無論以何種標準衡量，人工智慧(AI)都已成為一門大生意。
根據Gartner的數據，到2022年，全球客戶將在人工智慧軟體上花費625億美元。報告也指出，48%的CIO已經部署了某種人工智慧軟體，或計劃在未來12個月內部署。
所有這些投資吸引了大量專注於人工智慧產品的新創公司。 CBInsights報告稱，光是2022年第一季度，人工智慧融資就達到了151億美元。而在此之前的一個季度，投資者向人工智慧新創公司投入了171億美元。鑑於數據驅動人工智慧，數據分析、機器學習和商業智慧等相關領域都出現快速成長也就不足為奇了。
但究竟什麼是人工智慧?為什麼其會成為科技產業中如此重要且利潤豐厚的一部分?
在某些方面，人工智慧與自然智慧相反。如果說生物天生具有智能，那麼人造機器可以說是擁有人工智慧。所以從某個角度來說，任何「會思考的機器」都具有人工智慧。
事實上，人工智慧的早期先驅之一——JohnMcCarthy，將人工智慧定義為「製造智慧機器的科學和工程」。
然而，在實踐中，電腦科學家使用人工智慧這個術語來指稱機器的思維方式，人類已經把這種思維方式提升到了一個非常高的水平。
電腦非常擅長計算－接受輸入、操縱，並產生結果輸出。但在過去，其還無法完成其他人類擅長的工作，例如理解和生成語言、透過視覺識別物體、創造藝術或從過去的經驗中學習。
但這一切都在改變。
現今，許多電腦系統能夠使用普通語言與人類溝通。還可以辨識人臉和其他物體。其使用機器學習技術，尤其是深度學習，使自己能夠從過去中學習並預測未來。
那麼，人工智慧是怎麼走到這一步的呢?
許多人將人工智慧的歷史追溯到1950年，當時AlanTuring發表了《計算機器與智慧型》。 Turing的文章開頭寫到，「我提議考慮這個問題，『機器會思考嗎?』」也提出了一個被稱為圖靈測試的場景。 Turing提出，如果一個人不能把機器和人區分開來，那麼電腦就可以被認為是智慧的。
1956年，JohnMcCarthy和MarvinMinsky主持了第一次人工智慧會議，即達特茅斯人工智慧夏季研究計畫(DSRPAI)。該會議讓電腦科學家相信，人工智慧是一個可以實現的目標，為未來幾十年的進一步研究奠定了基礎。人工智慧技術的早期嘗試開發出能下西洋跳棋和西洋棋的機器人。
1960年代見證了機器人和一些解決問題的程式的發展。一個值得注意的亮點是ELIZA的創建，這是一個模擬心理治療的程序，為人機交流提供了一個早期的例子。
在1970和1980年代，人工智慧的發展仍在繼續，但速度有所放緩。尤其機器人領域取得了重大進展，例如可以看到和行走的機器人。 Mercedes-Benz推出了第一款(極其有限的)自動駕駛汽車。然而，政府對人工智慧研究的資助大幅減少，導致了一段被稱為「人工智慧寒冬」的時期。
1990年代，人們對人工智慧的興趣再次激增。 「人工語言網路電腦實體」(ALICE)聊天機器人證明，自然語言處理可以帶來比ELIZA更自然的人機交流。這十年也見證了分析技術的激增，這為後來的人工智慧發展奠定了基礎，以及第一個循環神經網路架構的發展。這也是IBM推出DeepBlue國際象棋人工智慧的十年，其是首個擊敗當前世界冠軍的人工智慧。
2000年代的第一個十年見證了機器人技術的快速創新。第一批Roombas開始吸地毯，NASA發射的機器人探索火星。而在國內，Google公司正在研發無人駕駛汽車。
自2010年以來，人工智慧技術出現了前所未有的成長。硬體和軟體都發展到了可以實現物件辨識、自然語言處理和語音助理的程度。 IBM的Watson贏得了Jeopardy。 Siri、Alexa和Cortana應運而生，聊天機器人成為了現代零售的固定設備。 DeepMind的AlphaGo打敗了人類圍棋冠軍。所有行業的企業都開始部署人工智慧工具來幫助分析數據，並取得更大的成功。
現在，人工智慧真正開始進化，超越一些狹窄和有限的類型，演變為更高級的實現。
不同的電腦科學家小組提出了不同的方法來分類人工智慧的類型。一種流行的分類使用三個類別:
1.狹義的人工智慧在一件事上做得非常好。蘋果的Siri、IBM的Watson、Google的AlphaGo都是NarrowAI的例子。狹義的人工智慧在當今世界相當普遍。
2.通用人工智慧是人工智慧的一種理論形式，其可以像人類一樣執行大多數智慧任務。流行電影中的例子可能包括《2001太空漫遊》中的HAL或《鋼鐵人》中的J.A.R.V.I.S。許多研究人員目前正致力於開發通用人工智慧。
3.超級人工智慧，仍然處於理論階段，其智力遠遠超過人類。這種人工智慧還沒有接近成為現實。
另一個流行的分類使用了四個不同的類別:
1.反應式機器接收輸入並提供輸出，但它們沒有任何記憶或從過去的經驗中學習。在許多電子遊戲中對抗的機器人就是反應性機器的典型例子。
2.記憶體有限的機器可以回溯過去。當今道路上的許多車輛都具有屬於此類的先進安全功能。例如，如果有汽車在車輛或人員即將超過時，發出備份警告，那麼其使用的是一組有限的歷史資料來得出結論並提供輸出。
3.心智機器理論意識到人類和其他實體的存在，並有自己獨立的動機。大多數研究人員都認同，這種人工智慧尚未開發出來，一些研究人員表示不應該嘗試這樣做。
4.有自我意識的機器知道自己的存在和身分。儘管一些研究人員聲稱，具有自我意識的人工智慧如今已經存在，但只有少數人認同這一觀點。開發具有自我意識的人工智慧存在很大爭議。
雖然從理論角度來看這些分類很有趣，但大多數組織更感興趣的是可以用人工智慧做什麼。這將我們帶到了產生大量收入的人工智慧方面——人工智慧用例。
人工智慧可能的AI用例和應用是無限的。當今一些最常見的AI用例包括：
推薦引擎——無論是購買一件新毛衣、找一部電影看、瀏覽社交媒體還是試圖尋找真愛，我們都可能會遇到一個基於人工智慧的演算法，其會給予建議。大多數推薦引擎使用機器學習模型將使用者的特徵和歷史行為與周圍的人進行比較。即使使用者自己不知道這些偏好，這些模型也能很好地辨識偏好。
自然語言處理——自然語言處理(NLP)是一個廣泛的人工智慧類別，包括語音到文字、文字轉語音、關鍵字辨識、資訊擷取、翻譯和語言生成。其允許人類和電腦透過普通的人類語言(音訊或打字)進行交互，而不是透過程式語言。由於許多NLP工具都包含了機器學習功能，因此它們往往會隨著時間的推移而改善。
情緒分析－人工智慧不僅可以理解人類語言，還可以辨識支撐人類對話的情感。例如，人工智慧可以分析數千個技術支援對話或社群媒體互動，並識別出哪些客戶正在經歷強烈的正面或負面情緒。這種類型的分析可以讓客戶支援團隊專注於那些可能有叛變風險的客戶和/或可能被鼓勵成為品牌倡導者的極度熱情的支持者。
語音助理——許多人每天都會與Siri、Alexa、Cortana或Google互動。雖然我們經常認為這些助手是理所當然的，但其融合了先進的人工智慧技術，包括自然語言處理和機器學習。
詐欺預防—金融服務公司和零售商經常使用高度先進的機器學習技術來識別詐欺交易。其在金融數據中尋找模式，當交易看起來異常或符合已知的詐欺模式時，就會發出警報，以阻止或減輕犯罪活動。
圖片辨識——許多人使用基於人工智慧的臉部辨識來解鎖手機。這種人工智慧還支援自動駕駛汽車，並允許自動處理許多與健康相關的掃描和測試。
預測性維護—許多產業，如製造、石油和天然氣、運輸和能源嚴重依賴機械。當機械停機時，成本可能會非常高。目前，企業正在結合使用目標識別和機器學習技術，來提前識別設備可能發生故障的時間，以便在故障最小化的時間安排維修。
預測分析和禁止分析——預測演算法可以分析任何類型的業務數據，並將其用作預測未來可能發生事件的基礎。規範性分析還處於起步階段，其更進一步，不僅可以做出預測，還可以提供建議，告知組織應該為可能發生的未來事件做好準備。
自動駕駛汽車——當今生產的大多數汽車都具有一些自動駕駛功能，如停車輔助、車道居中和自適應巡航。雖然完全自動駕駛汽車仍然很昂貴，且相對稀少，但已經在路上，並且驅動其的人工智慧技術正在變得越來越好，越來越便宜。
機器人技術——工業機器人是人工智慧最早的應用之一，其仍然是人工智慧市場的重要組成部分。消費型機器人，如機器人吸塵器、調酒師和割草機，正變得越來越普遍。
當然，這些只是人工智慧的一些廣為人知的用例。科技正以如此多的方式滲透到我們的日常生活中，以至於我們常常沒有完全意識到它們。
那麼，人工智慧的未來在哪裡?顯然，其正在重塑消費者和商業市場。
推動人工智慧的技術繼續以穩定的速度發展。量子運算等未來的進步可能最終會帶來重大的創新，但在近期內，這項技術本身似乎很可能會沿著一條可預測的不斷改進的道路繼續前進。
目前尚不清楚的是人類將如何適應人工智慧。這個問題對未來幾十年的人類生活產生了重大影響。
許多早期的AI實作都遇到了重大挑戰。在某些情況下，用於訓練模型的資料會讓偏差感染AI系統，導致其無法使用。
在其他許多情況下，企業在部署AI後並沒有看到希望的財務結果。技術可能已經成熟，但圍繞其的業務流程卻還不成熟。
Gartner資深研究總監Alys Woodward表示:「人工智慧軟體市場正在加速發展，但其長期發展軌跡將取決於企業能否提高其人工智慧成熟度。」
Woodware補充道：「成功的AI業務成果將取決於對用例的謹慎選擇。提供重大業務價值的用例，同時可以透過擴展來降低風險，這對於展示AI投資對業務利益相關者的影響至關重要。」
組織正在轉向使用AIOps等方法來幫助更好地管理AI部署。他們越來越多地尋找以人為中心的人工智慧，利用人工智慧來增強而不是取代人類工人。
在非常現實的意義上，人工智慧的未來可能更多是關於人，而不是機器。
以上是什麼是人工智慧?這有份人工智慧指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！
