症中心的肿瘤学家进行了培训。此外，英国国家卫生服务局正在使用Google DeepMind系统，该系统有助于发现眼部异常并简化筛查患者头颈部癌症的流程。

(6) 强化歧视和偏见

随着对机器学习系统中反映的人为偏见和社会不平等现象的关注不断增加，人们越来越关注这类系统如何处理其训练数据中的偏见问题。一些研究表明，用于训练这类系统的数据缺乏多样性会对现实世界产生负面影响。

2018年，麻省理工学院与微软公司共同发布一份研究论文，揭示了大型科技公司销售的面部识别系统在识别肤色较深的人时错误率明显较高的问题，这一现象归因于训练数据集主要由白人组成。一年后的另一项研究强调，亚马逊的人脸识别系统Rekognition在识别肤色较深的人的性别方面存在问题。自从这些研究报告发布以来，许多大型科技公司已暂停向警察部门提供面部识别系统。

2018年，亚马逊废弃了一款机器学习招聘工具，该工具存在将男性求职者视为首选的问题。这是培训数据差异化导致结果扭曲的另一个例子。目前，研究正在进行中，以抵消自学系统中的偏见。

(7) 人工智能与全球变暖

随着机器学习模型及其训练数据集规模的不断扩大，塑造和运行这些模型的大型计算集群的碳足迹也在增加。世界经济论坛在2018年发表了一篇关于数据中心供电和制冷设备对环境的影响的论文。据2019年的估计，机器学习系统所需的电力每3.4个月就会翻番。

最近，当发布拥有约1,750亿参数的大型神经网络语言预测模型GPT-3时，人们开始关注训练强大机器学习模型所需的大量能源问题。虽然训练这些模型所需的资源可能庞大，基本上只有大公司才能实现，但一旦进行了良好的训练，运行这些模型所需的能量就会大幅减少。然而，随着对基于这些模型的服务需求增长，电力消耗及由此产生的环境影响再次成为问题。

一些观点认为，培训和运行更大型模型对环境的影响需要与潜在的机器学习益处进行权衡，必须具有明显积极影响，例如在谷歌DeepMind的AlphaFold 2取得突破后，医疗保健领域可能会有更快的进步。库效率的举措，对传统工作岗位产生了直接冲击。而全自动无人驾驶汽车等技术预计也将在未来取代大量工作。

值得注意的是，一些容易实现自动化的工作，如行政办公岗位，即使不依赖机器人技术，也可能面临下降的需求趋势。虽然人工智能将创造新的工作机会，但新岗位是否能够迅速填补失业者的空缺，以及失业者是否具备新型工作所需的技能，仍存在不确定性。

在对待人工智能的态度上，有人认为其是提升工作效率而非取代人类的技术。这些人认为，与其依赖人工智能系统，不如依靠人类辅助，并且对于人工智能系统超越人类能力的速度也存在广泛看法。

对于人工智能未来的发展，牛津大学人类未来研究所邀请了机器学习专家们进行了估计。预测显示，未来几十年内人工智能可能取得重大突破。然而，人工智能是否会在未来45年内击败人类完成所有任务，在120年内实现所有工作的自动化，仍是一个备受争议的话题。