人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
机器，特别是计算机系统对人类智力过程的模仿被称为人工智能，专家系统、自然语言处理、语音识别和机器视觉是人工智能应用的几个典型应用。
随着围绕 AI 的热情不断增长，企业一直在争先恐后地展示他们的商品和服务如何包含 AI。他们所说的人工智能通常只是人工智能的一个组成部分，比如机器学习。AI 需要专门的硬件和软件来编写和训练机器学习算法。目前没有一种编程语言能够成为 AI 的代名词，但有少数是比较突出的，包括 Python、R 和 Java。
人工智能系统通常会消耗大量标记的训练数据，评估数据的相关性和模式，然后使用这些模式来预测未来状态。通过学习数百万个实例，给出文本聊天示例的聊天机器人可以学会与人类进行逼真的对话。相比之下，图像识别程序可以学习识别和描述照片中的项目。
学习、推理和自我纠正是人工智能编程关注的三个认知功能。
学习过程——人工智能编程的这个组成部分涉及收集数据和制定将数据转换为可用信息的规则。这些规则称为算法，算法教计算机设备如何逐步执行特定任务。
推理过程——人工智能编程的这一领域与选择最佳方法来实现给定结果有关。
自我校正程序——人工智能编程的这一功能旨在不断微调算法并确保它们提供最准确的结果。
由于人工智能研究旨在使计算机模仿人类的功能，因此人工智能系统可以复制人类技能的程度被用作人工智能分类的标准。因此，可以根据机器在多样性和性能方面与人类的比较情况，将人工智能分为几类之一。
在这样的系统中，能够执行更多类似人类功能并具有相当能力水平的人工智能被认为是更先进的。相比之下，功能和性能受限的 AI 被认为更直接且进化程度更低。
基于这个标准，人工智能通常分为两类。一种分类是基于人工智能和支持人工智能的机器人与人类思维的相似性，以及它们“思考”甚至“感觉”像人类的能力。根据这个分类系统，有四类人工智能或基于人工智能的系统：反应性机器、有限记忆机器、心智理论和自我意识人工智能。
反应式机器没有内存并且是特定于任务的。如深蓝，这是 1990 年代击败加里卡斯帕罗夫的 IBM 国际象棋软件。深蓝可以识别棋盘上的棋子并做出预测，但由于缺乏记忆，它无法利用过去的经验来影响未来的经验。
有限的记忆——因为这些人工智能系统有记忆，它们可能会利用以前的经验来指导未来的判断。这就是自动驾驶汽车的一些决策机制是如何创建的。
心理理论是心理学中使用的一个词。当应用于人工智能时，这表示机器具有理解情绪的社交智能。这种人工智能可以预测人类行为并推断人类意图，这是人工智能系统成为人类团队不可或缺的成员的必备能力。
自我意识——这一类的人工智能系统有一种自我感觉，这赋予了他们意识。具有自我意识的机器知道他们目前的状况。目前，这种形式的人工智能还不存在。
不过，在技术术语中更常用的替代分类方案是将技术分类为：人工狭义智能 (ANI)、人工通用智能 (AGI) 和人工超智能 (ASI)。
狭义人工智能 (ANI)
这种形式的人工智能涵盖了所有现存的人工智能，包括迄今为止构建的最复杂和最有能力的人工智能。狭义人工智能是指人工智能系统只能独立完成一项工作，同时表现出与人类相似的技能。这些机器只能完成它们的设计目标，赋予它们有限或狭窄的能力范围。根据上述分类，这些系统涉及所有反应性和有限记忆的人工智能。ANI 甚至包括最先进的人工智能，它采用机器学习和深度学习来训练自己。
通用人工智能 (AGI)
人工智能代理完全像人类一样学习、感知、理解和运作的能力被称为通用人工智能。通过模仿我们的多功能能力，人工智能系统将具有与人类同等的能力。这些系统将能够独立构建大量能力，并跨领域建立联系和概括，从而显着减少培训时间。
超级人工智能 (ASI)
人工超级智能 (ASI) 的诞生无疑将标志着人工智能研究的巅峰，因为 ASI 将成为地球上最具竞争力的智能形式。除了模仿人类智力之外，由于内存大大增加，数据处理和分析速度更快，决策能力更强，ASI 在它们执行的所有方面都将更加出色。AGI 和 ASI 的进步将导致一种称为奇点的场景。虽然拥有如此强大的工具可供我们使用很诱人，但这些设备可能会危及我们的生存，或者至少危及我们的生活方式。
机器学习是人工智能 (AI) 的一个子集或应用，它允许系统从经验中学习和成长，而无需编码到该级别。机器学习使用数据来学习并获得正确的结果。机器学习涉及创建读取数据并利用它从自身学习的计算机软件。
深度学习是机器学习的一个子集，包括人工神经网络和循环神经网络。它使用算法及其方法来解决任何复杂的问题。算法的构建方式与机器学习相同。但是，还有更多层的算法。该算法的网络被称为人工神经网络。用更简单的术语来说，它模拟了人类的大脑工作模式，因为大脑中的所有神经网络都是相连的，这就是深度学习的概念。
简单统计学习、传统机器学习和具有各种隐藏层的神经网络的能力和数据量之间的关系
下表将机器学习与深度学习进行了比较：
机器学习 |
深度学习 |
|
1 |
机器学习是深度学习的超集 |
深度学习是机器学习的一个子集 |
2 |
机器学习数据与深度学习数据有很大不同，因为它使用结构化数据。 |
深度学习的数据格式有很大不同，因为它使用了神经网络 (ANN)。 |
3 |
机器学习是人工智能发展的下一步 |
深度学习是机器学习发展的下一步。本质上，它指的是机器学习的深度 |
4 |
机器学习中使用了数千个数据点 |
数百万个数据点构成大数据 |
5 |
输出：数值，例如分数分类。 |
从数字到自由文本和声音等自由格式特征的任何内容都是可以接受的。 |
6 |
各种自动化算法用于将输入转换为模型函数并预测未来的行动。 |
为了分析数据特征和关系，使用了通过处理层发送数据的神经网络。 |
7 |
数据分析师发现算法来评估数据集中的某些变量。 |
一旦实施，算法本质上是在数据分析中自我描述的。 |
8 |
机器学习通常用于在竞争中保持领先并学习新技能。 |
深度学习用于解决具有挑战性的机器学习问题。 |
https://www.researchgate.net/figure/Relationship-between-the-capabilities-and-amount-of-data-of-simple-statistical-learning_fig1_340134117。
2021 年，全球人工智能 (AI) 市场价值870.4 亿美元，预计到 2030 年将达到15,971 亿美元，2022 年至 2030 年的复合年增长率为 38.1%。全球 COVID-19 大流行非同寻常且令人震惊，与大流行前的水平相比，这项技术在所有领域的需求都高于预期。据估计，与 2019 年相比，2022 年全球市场将增长150% 。
//m.sbmmt.com/link/7439aebdba054f0d586d486ef2aff185
技术创新一直是大多数行业的重要组成部分。近年来，数字技术和互联网的日益普及极大地促进了全球人工智能产业的发展。科技巨头在研发方面的巨额支出正在不断推动各个行业的技术进步。汽车、医疗保健、银行和金融、制造、食品和饮料、物流和零售等多个最终用途领域对人工智能技术的需求不断增长，这可能会在未来几年推动全球人工智能市场。
众多医疗设备的日益普及以及新型电动汽车的自动驾驶能力正在显着推动全球人工智能市场的发展。全球数字化趋势正在对市场增长产生有利影响。包括谷歌、微软、IBM、亚马逊和苹果在内的全球顶级 IT 巨头正在加大力度推进和开发不同的人工智能应用。预计科技巨头在改善人工智能访问方面的努力将在预测期内推动全球人工智能市场的增长。
在过去五年中，医学和医疗保健吸引了全球最多的人工智能私人投资（289 亿美元）。
以上是一文读懂人工智能的过去、现在和未来的详细内容。更多信息请关注PHP中文网其他相关文章！
