什么是人工智能？（英）

麦肯锡解释者 什么是AI（人工智能 ）？ 人工智能是机器执行我们通常与人类思维相关联的某些认知功能的能力 。 2024年4月 人类与机器：生产力天堂中的一场比赛。如果没有我们机械化的工作马，我们的物种就不会走得很远。从彻底改变农业的轮子到将日益复杂的建筑项目结合在一起的螺丝，再到今天的机器人装配线，机器已经创造了生命 然而，尽管它们看似无穷无尽的效用，人类长期以来一直害怕机器——更具体地说，就是机器有一天可能获得人类的智慧并自己罢工。 但是我们倾向于将有知觉的机器充满魅力和恐惧。这种好奇心帮助将科幻小说变成了实际的科学。二十世纪的理论家，例如计算机科学家和数学家艾伦·图灵，设想了一个机器可以比人类更快地执行功能的未来。图灵和其他人的工作很快使这成为现实。 个人计算器在20世纪70年代开始广泛使用，到2016年 ，美国人口普查显示 89%的美国家庭拥有电脑。 机器-智能机器-现在只是我们生活和文化的普通一部分 。 这些智能机器也变得更快，更复杂。一些计算机现在已经超过了exascale阈值，这意味着它们可以在一秒钟内执行尽可能多的计算 个人可以在31,688,765,000年内。除了机器长期以来比我们更快的计算之外，计算机和其他设备现在正在获得曾经是人类和其他一些物种独有的技能和感知。 AI是机器执行我们与人类思维相关联的认知功能的能力，例如感知，推理，学习，与环境交互，解决问题，甚至锻炼创造力。即使你没有意识到，你也可能已经与人工智能进行了互动——像Siri和Alexa这样的语音助手是基于人工智能技术的，一些客户服务聊天机器人也是如此。 你浏览网站。 应用AI-简单地说，应用于现实世界问题的人工智能-对商业世界具有严重影响。通过使用人工智能，公司有潜力使业务更有效率和盈利。但归根结底，AI的价值不在于系统本身。相反，这取决于公司如何使用这些系统来帮助人类，以及他们向股东和公众解释这些系统做什么的能力，从而建立信任和信心。 有关AI，其历史，未来以及如何将其应用于业务的更多信息，请继续阅读。 了解更多关于QuantumBlack的信息，麦肯锡的AI。 除了计算之外，计算机和其他设备现在正在获得曾经是人类和其他一些物种独有的技能和感知 。 什么是机器学习？ 机器学习是人工智能的一种形式，可以适应各种输入，包括大量的历史数据，合成数据或人工输入。（一些机器学习算法专门训练自己来检测模式；这被称为深度学习。见附件1。）这些算法可以检测模式，并通过处理数据来学习如何进行预测和建议，而不是通过接收显式的编程指令 。一些算法也可以适应新的数据和经验。随着时间的推移而改善。 现在产生的数据量和复杂性太大，人类无法有效处理和应用，这增加了机器学习的潜力，也增加了对机器学习的需求。自1970年代开始广泛部署以来，机器学习对许多行业产生了影响，包括在医学成像分析和 高分辨率天气预报。 什么是深度学习？ 深度学习是机器学习的更高级版本，特别熟练 在处理更广泛的数据资源（文本以及包括图像在内的非结构化数据）时，需要更少的人为干预，并且通常可以产生比传统机器学习更准确的结果。深度学习使用神经网络— —基于神经元在人脑中的交互方式——来摄取数据并通过多个神经元层处理数据，这些神经元层识别数据的日益复杂的特征。例如，早期的层可能会将某些东西识别为特定的形状；基于此知识，后一层可能能够将该形状识别为停止标志。与机器学习类似，深度学习使用迭代来自我校正并提高其预测能力。例如，一旦它“学习”停止标志是什么样子，它就可以识别新图像中的停止标志。 了解更多关于QuantumBlack的信息，麦肯锡的AI。 附件1 人工智能是机器执行我们通常与人类思维相关联的某些认知功能的能力。 人工智能的进化 人工智能 科学和 机器学习 智能机器制造工程 Amajor 实现AI的突破 深度学习 一个先进的机器学习的分支 生成AI 深度学习的高级分支 AI是开发可以复制人类 机器学习算法检测大 深度学习使用神经网络，灵 生成式AI是深度学习的一个 行为的机器的广泛领域 型数据集中的模式， 感来自人类大脑中神经元的交 分支，它使用非常大的神经 ，包括与感知，推理 并通过处理数据而不 互方式，通过多次迭代来摄 网络，称为大型语言模型（ ，学习和解决问题相关 是接收显式编程指令 取数据并对其进行处理，从 与 的任务。 来学习做出预测。 而学习数据越来越复杂的特征 数千亿个神经元），可以学习特 并做出越来越复杂的预测。 别抽象的模式。用于解释和创建文本，视频，图像和数据的语言模型被称为生成AI。 麦肯锡公司 现在产生的数据量和复杂性太大，人类无法有效处理和应用，增加了机器学习的潜力，也增加了对机器学习的需求。 什么是生成式AI？ 生成AI（geerativeAI）是一种AI模型，可响应提示生成内容。很明显，像ChatGPT和DALL-E（AI生成艺术的工具）这样的生成AI工具有可能改变一系列工作的执行方式。关于GeeAI的潜力还有很多未知，但我们可以回答一些问题，比如GeeAI模型是如何构建的，它们最适合解决哪些问题，以及它们如何适应更广泛的AI和机器学习。 有关生成AI及其如何影响商业和社会的更多信息，请查看我们的解释者“什么是生成AI？” AI的历史是什么？ “人工智能”一词是由计算机科学家JohnMcCarthy于1956年在达特茅斯的一个研讨会上创造的。但是他并不是第一个写我们现在描述为AI的概念的人。AlanTuring在1950年的一篇论文中引入了“模仿游戏”的概念。这是对机器能力的测试 表现出智能行为，现在被称为“图灵测试”。他认为研究人员应该专注于不需要太多的感知和动作的领域，比如游戏和语言翻译。 致力于概念的研究社区 像计算机视觉，自然语言理解和神经网络，在许多情况下，几十年的历史。 麻省理工学院物理学家RodneyBrooks分享了AI前四个阶段的细节： —SymbolicAI(1956)。符号AI也被称为经典AI，甚至是GOFAI（老式AI）。这里的关键概念是使用符号和逻辑推理来解决问题。例如，我们知道德国牧羊犬是狗，它是哺乳动物；所有哺乳动物都是温血动物；因此，德国牧羊犬应该是温血动物。 符号AI的主要问题是，人类仍然需要将他们对世界的知识手动编码到符号AI系统中，而不是让它自己观察和编码关系。结果，符号AI系统在涉及的情况下挣扎他们也缺乏从大量数据中学习的能力。 直到20世纪80年代末，象征性人工智能一直是人工智能研究的主要范式。 —神经网络(1954,1969,1986,2012)。神经网络是最近一代AI爆炸性增长背后的技术。对神经元在人脑中的交互方式进行松散建模，神经网络通过多次迭代来摄取数据并对其进行处理，从而学习数据的日益复杂的特征。然后，神经网络可以做出决定 例如，一旦“学习”了对象的外观，它就可以识别新图像中的对象。 神经网络最早是在1943年由神经生理学家WarreMcClloch和逻辑学家WalterPitts在一篇学术论文中提出的。几十年后的1969年，两位麻省理工学院的研究人员在数学上证明了神经网络只能执行非常基本的任务。1986年，出现了另一个逆转，计算机科学家和认知心理学家GeoffreyHito及其同事解决了麻省理工学院研究人员提出的神经网络问题。在1990年代，计算机科学家YaLeC在神经网络在计算机视觉中的使用方面取得了重大进展，而JürgeSchmidhber则在语言处理中使用了递归神经网络。 2012年，Hinton和他的两个学生强调了深度学习的力量。他们将Hinton的算法应用于神经网络，其层数比典型的多得多，引发了对深度神经网络的新关注。这些是近年来主要的人工智能方法。 —传统机器人(1968)。在人工智能的最初几十年里，研究人员制造了机器人来推进研究。一些机器人是移动的，在轮子上移动，而另一些则是固定的，带有铰接臂。机器人使用计算机视觉的最早尝试来识别和导航他们的环境，或者理解物体的几何形状并操纵它们。这可以包括围绕各种形状和颜色的块移动。 这些机器人中的大多数，就像在工厂中使用了几十年的机器人一样，依赖于高度受控的环境，它们反复执行完全脚本化的行为。 案例研究：维斯特拉和马丁湖发电厂 Vistra是一家大型电力生产商intheUnitedStates,operatingplantsin12stateswithacapacitytopowernearly20millionhomes.Vistrahascommittedtoachievingnet-zeroemissionsby2050.Insupport 为了实现这一目标，以及提高整体效率，麦肯锡的QuantumBlackAI与Vistra合作构建和部署在其工厂之一的AI驱动的热耗率优化器（HRO ）。 “热耗率”是衡量工厂热效率的指标；换句话说 ，它是生产每单位电力所需的燃料量。为了达到最佳的热耗率，工厂操作员不断监测和调整数百个变量，例如蒸汽温度，压力，氧气水平和风扇速度。 Vistra和麦肯锡的一个团队，包括数据科学家和机器学习工程师，建立了一个多层神经网络模型。该模型梳理了工厂两年的数据，并了解了哪种因素组合将在任何时候获得最有效的热耗率及时。当模型的准确性达到99％或更高，并经过一系列严格的现实世界测试时，团队将其转换为AI驱动的引擎，该引擎可在每个 30分钟，供操作员提高工厂的热率效率。该公司位于德克萨斯州敖德萨的工厂的一位经验丰富的运营经理说：“有些事情我花了20年的时间来了解这些发电厂。这种模型在一个下午就学会了它们。” 总体而言，由AI驱动的HRO帮助Vista实现了以下目标 ： —每年减少约160万吨碳 —优化的67台发电机 —在大约一年内节省了6000万美元 在这里阅读更多关于Vistra的故事。 他们并没有为AI本身的进步做出重大贡献。 但是传统的机器人技术通过称为“同步定位和地图绘制”(SLAM)的过程确实在一个领域产生了重大影响。SLAM算法有助于自动驾驶汽车，并用于真空清洁机器人和四轴飞行器无人机等消费产品。如今，这项工作已经发展成为基于行为的机器人技术，也被称为触觉技术，因为它响应于 人类的触摸。 —基于行为的机器人技术(1985)。在现实世界中，导航、决策或解决问题并不总是有明确的指示。研究人员观察到 ，昆虫在神经元很少的情况下导航非常好（并且在进化上非常成功）。基于行为的机器人研究人员从中获得了灵感，寻找机器人可以用部分知识和冲突指令解决问题的方法。这些基于行为的机器人嵌入了神经网络。 了解更多关于QuantumBlack的信息，麦肯锡的AI。 什么是人工智能？ “通用人工智能”（AGI）一词是用来描述具有与人类相当的能力的AI系统。从理论上讲，AGI有朝一日可以复制人类的认知能力，包括推理，解决问题，感知，学习和语言理解。但是，我们不要超越自己：这里的关键词是“有一天。“大多数研究人员和学者认为我们距离实现AGI还有几十年的时间;有些人甚至预测我们不会看到。 AGI这个世纪，或者永远。麻省理工学院的机器人学家、iRobot的联合创始人罗德尼·布鲁克斯认为AGI要到2300年才会到来。 AGI出现的时间可能不确定。但是当它出现时-很可能会- 这将是一个非常大的问题，在各个方面 我们的生活。高管应该开始努力理解机器现在实现人类水平智能的道路，并过渡到一个更加自动化的世界。 有关AGI的更多信息，包括之前在AGI的四次尝试，请阅读我们的解释者。 什么是狭义AI？ 狭义AI是将AI技术应用于特定且定义明确的问题，例如ChatGPT之类的聊天机器人，在信用卡交易中发现欺诈的算法以及快速处理数千个法律文档的自然语言处理引擎。当前的大多数AI应用程序都属于狭义AI类别。相比之下 ，AGI是， 人工智能足够聪明，可以执行广泛的任务。 了解更多关于QuantumBl