什么是人工智能（AI）？

这取决于你问谁？

早在20世纪50年代，该领域之父明斯基和麦卡锡将人工智能描述为由机器执行的任何任务，这些任务以前被认为需要人类智慧。这显然是一个相当广泛的定义，这就是为什么你有时会看到关于某物是否是真正的人工智能的争论。对创造智能意味着什么的现代定义则更为具体。谷歌的人工智能研究员、机器学习软件库Keras的创建者Francois Chollet说，智能与一个系统在新环境中适应和随机应变的能力联系在一起，能够概括其知识并将其应用于陌生的场景。

他说："智能是你在以前没有准备的任务中获得新技能的效率。智力不是技能本身；不是你能做什么；而是你能多好地、多有效地学习新事物。"

这是一个定义，根据这个定义，现代人工智能驱动的系统，如虚拟助手，将被描述为展示了"狭义的人工智能"，即在执行一组有限的任务（如语音识别或计算机视觉）时概括其训练的能力。

通常情况下，人工智能系统至少表现出与人类智能相关的以下一些行为：计划、学习、推理、解决问题、知识表示、感知、运动和操纵，以及在较小的程度上，社会智能和创造力。

人工智能的用途有哪些？

今天，人工智能无处不在，它被用来推荐你接下来应该在网上买什么，理解你对虚拟助手说的话，如亚马逊的Alexa和苹果的Siri，识别照片中的人和事物，发现垃圾邮件，或发现垃圾邮件检测信用卡欺诈。

人工智能的不同类型是什么？

在一个非常高的水平上，人工智能可以分为两大类型；

狭义人工智能

狭义的人工智能是我们今天在计算机中看到的一切--智能系统已经被教导或已经学会了如何执行特定的任务，而没有被明确地编程如何去做。

这种类型的机器智能在苹果iPhone上的Siri虚拟助手的语音和语言识别中，在自动驾驶汽车的视觉识别系统中，或者在根据你过去购买的产品来推荐你可能喜欢的产品的推荐引擎中都很明显。与人类不同，这些系统只能学习或被教导如何做确定的任务，这就是为什么它们被称为狭义人工智能。

通用人工智能

一般人工智能非常不同，它是在人类中发现的那种可适应的智力，是一种灵活的智力形式，能够学习如何执行大量不同的任务，从理发到建立电子表格或根据其积累的经验对各种主题进行推理。

这种人工智能在电影中比较常见，如《2001》中的HAL或《终结者》中的天网，但今天并不存在--而且人工智能专家对它多久会成为现实存在激烈的分歧。

狭义人工智能能做什么？狭义人工智能有大量的新兴应用；

（1）分析无机对基础设施（如石油管道）进行视觉检查的视频资料。

（2）组织个人和企业的日历。

（3）回应简单的客户服务查询。

（4）与其他智能系统协调，执行任务，如在合适的时间和地点预订酒店。

（5）帮助放射科医生在X光片中发现潜在的肿瘤。

（6）标记网上的不适当内容，从物联网设备收集的数据中检测电梯的磨损情况。

（7）从卫星图像中生成世界的三维模型......这个清单不胜枚举。

这些学习系统的新应用一直在出现。图形卡设计者Nvidia最近披露了一个基于人工智能的系统Maxine，它允许人们进行高质量的视频通话，几乎不受互联网连接速度的限制。该系统通过不在互联网上传输完整的视频流，而是对通话者的少量静态图像进行动画处理，旨在实时再现通话者的面部表情和动作，并与视频无异，从而将此类通话所需的带宽降低了10倍。

然而，尽管这些系统有很多未开发的潜力，但有时对技术的雄心超过了现实。一个典型的例子是自动驾驶汽车，它本身是由人工智能驱动的系统（如计算机视觉）所支撑的。电动汽车公司特斯拉落后于首席执行官埃隆-马斯克的原定时间表，即汽车的自动驾驶系统从更有限的辅助驾驶能力升级为"完全自动驾驶"，而完全自动驾驶选项最近才作为测试计划的一部分向选定的专家司机推出。

通用人工智能能做什么？

2012/13年，人工智能研究人员文森特-C-穆勒和哲学家尼克-博斯特罗姆在四组专家中进行了一项调查，报告称人工通用智能（AGI）将在2040至2050年之间开发出50%的可能性，到2075年上升到90%。该小组甚至走得更远，预测所谓的"超级智能"--Bostrom将其定义为"在几乎所有感兴趣的领域大大超过人类认知能力的任何智力"--预计在AGI实现后约30年。

然而，最近人工智能专家们的评估更为谨慎。现代人工智能研究领域的先锋人物，如杰弗里-辛顿（Geoffrey Hinton）、德米斯-哈萨比斯（Demis Hassabis）和扬-勒昆（Yann LeCun）说，社会远未发展出AGI。鉴于现代人工智能领域的领军人物的怀疑态度，以及现代狭义人工智能系统与AGI的性质截然不同，担心通用人工智能将在不久的将来扰乱社会，也许没有什么依据。

尽管如此，一些人工智能专家认为，鉴于我们对人脑的了解有限，这种预测是非常乐观的，并认为AGI仍然是几个世纪以后的事情。

在人工智能的发展中，最近有哪些里程碑式的事件？

IB+M

虽然现代狭义的人工智能可能仅限于执行特定的任务，但在其专业领域内，这些系统有时能够实现超人的表现，在某些情况下甚至表现出超强的创造力，而这一特征通常被认为是人类的内在特征。

已经有太多的突破，无法列出一个明确的清单，但一些亮点包括；

（1）2009年，谷歌展示了其自动驾驶的丰田普锐斯可以完成10次以上的旅程，每次100英里，使社会走上了无人驾驶汽车的道路。

（2）2011年，计算机系统IBM Watson在美国智力竞赛节目《Jeopardy！》中获胜，击败了该节目有史以来最好的两名选手，成为全球头条新闻。为了赢得这个节目，沃森使用了自然语言处理和分析大量的数据库，这些数据库经过处理后回答人类提出的问题，通常只需几分之一秒。

（3）2012年，另一项突破预示着人工智能有可能解决众多新任务，这些任务以前被认为对任何机器来说都过于复杂。这一年，AlexNet系统在ImageNet大规模视觉识别挑战赛中取得了决定性的胜利。AlexNet的准确度很高，与图像识别竞赛中的对手系统相比，它的错误率减少了一半。

AlexNet的表现显示了基于神经网络的学习系统的力量，这种机器学习的模式已经存在了几十年，但由于摩尔定律使架构的完善和并行处理能力的飞跃，它的潜力终于得到了实现。机器学习系统在执行计算机视觉方面的能力也成为当年的头条新闻，谷歌训练了一个系统来识别互联网的最爱：猫的照片。

下一个引起公众注意的机器学习系统的功效展示是2016年谷歌DeepMind AlphaGo人工智能在围棋中战胜了一位人类大师，这是一种古老的中国游戏，其复杂性让计算机困惑了几十年。围棋每回合可能有200步，而国际象棋则是20步。在一盘棋的过程中，有这么多可能的棋步，从计算的角度来看，提前搜索每一个棋步以确定最佳棋局的代价太大。相反，AlphaGo被训练如何下棋，它采用了人类专家在3000万场围棋比赛中的棋步，并将其输入深度学习神经网络。

训练这些深度学习网络可能需要很长的时间，需要摄取大量的数据，并在系统逐渐完善其模型时进行迭代，以达到最佳效果。

然而，最近，谷歌用AlphaGo Zero完善了训练过程，这个系统与自己进行"完全随机"的游戏，然后从中学习。谷歌DeepMind首席执行官德米斯-哈萨比斯(Demis Hassabis)也公布了新版AlphaGo Zero，该系统已经掌握了国际象棋和象棋的游戏。

人工智能继续冲刺新的里程碑：由OpenAI训练的系统在在线多人游戏Dota 2的一对一比赛中击败了世界顶级选手。

同年，OpenAI创造了人工智能代理，他们发明了自己的语言，以便更有效地合作和实现他们的目标，随后Facebook训练代理进行谈判和撒谎。

2020年，一个人工智能系统似乎获得了像人类一样编写和谈论几乎任何你能想到的话题的能力。

该系统被称为生成性预训练变压器3或简称GPT-3，是一个根据公开网络上的数十亿篇英语文章训练的神经网络。

从它被非营利组织OpenAI提供测试后不久，互联网就被GPT-3生成几乎任何主题的文章的能力搞得沸沸扬扬，这些文章乍一看往往很难与人写的文章区分开。同样，在其他领域也取得了令人印象深刻的结果，它能够令人信服地回答关于广泛主题的问题，甚至能够让一个JavaScript编码新手通过。

但是，虽然许多GPT-3生成的文章具有真实性，但进一步的测试发现，生成的句子往往不合格，提供了表面上可信但混乱的语句，以及有时是完全的废话。

人们对使用该模型的自然语言理解作为未来服务的基础仍有很大兴趣。通过OpenAI的测试版API，选定的开发者可以将其纳入软件。它也将被纳入未来通过微软的Azure云平台提供的服务中。

也许人工智能潜力的最引人注目的例子是在2020年末，当时谷歌基于注意力的神经网络AlphaFold 2展示了一个被一些人称为值得获得诺贝尔化学奖的结果。

该系统能够观察蛋白质的组成部分，即氨基酸，并推导出蛋白质的三维结构，这可能对理解疾病和开发药物的速度产生深远影响。在蛋白质结构预测的关键评估竞赛中，AlphaFold 2确定了一个蛋白质的三维结构，其准确性可与晶体学相媲美，而晶体学是令人信服的蛋白质建模的黄金标准。

与需要数月才能得出结果的晶体学不同，AlphaFold 2可以在数小时内为蛋白质建模。由于蛋白质的三维结构在人类生物学和疾病中发挥着如此重要的作用，这样的速度被誉为医学科学的一个里程碑式的突破，更不用说在生物技术中使用酶的其他领域的潜在应用。

什么是机器学习？

实际上，迄今为止提到的所有成就都源于机器学习，这是人工智能的一个子集，占了近年来该领域绝大多数的成就。当人们今天谈论人工智能时，他们一般都是在谈论机器学习。

目前，机器学习在某种程度上正在复苏，简单地说，机器学习是指计算机系统学习如何执行一项任务，而不是被编程如何去做。对机器学习的这种描述可以追溯到1959年，当时它是由阿瑟-塞缪尔（Arthur Samuel）提出的，他是该领域的先驱，开发了世界上最早的自学系统之一--塞缪尔跳棋游戏程序。

为了学习，这些系统被输入大量的数据，然后用这些数据来学习如何执行一项特定的任务，如理解语音或给照片加标题。这个数据集的质量和规模对于建立一个能够准确执行其指定任务的系统非常重要。例如，如果你要建立一个机器学习系统来预测房价，训练数据应该不仅仅包括房产的大小，还包括其他突出的因素，如卧室的数量或花园的大小。

什么是神经网络？

机器学习成功的关键是神经网络。这些数学模型能够调整内部参数，以改变其输出内容。一个神经网络被送入数据集，教它在训练期间遇到某些数据时应该吐出什么。具体而言，该网络可能被输入0到9之间的数字的灰度图像，以及一串二进制数字--0和1--表明每个灰度图像中显示的是哪个数字。然后，该网络将被训练，调整其内部参数，直到它对每张图像中显示的数字进行高度准确的分类。然后，这个经过训练的神经网络可以用来对其他0到9之间的数字的灰度图像进行分类。Yann LeCun在1989年发表的一篇显示神经网络应用的开创性论文中使用了这样一个网络，并被美国邮政局用于识别手写的邮政编码。

神经网络的结构和功能非常松散地基于大脑中神经元之间的连接。神经网络是由相互连接的算法层组成的，它们将数据输入到彼此之间。当数据在这些层之间传递时，可以通过修改赋予数据的重要性来训练它们执行特定任务。在这些神经网络的训练过程中，当数据在各层之间传递时，附加在数据上的权重将继续变化，直到神经网络的输出非常接近于所需的结果。在这一点上，该网络将"学会"如何执行一项特定任务。所需的输出可能是任何东西，从正确标记图像中的水果到根据传感器数据预测电梯可能发生故障。

机器学习的一个子集是深度学习，其中神经网络被扩展为具有大量大型层的庞大网络，并使用大量数据进行训练。这些深度神经网络推动了当前计算机执行语音识别和计算机视觉等任务的能力的飞跃发展。

有各种类型的神经网络具有不同的优势和劣势。递归神经网络（RNN）是一种特别适合于自然语言处理（NLP）--理解文本的含义--和语音识别的神经网络，而卷积神经网络起源于图像识别，具有推荐系统和NLP等多种用途。神经网络的设计也在不断发展，研究人员完善了一种更有效的深度神经网络形式，称为长短期记忆或LSTM--一种用于NLP和股票市场预测等任务的RNN架构--使其运行速度足以用于谷歌翻译等按需系统中。