什么是 AI？
人工智能（AI）是一种具有类似人类解决问题能力的技术。人工智能在实际应用中模拟人类智力完成各种任务：它可以识别图像、写诗和做出基于数据的预测。
现代组织从智能传感器、人工生成的内容、监控工具和系统日志等不同来源收集大量数据。人工智能技术可以分析这些数据并使用它来有效地协助业务运营。例如，人工智能技术可以回复客户支持中的人类对话，为市场营销创建原始图像和文本，并为分析提供明智的建议。
归根结底，人工智能旨在使软件更智能，以实现个性化的用户互动并解决复杂问题。
有哪些类型的人工智能技术？
近几年来，人工智能应用程序和技术呈指数级增长。以下是您可能遇到的一些常见人工智能技术的示例。
人工智能发展史
Alan Turing 在 1950 年的论文《计算机器与智能》中，考虑了“机器是否会思考”这一问题。在这篇论文中，Turing 首次创造了人工智能一词，并将其作为一种理论和哲学概念提出。 然而，我们今天所说的人工智能，是几十年来众多科学家和工程师共同努力的结果。
1940 年 – 1980 年
1943 年，Warren McCulloch 和 Walter Pitts 提出了人工神经元模型，为神经网络这一人工智能核心技术奠定了基础。
紧接着，Alan Turing 在 1950 年发表了《计算机器与智能》一文，介绍了用于评测机器智能的图灵测试的概念。
这促使 1951 年至 1969 年间，研究生 Marvin Minsky 和 Dean Edmonds 建造了第一台神经网络机器 SNARC，Frank Rosenblatt 开发了最早的神经网络模型之一 Perceptron，Joseph Weizenbaum 创造了最早的聊天机器人之一，能够模拟罗杰斯式心理治疗师角色的 ELIZA。
然而，1969 年至 1979 年间，Marvin Minsky 揭示了神经网络的局限性，导致神经网络研究暂时陷入低谷。由于资金减少以及硬件和计算能力的限制，第一次“人工智能寒冬”随之而来。
1980 年 – 2006 年
20 世纪 80 年代，人工智能研究（主要是翻译和转录领域）重新获得了人们的关注和政府资金的支持。这一时期，像 MYCIN 这样的专家系统因其能在特定领域（如医学）模拟人类决策过程而变得流行起来。随着 20 世纪 80 年代神经网络的复兴，David Rumelhart 和 John Hopfield 发表了关于深度学习技术的论文，这些论文表明计算机可以从经验中学习
从 1987 年到 1997 年，由于其他社会经济因素和互联网的繁荣，人工智能遭遇了第二次寒冬。人工智能研究变得更加分散，各团队在不同应用场景下解决特定领域的问题。
从 1997 年开始到大约 2006 年，人工智能领域取得了显著成就，包括 IBM 的深蓝国际象棋软件击败了世界象棋冠军 Garry Kasparov。除此之外，Judea Pearl 还出版了一本书，其中包括人工智能研究中的概率和决策理论，Geoffrey Hinton 等人推广了深度学习，从而带来了神经网络的复兴。然而，对人工智能的商业关注仍然有限。
2007 年至今
2007 年至 2018 年间，云计算技术的进步使得计算能力和人工智能基础设施更加普及。这推动了机器学习的广泛采用、创新与发展。这些发展包括名为 AlexNet 的卷积神经网络（CNN）架构（该架构由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 合作开发，并在 ImageNet 竞赛中获胜，展示了深度学习在图像识别方面的强大功能）以及 Google 的 AlphaZero（该模型在没有人类数据的情况下，仅凭自我对弈便掌握了国际象棋、将棋和围棋游戏）。
2022 年，采用人工智能（AI）与自然语言处理（NLP），能够像人类一样进行交谈并完成各项任务的聊天机器人（如 OpenAI 的 ChatGPT）因其对话能力而广为人知，这一突破再次激发了人们对人工智能的兴趣，并推动了该领域的蓬勃发展。
未来的人工智能
当前的人工智能技术都要在一套预先确定的参数范围内运行。例如，在图像识别和生成方面经过训练的人工智能模型无法构建网站。
通用人工智能（AGI）是一个人工智能理论研究领域，研究如何开发具有类人智能和自学能力的软件。其目标是让软件能够执行训练或开发目的之外的任务。
作为一项理论研究，AGI 旨在开发具有自主自我控制、合理的自我理解以及新技能学习能力的人工智能系统。它在创建时未进行训练的环境和情境中也能解决复杂的问题。具有人类能力的 AGI 仍然只是理论概念和研究目标。这是未来人工智能的一种可能。
