在沒有任何先知先覺的前提下，讓我們看看什么是人工智能（AI），它的歷史、過去和現在在集體想象中是如何存在的？此外，我們將看到人工智能如何在一個單一的定義中匯集了彼此完全不同的方法，它的功能層次是什么？而且，目前在各個應用領域中使用的人工智能的主要技術是什么，這也是它的特點。

人工智能一直遠不止是一門技術，它是一門融合了多門科學貢獻的學科，其與人類智能的類比所產生的魅力令人無法抗拒。一方面，一個人本能地被其潛力以積極的方式拖累，但不利的一面是人工智能可以取代人類這一事實引起的恐懼，特別是在就業方面，這使得目前人類從事的那些任務變得過時了。

這種能夠同時投射光和影的未來愿景必須在人工智能完全朝著投機方向發展之前得到規范，這與我們社會的福祉和發展幾乎不相吻合，而最終總是加劇這些不平衡。在我們這個時代更常見的是，想想 Covid-19 大流行的后果。

人工智能代表了一些有用的、必要的、已經廣泛使用的、同時仍有待發現和應用的東西，以及案例的所有優點和缺點，這些都源于我們決定實施其技術的方式。。考慮人工智能的時機不能再推遲了。有必要關注它的發展，認識到它在創新中日益增長的作用已經在幫助改變我們永遠的交流、工作和生活的方式。

什么是人工智能？

“AI”一詞最早出現在 1955 年，最引人注目的是當年 8 月 31 日，當時美國約翰·麥卡錫和其他一些著名的計算機先驅向洛克菲勒基金會提交了一份撥款申請，用于“在達茅斯進行一項夏季研究的擬議項目人工智能 ”。

在當時，13,500 美元無疑是一個可觀的數額。并且，這只是一項持續研究的第一步。直到今天，人們花費了數十億美元，人工智能在許多方面仍然被認為是一種新興技術，永遠注定要追求這種計算能力能夠運行幾十年前在許多情況下編寫的一系列算法。

正如可以預料的那樣，有無數的定義和分類試圖解釋什么是人工智能，部分原因是它非常受歡迎，部分原因是多學科方法，在綜合的背景下，傾向于使人工智能的觀點占上風視圖或它發現最大興趣的方面。因此，任何對全知定義的嘗試都將被視為失敗的事業。

為了采用一個完整且最近發布的定義，我們從歐盟委員會開展的工作中獲得啟示，該委員會于 2018 年任命了一個獨立研究小組，該小組確定了定義人工智能的一些基本點：

? 這些由人類以軟件（也可能是硬件）形式設計的系統在物理或數字維度上起作用，并且在給定復雜目標的情況下，通過獲取結構化數據來感知其環境，屬于人工智能或不是，解釋它們并推理知識或處理從中獲得的信息，決定為實現給定目標而采取的最佳行動

? 人工智能系統可以使用邏輯規則或學習數值模型，還可以通過分析其先前行為對環境的影響來調整其行為。

? 作為一門科學學科，人工智能包含多種方法和技術，例如機器學習（其中深度學習和強化學習是具體示例）、機械推理（包括規劃、編程、知識表示和推理、研究和優化）和機器人技術（包括控制、感知、傳感器和執行器，以及將所有其他技術集成到網絡物理系統中）

雖然嚴謹，但不可否認的是，像剛剛描述的這樣的科學衍生文本起初可能在形式上有點扭曲，但在實質上，它將人工智能表達為一組極其多樣化的技術系統，能夠獨立行動以滿足具體目標。

現在讓我們退后一步，試圖了解對人工智能的所有興趣從何而來，從它的誕生和它的感知傳播開始，甚至在技術之前。

作為一門科學學科，“人工智能”包括不同的方法和技術，例如“機器學習”——或機器學習——深度學習和強化學習是具體的例子。

作為一門科學學科，“人工智能”包括不同的方法和技術，例如“機器學習” ——或機器學習——深度學習和強化學習是具體的例子。

它是如何誕生的：人工智能的歷史

人工智能與人類智能和機器人技術的頻繁關聯，創造了一種遠遠超出其技術表現和具體應用的現象，影響著各個層面的集體想象。

早在作為實用技術出現之前，從 1950 年代開始，人工智能實際上是敘事和文學辯論的主角，媒體不斷出現。除此之外，她作為女主角在數百萬觀眾面前的無數電影經歷證明了這一點。

人工智能本身就是一種無形的東西，需要通過物理表現來表示。這可以解釋人工智能與機器之間的頻繁關聯，特別是人形機器人或由神秘而迷人的合成意識驅動的自動機。

人與機器之間的關系在我們的歷史中是不變的。公元前三世紀，希臘科學家和作家拜占庭的菲洛發明了菲隆的自動仆人，這是一個人形機器人，通過當時極其復雜的機制，將酒倒入杯中。

它通過管子和彈簧工作，完全不知道電子和計算是什么，但它已經服務于實際用途。哲學緊隨其后，開始質疑人造生命的可能性。

在 17 世紀，托馬斯霍布斯的《利維坦》設想了人類生命與機器的人工生命之間的類比，將器官與能夠使自動機運動的設備進行了比較。在 18 世紀，朱利安-奧夫雷-德-拉梅特里的文章家庭機器人將人定義為一種機制，只是比其他機制更復雜，其靈魂由身體本身決定，也是一種復雜性可以解釋的機制隨著科學研究的進步。

正是這種將人類智能同化為人工智能的愿景，具有在機器中復制人腦機制的可能性，例如，受到控制論和科幻小說圖像的啟發。這場辯論至今仍伴隨著一系列啟發性的靈感。

在藝術和文化方面，人工智能與科幻小說類型之間的關系一直非常密切，無論是在文學作品中，還是在經常改編菲利普 K 迪克或艾薩克阿西莫夫等作家的劇本的電影中，他們都啟發了標志性的我，機器人，由他職業生涯中最好的威爾史密斯之一扮演。

受人工智能啟發的電影現在數以百計，具有里程碑意義，例如《大都會》（1927 年）、2001 年?！短章巍罚?968 年）、《創》（1982 年）、《銀翼殺手》（1982 年）、《終結者》（1984 年）、《黑客帝國》（1999 年）、 AI 人工智能 (2001)、少數派報告 (2002)、Her (2013) 和令人驚訝的 Ex Machina (2015)。

從技術的角度來看，人工智能的最初愿望可以在 19 世紀找到，當時英國數學家阿達-拉芙蕾絲開始研究查爾斯-巴貝奇 的可編程機器。沒有什么可以與我們現在所理解的計算機相媲美，而是旨在處理寫在穿孔卡片上的算法的機械設備，讀取為可執行指令。

巴貝奇本人透露了“[……]在機器程序的工作中，旨在計算伯努利數，洛夫萊斯還設法識別出我犯的一個非常嚴重的錯誤”。僅僅一百年后，也就是 1953 年，當阿達-拉芙蕾絲關于 巴貝奇 分析引擎的筆記發表時，這一陳述的含義才得到證實和更加清晰，其中描述了計算伯努利數的算法，它仍然被認為是歷史上第一個計算機程序。

Alan Turing（阿蘭-圖靈）被認為是計算機科學和人工智能之父，也是 1950 年發表在 Mind 上的同名測試的作者，該測試基于人類與計算機之間的對話。

因為這個算法，Lovelace，也被稱為拜倫勛爵的女兒，被公認為計算機史上第一位程序員。而且它不是流派規范，以前沒有人寫過類似的東西。

同樣引人入勝的是“模仿游戲”的故事，能夠激發同名電影，獲得八項奧斯卡獎提名，本尼迪克特康伯巴奇解釋了數學家艾倫圖靈，致力于解密納粹用來生成他們的惡魔機器之謎秘密消息。為了完成這一驚人的壯舉，圖靈使用了一些機器，這些機器是他本人早在 1936 年就設計的，在演變成我們現在所認為的計算機之前，這些機器會以他的名字命名。

圖靈被許多人認為是計算機科學和人工智能之父，同時也是 1950 年在 Mind 上發表的基于人與計算機之間對話的同名測試的作者。當人無法成功地確定他的對話者是人還是計算機時，根據圖靈的說法，我們就在一臺具有智能行為的機器面前。

由于非常不幸的私人生活，拉夫萊斯和圖靈聯合起來，使兩人都在年輕時就死亡，他們是計算機路徑的主要發起者之一，在 20 世紀下半葉，人工智能將成為我們今天還是明白的。。

我們今天仍然理解的人工智能的進化路徑在 1943 年奠定了基礎，當時麥庫洛赫和 皮特斯認為神經元的功能能夠再現我們甚至在計算機中發現的一階邏輯（AND 和 OR）的基本元素，甚至建立人工神經元模型的理論。

1949 年，當唐納德·赫布發現神經元如何通過相互放電進行交流時，人們注意到了計算機和人腦之間的相似之處，學習和記憶由此產生。人和機器從未如此接近。

1958 年，我們見證了 AI 歷史上的另一個里程碑，當時弗蘭克-羅森布拉特提出了感知器，實際上是神經網絡的第一個示例，其輸出是通過輸入的加權生成的。

很快，包括馬文·明斯基在內的其他研究人員的批評和進化建議的主題，感知器最重要的優點是激發和激發對真正神經網絡的研究，以及產生強大的媒體回聲，能夠吸引全球對人工智能的興趣。

當時的報紙驚呼起來，暗示著感知者有朝一日能說、看、寫，到現在還很正常，甚至可以復制并完全意識到自己的行為。它運行得有點過頭了，但對人工智能產生的期望是開始將必要的資金轉移到它的賬戶的基礎，以發展到下一個發展階段。

1958 年對于編程語言來說也是人工智能的神奇之年，這對于開發應用程序至關重要。前面提到的 John McCarthy 編寫了Lisp，這是一種采用邏輯方法的 AI 編程標準。次年輪到機器學習，由Arthur Samuel在與跳棋游戲的自動學習有關的出版物中提出。第一次有人談論為算法提供數據，因此它可以學習并自動執行精確的操作。

自 50 年代以來，出現了交替命運的階段，定義了人工智能的夏季和冬季，因為隨著重大發現的出現，計算限制導致了減速和幻想破滅，這項技術還沒有準備好體現人類數學的天才。算法。

特別是，發生這種情況是因為人們的期望通常集中在能夠模仿和復制人類智能的人工智能的發展上。我們將看到這個目標對資源的要求仍然非常高，而且遠非最終的解決方案，在回憶起 1969 年Shakey是如何建造的之前，我們將看到第一個能夠獨立移動的機器人，這要歸功于 Lisp 程序，盡管它可以執行微不足道的操作IT綜合體，國內運營。

那是浪漫的 70 年代的黎明，當時 Robert Kowalski、Marten Van Emdem 和 Alain Colmerauer（實施它）創建了Prolog（法語 PROgrammation en LOGique 的縮寫）一種新的 AI編程語言，采用邏輯方法，能夠提供計算機研究得到了相當大的推動，讓人產生一種幻覺，即一個能夠模仿人類推理的人工智能系統即將到來，一個新的時代終于來臨了。

盡管今天仍在使用許多算法的承諾和編寫，但事情與預期不同，導致幻想破滅，導致漫長的冬天，至少持續到 2000 年代初，當時計算系統的發展開始使這些直覺成為可能五十年前注定要保持這樣的狀態。其余的是最近的歷史。

分類：弱人工智能、強人工智能

盡管搜索人工智能的沖動始于模仿人類智能的愿望，但隨著時間的推移，已經形成了兩種截然不同的方法和應用鏈，盡管是從共同的假設開始的。這就是弱人工智能（或受限人工智能）和強人工智能（或通用人工智能）的情況。

為了掌握強人工智能和弱人工智能的區別，簡單介紹一下人工智能應該能夠執行的人類智能的功能，特別是：

以人為本，類似于人類在相同情況下會做的事情。

人性化思考，用認知功能解決問題。

理性地、合乎邏輯地思考，就像人在推理中所做的那樣。

理性行事，在現有信息的基礎上努力爭取最好的結果。

這個品種描述了如何模仿人不是一個獨特的操作，而是可以向各種方法拒絕，這正是那些產生弱人工智能和強人工智能的研究和應用路線的那些，也讓我們明白為什么第一個是現在很普遍，而第二個目標要實現起來要困難得多。

什么是弱人工智能？

弱（或受限）人工智能是指旨在解決復雜性不同的特定問題的系統。它的范式是解決問題，因為模擬了人類認知的一些解決能力，但沒有聲稱理解和復制人類大腦能夠做的所有事情的功能。

基于弱人工智能的應用程序依靠機器學習來創建能夠自主模擬場景并協助人類決策執行某些操作的系統。

無論是了解在超市訂購多少商品，而不是計劃工廠的維護或在電子商務門戶上建議購買，目標始終是最好地給出實際需求的答案可能的方式?？赡艿姆绞?，這并不總是與人類在相同情況下會做的事情一致。

考慮到這一點，基于弱人工智能的應用程序非常適合向人類建議做出什么決定，為他們提供更多信息來支持他們的選擇。

強大的人工智能，它是關于什么的？

強（或通用）人工智能是指能夠以完全自主的方式運行的系統，而不管上下文和分配給它們的任務如何。這種方法與針對弱 AI 提出的方法完全不同，因為問題和解決方案之間沒有直接聯系。

解決問題不是問題的關鍵，而是培養一種自主的良心，它不會時不時地假裝模仿類似于人類的思維過程，而是旨在培養一種沒有特定需求的通用智能，因此在任何情況。

如果說弱人工智能的目標是理性地行動和思考，那么強人工智能則更側重于人類行動和理性思考。如果弱人工智能有問題，它會嘗試理性地預測該人在特定環境下會做出什么選擇，而強人工智能則基于邏輯推理，并使用可用數據來生成他們從中得出的上下文知識。要采取的行動。

弱人工智能會根據具體情況采取行動，只解決由此產生的問題。強人工智能一般從游戲規則出發，試圖解決由此產生的所有問題。

舉一個實際的例子，讓我們想象一下國際象棋游戲。弱AI會專注于擊敗特定對手，通過分析盡可能多的動作來尋找對策，檢查他當時玩過的所有游戲，而強AI不會提出特定對手的問題，構成目標是成為最強的棋手。

他會從了解游戲規則開始，刻苦訓練，變得越來越熟練，擊敗任何對手。無論多么基本，這種觀點上的差異使我們了解強人工智能比弱人工智能提出了一種更加雄心勃勃的方法，并且在其具體應用中，這涉及到極高的資源支出。

雖然它的潛力在很大程度上仍然只能想象，但強大的人工智能已經產生了切實的成果。它的主要支持者是所謂的人工智能實驗室，由技術巨頭資助，以實現影響深遠的發現，能夠徹底改變他們所指的領域。

這就是Deepmind（谷歌）的案例，AlphaFold 的作者之一，一個能夠解決蛋白質折疊計算的系統，一個能夠開啟分子生物學領域新時代的發現，對醫學和藥理。

另一個參考的 AI 實驗室是OpenAI（微軟），它以開發GPT-3（生成式預訓練變壓器 3）而聞名，這是一種基于人工智能的語言模型，能夠以一種形式上無法區分的方式處理文本和圖像，而人類會做的。

《紐約時報》發表了一篇文章，一半由真正的記者撰寫，一半由基于 GPT-3 的機器人撰寫。結果不允許對兩位作者進行任何區分。不可能確定誰寫了某些段落而不是其他段落。圖靈測試可以說是完美通過了。

術語“弱人工智能”（或受限）是指旨在解決復雜性不同的特定問題的系統。它的范式是解決問題，因為模擬了人類認知的一些解決能力。

它是如何工作的？

在嘗試了解人工智能的想法之后，是時候了解它的工作原理了，以便更全面地了解其潛力并繼續研究其活動背后的技術。

人工智能的功能是由四個不同的功能級別定義的，能夠用盡所需執行的操作：

理解：通過學習和模擬數據與事件之間的關聯性賦予的能力，人工智能可以通過這種能力，例如識別文本、圖像、視頻、音頻和語音，以根據特定請求處理特定信息

推理：由于使用了一系列適當編程的數學算法，人工智能系統能夠以邏輯方式和完全自主地連接收集的數據

學習：它由能夠分析數據輸入以返回正確輸出的人工智能系統給出。機器學習系統就是這種情況，它使用特定技術從給定的信息上下文中學習，以執行某些功能。

交互：它由 HMI 系統（人機交互）提供，其中 AI 在與人類的交互中發揮著重要作用。NLP（自然語言處理）給出了這種功能級別最常見的例子之一，它是基于人工智能的技術園區，它允許您使用自然語言在人與機器之間創建語言關系，就像它發生的那樣。最先進的聊天機器人案例

人工智能技術

弱人工智能和強人工智能之間的區別是正確表達主要人工智能技術的基礎。正如我們在歷史前提中所看到的，這些是二十世紀五七十年代開始談論的話題，即使要進行重大傳播也需要幾十年的時間，等待摩爾定律運行，直到它產生了能夠提供執行必要計算所需的能力的計算系統。

在等待量子計算在商業應用中成為現實的同時，主要的技術飛躍來自于 GPU（圖形處理單元）市場的引入，該處理器最初是為圖形渲染而構想的，其并行計算性質也很合適。應用領域，包括人工智能系統和加密貨幣挖掘。

因此，讓我們快速回顧一下當前可用的一些主要人工智能技術，從機器學習和深度學習之間的實質性差異開始，特別是它們所基于的學習模型。

機器學習

對于機器學習是指基于人工智能機器學習系統，能夠獲得的各種信息（輸入）列車逐漸變得在獨立執行任務（輸出），即越來越多精通機器，而不預先進行編程以運行它。ML 系統以其學習、犯錯和從錯誤中逐步改進的能力而著稱，直到它在能夠完全自主地產生的模擬中變得越來越精確。

機器學習系統的學習模型多種多樣，主要基于三類算法：

教學監督：系統通過輸入和輸出之間的相關性學習，從中學習如何做出決定

沒有教學監督：學習是通過結果分析進行的，輸入和輸出之間沒有直接關系，但只停留在允許映射某些決策結果的輸出的基礎上，在與 ML 系統相同的上下文中它們被稱為提供解決方案

具有增強：強化學習是一個擇優的學習方法，因為只有當它獲得的結果符合在其評估預期AI被獎勵。強化學習允許您改進 ML 系統的訓練，因為它能夠從根本上教授如何區分正確決策和錯誤決策

深度學習和神經網絡

如果說機器學習是所謂弱人工智能的典型工具，那么深度學習就是強人工智能的參考學習技術。根據前面描述的理論概念前提，深度學習由受人腦功能啟發的學習模型組成。

它不是像 ML 那樣嚴格基于輸入和輸出之間關系的訓練方法，而是使用輸入來模擬人腦行為的系統。

這在任何方面都不足為奇，如果我們考慮一下有多少計算機技術無疑是受到自然界中實際存在的一些生物模型的結構的啟發。算法設法復制合作機制的方式，例如鳥類的飛行，是非常令人著迷的。

該神經網絡是網絡結構的人工神經元，幫助您實現典型的人類認知的復雜的動作，比如看，說話，感覺和思考。這些現在是計算機科學中完全歷史化的概念，因為人工神經元是由 McCulloch 和 Pitts 在 1943 年提出的，而神經網絡是由 Rosenblatt 在 1958 年提出的。

的深度學習是基于所謂的深神經網絡，其特征在于計算的許多層，基于大量水平的，如需要龐大的計算工作，以獲得類似的神經連接的情形然而，人類大腦在很大程度上仍然未知。

由于重點往往放在保證輸出的計算能力的發展上，因此在創建輸入時也必須給予足夠的重視，這要歸功于從移動設備收集大量數據的能力，通常是從所有由于我們很容易接受各種設備上存在的應用程序的使用政策，我們每天都與之交互的互連設備，即使是完全無意識的方式。

日益數字化的現實轉化為收集、存儲、分析和處理數據的巨大潛力。數據科學從未被要求在基于人工智能的應用程序中發揮重要作用。

深度學習是基于所謂的“深層神經網絡”，其特點是計算的多層次的基礎上，大量層次的，如需要龐大的計算工作量，以獲得類似的神經連接的情況下的人類大腦。

NLP - 自然語言處理（自然語言識別和處理）

自然語言處理是一個復雜的應用，它基于人工智能，但也基于計算機科學和語言學。它是所謂的強人工智能最廣泛的表達方式之一，它完美地體現了這一點，這要歸功于它不是為了解決特定方面的問題，而是在廣義上學習人類的語言交流，與哪些基于 AI 的應用程序是交互調用。

理解一門語言是一件非常復雜的事情，因為它不僅是一個知道如何管理詞匯、語法和句法規則的問題，而且還包括知道如何正確地將演講語境化，以便真正理解一個詞的含義。陳述。

NLP 學習方法顯然基于深度學習系統，旨在模擬人們理解對話內容的方式。

一個NLP系統是基于一系列的嘗試找出并解決人類語言的所有含糊不清的步驟。分階段對于降低輸入數據中的錯誤風險至關重要。在 NLP 學習方法的主要階段中，我們發現了標記化（將文本分成空格、單詞、標點符號、句子等）、形態和詞匯分析、句法分析、NER（命名實體識別）、語義分析和語音分析。

自 2000 年代初以來，自然語言處理的研究一直很活躍，但自 2013 年以來已經能夠達到可觀的成熟度，當時神經網絡隨著與以數字方式表示自然語言相關的技術的深入而傳播，其中每個單詞都是“轉換的” ”轉化為由向量空間模型管理的實數向量，神經網絡架構專門用于解決自然語言的識別和處理。

NLP 現在是許多應用程序不可或缺的一部分，從自動翻譯到自動識別(OCR)，再到聊天機器人/虛擬助手，再到為出版物自動生成復雜文本，再到營銷中用于分析所謂用戶的情緒（情緒分析）。

從文本的理解和處理來看，NLP系統已經非常成熟，但要打造能夠充分發揮通用人工智能潛力的智能系統，還有很多工作要做。

到目前為止，我們已經看過一些科幻電影。想想她，華金·菲尼克斯與電腦建立了真正的浪漫關系，電腦的操作系統能夠完美地理解語言交流，并用斯嘉麗·約翰遜非常感性的聲音表達自己。

計算機視覺和圖像識別

人工視覺最吸引人的方面之一是基于圖像識別，即模擬人腦如何處理從眼睛接收到的信息，而不是眼睛本身的功能。

目標是了解您所看到的。為了實現這一結果，需要能夠處理圖像的各個像素的學習方法，換句話說，將它們轉換為數字。

使用基于卷積神經網絡的深度學習技術的計算機視覺能夠模擬大腦視覺皮層的行為來處理大量圖像數據集，以便準確識別和上下文化從“應用程序”實時識別的圖像。

有很多基于計算機視覺的例子。最受歡迎的是面部識別技術，被許多應用程序使用，包括解鎖移動設備的過程，而不是訪問授權。

在計算機視覺的應用中，還有面部識別技術，例如，用于解鎖移動設備的程序，而不是用于授權訪問。

在工業領域，計算機視覺例如用于質量控制，而自動駕駛則使用它來識別標志、其他車輛、行人以及汽車在行駛過程中可能遇到的所有潛在障礙。還有許多B2C 營銷應用程序，也與增強現實技術合作。

可解釋的人工智能

所謂的可解釋人工智能（ExplainableAI）——也稱為“可解釋人工智能”或“XAI”——是一門新興學科（尤其是在機器學習領域特別相關），旨在澄清（實際上是解釋）關于算法的所謂“黑匣子”中發生的事情。簡而言之，可解釋人工智能是一組技術和工具，可以幫助人類理解基于人工智能技術（尤其是機器學習和深度學習）的自治系統如何生成某些輸出并做出某些決策。

深入探討可解釋人工智能的話題，建議閱讀《可解釋人工智能：它是什么，原理和例子是什么》一文

以人為本的人工智能

所謂的可解釋人工智能需要一種新的解決方案設計方法，這是現在所謂的以人為中心的人工智能方法的一部分 ，也就是說，用于設計基于人工智能的技術的協作模型考慮了各個方面例如倫理學和其他典型的行為學科和人文科學。

Human Centered AI 的創建旨在為人機交互提供一種新的、以人類為中心的方式，特別是尋找新的方法，以確保技術解決方案旨在讓人們以合乎道德、負責任和透明的方式做出更多決策。知情，進行更有效的分析（但也是可以理解和解釋的），以及更好的數字體驗。

為了加深以人為中心的人工智能的主題，我們建議閱讀文章“以人為中心的人工智能：以人為中心的人工智能”。

生成式人工智能

在人工智能的新興應用中（Gartner 已將其列入 2022 年的技術趨勢，旨在推動從現在到 2024 年的數字化轉型業務），生成式人工智能（或生成式人工智能）能夠生成合成數據并支持人類的創造能力和活動。

與生成式 AI相關的技術包括允許機器學習系統（使用主題數據集進行適當訓練）生成人工內容和各種合成數據的技術。

多媒體行業、醫療保健、藝術和設計領域以及新產品的生產代表了生成式人工智能應用目前越來越廣泛的領域。

要了解有關 Generative AI 的更多信息，我們建議閱讀文章“藝術、設計和生產：超越 deepfake 的 Generative AI”。

人工智能的例子和應用

它分析數據以提供有用信息的能力使人工智能成為許多業務領域的寶貴盟友，在工業環境和家庭中都有大量投資，想想與家庭自動化相關的應用程序。

為了在這片可能性的海洋中成功定位，參考米蘭理工大學人工智能數字創新觀察站開發的解決方案分類是有用的，該分類確定了八種不同類型的應用，根據使用目的：

智能數據處理：其特點是能夠分析特定數據以推斷信息并執行相應操作的算法。例如，它們用于預測分析（數據分析以提供對未來趨勢的預測）和欺詐檢測（識別與預期模型相關的不合規元素）

虛擬助手/聊天機器人：聊天機器人使用NLP 技術基于語音或文本交互執行操作并為用戶提供服務。它們的用途非常廣泛，從客戶服務系統到電子商務門戶的虛擬助手。NLP 技術允許最先進的聊天機器人應用程序除了存儲收集的信息外，還可以理解對話的語氣，例如通過實施與其連接的 CRM 系統的數據集

建議：基于以直接或間接信息形式獲得的用戶行為，人工智能應用程序能夠將銷售系統與建議消費者引導其完成購買的應用程序集成。因此，它們可以提高轉化率并優化客戶旅程的效率，從而影響客戶的決策過程

圖像處理：基于圖像識別的計算機視覺技術可以自動識別物體、人和動物，以支持許多應用，從視頻監控到工業質量控制中的異常模式檢測

自動駕駛汽車：人工智能使支持自動駕駛汽車系統成為可能。自動駕駛在汽車領域大行其道，但也影響到其他自動駕駛交通工具，支持海、河、空航行

智能對象：或智能對象，智能對象對無需人類用戶直接輸入即可執行操作的設備進行分類。集成的人工智能系統，通常與智能傳感器相關聯，允許智能對象通過對特定事件的反應，根據周圍環境的條件做出決策

語言處理：包括通過自然語言處理技術 (NLP) 理解文本和口頭交流的所有應用程序

自主機器人：得益于基于人工智能技術的系統指令，機器人可以在沒有用戶直接命令的情況下移動和行動，這要歸功于其識別周圍環境并與周圍環境交互的能力。自主機器人在工業制造環境、物流和民用/家庭應用中越來越普遍

以下是當今已經成功使用人工智能的主要行業和應用。

制造業的人工智能

工業 4.0的范式通過與自主和協作機器人相關的應用，以及集成到其他使能技術應用中的功能，廣泛使用人工智能技術，并且正在成為數字工廠中越來越普遍的常數。

例如，預測分析系統可以重新定義維護流程，從預防性編程轉向更有效的預測性維護。

如果在傳統流程中，以預防方式采取行動涉及不合理的成本、不必要的干預，以及無法以某種方式預測線路故障，則基于機器學習技術的預測方法允許在實際分析實時由安裝在系統上的傳感器收集的數據流，以檢測與正確操作模型有關的任何異常。

因此，用于傳感的智能傳感器和用于數據分析的人工智能應用程序的聯合作用使公司僅在真正需要時才進行干預。

基于人工智能技術的預測分析提供的一個重要資源是知道如何分析和處理大量數據，創建計算范圍遠遠超出人類可能性的關系。

這些系統不會直接取代維護經理的決策，而是通過有針對性的信息來支持他們，這要歸功于能夠實時檢測任何關鍵性的自動報告。

基于人工智能技術的預測分析所提供的巨大資源來自于知道如何分析和處理大量數據，創建計算范圍遠遠超出人類可能性的關系。

大規模配送的人工智能

在最廣泛的預測分析應用程序中，我們發現了采購預測，它允許您調整大型零售行業的自動訂單系統。超市就是這種情況，貨架上有數千種不同的產品，其中許多很容易腐爛（就新鮮食品而言）。

基于商店經理估計的訂單，無論多么可靠，都不可避免地會產生高估（浪費和不經濟）或低估（對客戶期望的失望和收入損失）。

另一方面，對消費數據的分析允許機器學習系統根據內生（實際消費數據產品的產品）和外生（一年中的時間、天氣、一天中的時間、偶然事件的發生率）因素得出估計，等）建議訂購數量和何時下訂單，以限制在貨物倉庫中的昂貴停留。

人工智能用于醫療保健和健康

醫療健康領域一直是新興技術的沃土，人工智能當然也不例外，應用種類繁多。一個非常明顯的案例是關于殘疾人的支持。

聲音系統能夠有選擇地處理信號，例如，讓交流受限的人能夠以可理解的方式表達自己，促進社會融合的過程，從心理學的角度來看具有明顯的優勢。

人工智能還可以明確優化醫療保健，例如通過引入機器人系統來支持所有臨床階段。想想手術援助，而不是減輕 Covid-19 病房中醫務人員和護理人員工作的能力，而不是強迫操作員進行漫長的穿衣和脫衣過程，也許是在受感染的環境中收集一個簡單的物體。

由于治療方法的普遍改進，能夠了解和分析大量數據和變量的事實可以優化常規，做出更明智的決定，以減少不必要的住院治療和相關治療費用。

在醫學研究領域，數據的分析和處理也是促進新發現、開發新藥和開發新療法的基礎。

用于醫療診斷的人工智能

圖像識別系統允許分析通過診斷獲得的數據，以識別人眼永遠無法檢測到的信息，而不管人腦的分析能力如何，人腦永遠無法擁有汽車的計算潛力。

這種方法可以提供相當大的幫助，特別是在早期診斷的背景下，在許多病理（包括腫瘤）以明顯的、宏觀的或有癥狀的方式表現出來之前就識別它們的發作。

同樣在這種情況下，將與多個變量相關的信息關聯起來的能力是決定性的，它模擬了超出醫生分析理解的場景，以支持他的決定。

基于相同的概念，人工智能變得越來越相關的另一個領域與罕見疾病的研究有關。使用機器學習對數據進行分析可以讓醫生在診斷、預后和治療方面更加精確，根據每位患者的臨床病史，以特定的方式確定解決決定性病理所需的治療方法。

在醫療領域采用人工智能系統的一個優勢是建立通用數據庫，這遠遠超出了單一醫療機構的知識范圍。例如，這允許對其他醫生在類似情況下做出的決定提供實時建議，而無需激活直接通信。

跨學科和自動協作自然各有利弊，尤其是涉及隱私的法規，在處理個人數據的情況下特別嚴格，以及如果系統不正確，可能會遇到錯誤的數據和決策被正確訓練以學習正確的解決方案。在大多數情況下，問題不在于數據分析，而在于系統獲取的數據的質量。

用于家庭自動化的人工智能

家庭自動化是建筑行業 (AEC) 中增長最快的應用之一。智能家居自動化包括互連系統，通過與本地物聯網設備（相機、恒溫器、燈具、音頻系統）的交互，您可以通過單一管理軟件來管理房屋的房間，能夠控制監控、溫度、照明和聲音， 等等。）。

多虧了互聯網，用戶即使不在家里也可以手動調整互連系統，但智能家居自動化系統也能夠根據用戶的行為自動進行設置。

當我們離開家時能夠關閉百葉窗的系統的情況，而不是能夠根據實際使用和與電價相關的條件優化消耗的電源插座。

同樣，冰箱可以配置為智能食品儲藏室，為即將用完的產品自動配置訂單。家庭自動化領域的潛在例子幾乎是無窮無盡的。

汽車行業的人工智能

我們已經看到人工智能如何在支持自動駕駛系統方面發揮決定性作用，能夠調節導航并識別路徑上的所有危險情況，以幫助我們并防止事故發生。

但最新一代的汽車要多得多。它們是互連技術的集中，能夠在船上收集數十個計算處理器，這些處理器能夠處理集中式服務甚至在本地提供給操作系統的信息。

互連系統的持續數據交換使得可以引入其他環境中誕生的技術，例如語音通信和與虛擬助手的交互。多虧了這些應用程序，運輸時刻不再是自我參考的，而是與每個用戶一天的流程完美結合。

用于導航系統 (GPS) 的人工智能

基于 GPS 的導航應用程序給出了應用于交通的人工智能的一個具體示例，該應用程序允許人工智能系統檢測移動設備在某個位置的存在。

這一廣泛傳播的功能使導航服務能夠實時提供交通狀況，并在特定地點附近出現危急情況時建議可能的替代路線。

這是非常有用的信息，不僅可以用于規劃旅行路線，還可以用于安排您的一天，并在交通狀況有所改善時預計以后上路的任何其他承諾。畢竟，借助基于 GPS 的導航系統的實時更新，我們可以隨時在智能手機上查看狀況。

用于視頻游戲的人工智能

人工智能一直是視頻游戲的結構部分，因為它們調節我們被召喚與我們的化身互動的 NPC（非玩家角色）的行為。

計算機和控制臺不斷增長的處理能力使開發人員能夠編寫越來越可信和現實的交互。人工智能技術即使在開發階段也能保證充足的支持，從而遠遠超出最終游戲的應用能力。

允許您管理大量 3D 資產以自動和程序化生成開放世界游戲環境的系統就是這種情況，而無需對其進行完全建模。

在智能家居自動化包括通過一個單一的管理軟件管理家庭領域的互聯系統。

電子商務（和銷售）的人工智能

基于人工智能技術的推薦系統可以實現越來越吸引用戶的電子商務應用程序，用戶可以通過銷售建議獲得更大的信心并完成購買過程。

更籠統地說，銷售流程的自動化使品牌能夠采用更有效的商業策略來轉換潛在客戶并留住現有客戶，從而使他們的利潤越來越高。

用于營銷（和銷售）的人工智能

人工智能使得支持許多營銷操作成為可能，從戰略的定義和活動的設計開始，這要歸功于情緒分析，即攔截消費者趨勢和期望的能力，這要歸功于對通過跟蹤交互獲得的行為數據的分析。網絡和移動應用程序。

在操作層面，人工智能能夠支持的主要功能之一是與產品配置器相關，它可以由機器學習系統進行虛擬輔助，能夠通過應用程序獲取的數據分析用戶行為，從而提出在線配置建議與他的期望。

這是一個極其跨技術的領域，我們在這里發現越來越多的交互式實時 3D 渲染、推薦、聊天機器人和增強現實。

人工智能客戶服務

客戶服務是聊天機器人的特權行動領域，能夠用盡工單管理和最常見問題 (FAQ) 的答案，而不必求助于人工操作員。

人工智能系統能夠利用語音和文本功能與客戶互動，并且由于與企業 CRM的集成，它們有助于為每個客戶形成個性化的歷史記錄，其中包括其所有的幫助請求和過程。下面到達疑難解答。

這些數據對于通過同一個 CRM 進行交互的公司其他部門的分析和運營非常有用。銷售部門可以親自聯系客戶，確保所獲得的服務令人滿意，而設計部門可以獲取一系列反饋，以不斷改進品牌提供的產品和服務。

用于視頻監控和公共安全的人工智能

識別人工智能系統圖像的能力允許從不同的角度開發智能視頻監控應用程序。例如，可以通過識別敏感位置（例如銀行、公共辦公室）附近是否存在可疑人物來完成此操作。

犯罪者的圖像被輸入到警方的數據庫中，并用于構建機器學習應用程序的數據集，通過自動識別來自監控攝像頭的實時圖像來識別他們。

另一種預防系統是通過對特定地點的運動的識別來給出的，這可以通過對運動流的分析得出。如果在原地人們傾向于以某種方式移動，則異常的檢測實際上可能與嫌疑人的存在同時發生，嫌疑人在附近徘徊以計劃犯罪活動。

這些應用程序的目的是創建有動機的警報，以允許安全人員在有實際需要時進行干預。此類系統還用于預防和管理自然災害（如地震、颶風和洪水）時的危機。

帶有板載人工智能算法的視頻監控攝像機具有多種應用，包括分析框架場景內的運動。

用于反欺詐系統的人工智能

異常模式的檢測允許基于 AI 的反欺詐系統防止出現意外情況，一個反復出現的例子來自銀行交易的安全性，通過電子支付流程。

如果使用信用卡執行的常規操作涉及非常精確的計算機序列，則與此操作正常性的偏差可能表明企圖詐騙。如果安全系統檢測到此類異常，它可以因此激活預防性阻止程序，或者在不太相關的情況下，警告用戶可能存在對其服務的未經授權的訪問，以便它可以驗證上述操作是否確實已完成由他。

當授權服務檢測到正確的登錄設置，但來自與經常使用的位置或設備不同的位置或設備時，這種情況經常發生。

用于信息和新聞業的人工智能

數字記者已經成為現實，這要歸功于人工智能系統能夠處理一種與現實生活中的作家所開發的語言完全無法區分的語言。

目前有幾個信息網絡使用這些軟件，特別是在處理基于客觀數據的簡單新聞時，例如體育結果，而不是在金融信息的情況下在證券交易所當天的報告。

迄今為止，人工智能系統能夠在這個與日常工作密切相關的領域非常有效地運行，但它們還不能在新聞編輯方面做出重要貢獻。換句話說，他們寫得非常好，并且完美地關聯了所描述的內容，但不知道他們所寫內容的邏輯意義。

這使得它們在大量數據的選擇和分析方面非常有效，例如起草報告，但如果目標對應于深度文章或新聞項目的撰寫，則存在問題，其中新聞的工作批評是最重要的是寫作階段的上游。

至少從這個角度來看，記者和分析師，至少目前，可以安全地工作。從積極的角度來看，人工智能系統在數據分析和寫作中的存在實際上可以優化這些專業的工作。

使用這些工具的記者可以將大部分時間花在批判性分析上，而讓軟件自動完成非常耗時的任務，例如閱讀和編寫長文本。