人工智能（AI）是通過機器（尤其是計算機系統）對人類智能過程進行的模擬。AI的特定應用包括專家系統，自然語言處理（NLP），語音識別和機器視覺。
AI編程專注於三種認知技能：學習，推理和自我糾正。
學習過程。AI編程的這一方面着重於獲取數據並創建有關如何將數據轉化爲可操作信息的規則。這些規則稱爲算法，爲計算設備提供了有關如何完成特定任務的逐步說明。
推理過程。AI編程的這一方面着重於選擇正確的算法以達到期望的結果。
自校正過程。AI編程的這一方面旨在不斷優化算法，並確保它們提供最準確的結果。
人工智能的優缺點
人工神經網絡和深度學習人工智能技術正在迅速發展，這主要是因爲AI能夠比人類更快地處理大量數據並做出更準確的預測。
儘管每天創建的海量數據會淹沒人類研究人員，但使用機器學習的 AI應用程序可以獲取這些數據並將其迅速轉變爲可操作的信息。撰寫本文時，使用AI的主要缺點是處理AI編程所需的大量數據非常昂貴。
強AI與弱AI
AI可以分爲弱或強。弱AI（也稱爲窄AI）是經過設計和培訓以完成特定任務的AI系統。工業機器人和虛擬個人助理（例如Apple的Siri）使用弱化的AI。
強大的AI（也稱爲人工通用人工智能（AGI））描述了可以複製人腦認知能力的程序。當出現不熟悉的任務時，強大的AI系統可以使用模糊邏輯將知識從一個領域應用於另一個領域，並自動找到解決方案。從理論上講，一個強大的AI程序應該能夠同時通過圖靈測試和中文房間測試。
增強智能與人工智能
一些行業專家認爲，“ 人工智能 ”一詞與流行文化聯繫太緊密，這導致公衆對AI如何改變整個工作場所和生活抱有不可思議的期望。一些研究人員和營銷人員希望，具有更中性含義的標籤增強智能能夠幫助人們理解，大多數AI的實現都將是薄弱的，只會改善產品和服務。
技術奇異性的概念-由人工超智能所統治的未來，遠遠超出了人腦對其理解或如何塑造我們的現實的能力-仍屬於科幻小說的範疇。
人工智能的道德使用
儘管AI工具爲企業提供了一系列新功能，但人工智能的使用也引發了道德問題，因爲AI系統無論是好是壞都將鞏固已經學到的東西。
這可能是有問題的，因爲支持許多最先進的AI工具的機器學習算法僅與訓練中提供的數據一樣聰明。由於人類會選擇用於訓練AI程序的數據，因此潛在的機器學習偏見是固有的，必須密切監視。
任何希望將機器學習用作現實世界生產系統的一部分的人都需要將道德因素納入其AI培訓流程中，並努力避免偏見。使用深度學習和生成對抗網絡（GAN）應用中固有無法解釋的AI算法時，尤其如此。
可解釋性是在嚴格遵守法規要求的行業中使用AI的潛在絆腳石。例如，美國的金融機構根據規定運作，要求它們解釋其信貸發行決定。但是，當通過AI程序做出拒絕信用的決定時，可能很難解釋該決定是如何得出的，因爲用於做出此類決定的AI工具通過消除數千個變量之間的微妙關聯來運行。當無法解釋決策過程時，該程序可以稱爲黑匣子AI。
人工智能的組成部分
隨着圍繞AI的大肆宣傳，供應商一直在努力促進其產品和服務如何使用AI。通常，他們所謂的AI僅僅是AI的一個組成部分，例如機器學習。人工智能需要專門的硬件和軟件基礎來編寫和訓練機器學習算法。沒有一種編程語言是AI的代名詞，但是很流行，包括Python，R和Java。
人工智能即服務（AIaaS）
由於AI的硬件，軟件和人員成本可能很昂貴，因此許多供應商在其標準產品中包含AI組件，或者提供對人工智能即服務（AIaaS）平臺的訪問。AIaaS允許個人和公司出於各種業務目的對AI進行試驗，並在做出承諾之前對多個平臺進行採樣。
流行的AI雲產品包括：
亞馬遜AI
IBM Watson助理
Microsoft認知服務
Google AI
四種類型的人工智能
密歇根州立大學整合生物學與計算機科學與工程學助理教授Arend Hintze在2016年的一篇文章中解釋說，人工智能可以分爲四種類型，從今天廣泛使用的特定於任務的智能系統開始，然後發展到感知系統，尚不存在。類別如下：
類型1：反應式機器。這些AI系統沒有內存，並且是特定於任務的。一個例子是Deep Blue，它是1990年代擊敗Garry Kasparov 的IBM國際象棋程序。深藍可以識別棋盤上的棋子並做出預測，但由於它沒有記憶力，因此無法利用過去的經驗來告知未來的經驗。
類型2：有限的內存。這些AI系統具有存儲能力，因此它們可以利用過去的經驗來爲將來的決策提供依據。無人駕駛汽車的某些決策功能是通過這種方式設計的。
第三類：心理理論。心理理論是心理學術語。當應用於AI時，這意味着該系統將具有社交智能來理解情緒。這種類型的AI將能夠推斷出人類意圖並預測行爲，這是AI系統成爲人類團隊不可或缺的成員所必需的技能。
類型4： 自我意識。在此類別中，人工智能系統具有自我意識，這賦予了它們意識。具有自我意識的機器可以瞭解自己的當前狀態。這種類型的AI尚不存在。
認知計算與人工智能
術語“ AI”和“ 認知計算”有時可以互換使用，但通常來說，“ AI”標籤是指通過模擬我們如何感測，學習，處理和響應環境中的信息來代替人類智能的機器。
標籤認知計算用於指模仿和增強人類思維過程的產品和服務
人工智能技術的例子
人工智能被整合到各種不同類型的技術中。這是六個示例：
自動化。與AI技術結合使用時，自動化工具可以擴展執行任務的數量和類型。一個示例是機器人流程自動化（RPA），這是一種軟件，可以自動執行傳統上由人類執行的重複的，基於規則的數據處理任務。與機器學習和新興的AI工具結合使用時，RPA可以使企業工作的大部分自動化，從而使RPA的戰術機器人能夠傳遞AI的智能並響應流程變化。
機器學習。這是使計算機無需編程即可運行的科學。簡而言之，深度學習是機器學習的一個子集，可以將其視爲預測分析的自動化。機器學習算法分爲三種：
監督學習。標記了數據集，以便可以檢測模式並將其用於標記新數據集。
無監督學習。數據集未標記，而是根據相似性或差異進行排序。
強化學習。數據集未標記，但是在執行一個或多個動作後，會向AI系統提供反饋。
機器視覺。這項技術使機器具有查看能力。機器視覺使用攝像頭，模數轉換和數字信號處理來捕獲和分析視覺信息。它通常可以與人類的視力進行比較，但是機器視覺不受生物學的束縛，例如可以進行編程以穿透牆壁。它用於從簽名識別到醫學圖像分析的一系列應用。計算機視覺，其重點是基於機器的圖像處理，往往混爲一談與機器視覺。
自然語言處理。這是計算機程序對人類語言的處理。NLP的較早且最著名的示例之一是垃圾郵件檢測，它可以查看電子郵件的主題行和文本，並確定是否爲垃圾郵件。當前的NLP方法基於機器學習。NLP任務包括文本翻譯，情感分析和語音識別。
機器人技術。工程領域專注於機器人的設計和製造。機器人通常用於執行人類難以執行或難以持續執行的任務。例如，機器人用於汽車生產的裝配線中，或被NASA用於在太空中移動大型物體。研究人員還使用機器學習來構建可以在社交環境中進行交互的機器人。
自動駕駛汽車。自動駕駛汽車結合了計算機視覺，圖像識別和深度學習功能，可以建立自動駕駛技巧，既可以在給定的車道內停留並避免意外的障礙物（例如行人）。
人工智能的歷史
賦予智力的無生命物體的概念自古以來就已經存在。在神話中，希臘神赫菲斯托斯（Hephaestus）被描述爲用金子鍛造出像機器人一樣的僕人。古埃及的工程師建造了由祭司製作的神像。縱觀百年來，思想家，從亞里士多德到13 個世紀的西班牙神學家拉蒙Llull到笛卡爾和托馬斯·貝葉斯使用的工具和他們那個時代的邏輯來描述人類的思維過程爲標誌，奠定了AI概念的基礎上，如一般的知識表示。
晚19 日和20個上半年個世紀以來帶來了基礎性的工作，會引起現代計算機。1836年，劍橋大學的數學家Charles Babbage和Lovelace伯爵夫人的Augusta Ada Byron發明了可編程機器的第一個設計。在1940年代，普林斯頓大學的數學家約翰·馮·諾伊曼（John Von Neumann）構思了存儲程序計算機的體系結構，即計算機程序和它處理的數據可以保存在計算機內存中的想法。Warren McCulloch和Walter Pitts奠定了神經網絡的基礎。
隨着現代計算機的出現，科學家可以測試他們關於機器智能的想法。1950年，英國數學家和第二次世界大戰密碼破解者艾倫·圖靈（Alan Turing）發明了一種確定計算機是否具有智能的方法。圖靈測試的重點是使計算機欺騙詢問者相信其對問題的回答是人類做出的。存在。
現代人工智能領域被廣泛引用爲始於1956年在達特茅斯學院舉行的夏季會議上。該會議由美國國防高級研究計劃局（DARPA）贊助，該領域有10位知名人士參加了會議，其中包括AI先驅Marvin Minsky，Oliver Selfridge和John McCarthy，他們被譽爲“ 人工智能”。出席會議的還有計算機科學家Allen Newell和經濟學家，政治學家和認知心理學家Herbert A. Simon，他們介紹了他們開創性的Logic Theorist，這是一種能夠證明某些數學定理的計算機程序，被稱爲第一個AI程序。 。
在達特茅斯學院會議之後，處於起步階段的AI領域的領導人預測，相當於人腦的人造情報即將來臨，吸引了政府和業界的大力支持。確實，近20年資金雄厚的基礎研究在AI方面取得了重大進展：例如，在1950年代後期，Newell和Simon出版了通用問題求解器（GPS）算法，該算法雖然不能解決複雜的問題，但卻爲發展更復雜的認知架構；麥卡錫開發了Lisp，這是一種AI編程語言，至今仍在使用。1960年代中期，麻省理工學院的約瑟夫·魏岑鮑姆（Joseph Weizenbaum）教授開發了ELIZA，這是一種早期的自然語言處理程序，爲當今的聊天機器人奠定了基礎。
但是，由於計算機處理和存儲的侷限性以及問題的複雜性，阻礙了人工智能的實現，但並非遙不可及。政府和企業放棄了對AI研究的支持，導致了從1974年到1980年的休耕期，被稱爲第一個“ AI冬季”。在1980年代，對深度學習技術的研究以及愛德華·費根鮑姆（Edward Feigenbaum）的專家系統在業界的採用引發了AI熱情的新浪潮，隨後政府資金和行業支持又一次崩潰。第二個AI冬季一直持續到1990年代中期。
計算能力的提高和數據的激增引發了1990年代後期AI的復興，這種復興一直持續至今。對AI的最新關注已在自然語言處理，計算機視覺，機器人技術，機器學習，深度學習等方面取得了突破。此外，人工智能正變得越來越有形，爲汽車提供動力，診斷疾病並鞏固其在流行文化中的作用。1997年，IBM的Deep Blue擊敗了俄羅斯國際象棋大師傅Garry Kasparov，成爲第一個擊敗世界象棋冠軍的計算機程序。十四年後，IBM的沃森（Watson）在遊戲節目《危險（Jeopardy！）》中擊敗了兩位前冠軍而吸引了公衆。最近，谷歌DeepMind的AlphaGo擊敗了18屆世界圍棋大賽冠軍李·塞多爾（Lee Sedol） Go社區震驚了，並標誌着智能機器開發的一個重要里程碑。
人工智能的應用
人工智能已進入各種各樣的市場。這是八個例子。
醫療保健中的AI。最大的賭注是改善患者的預後並降低成本。公司正在應用機器學習來做出比人類更好更快的診斷。IBM Watson是最著名的醫療保健技術之一。它能夠理解自然語言，並且可以回答所提出的問題。該系統挖掘患者數據和其他可用數據源以形成假設，然後以置信度評分方案呈現該假設。其他AI應用程序包括使用在線虛擬健康助手和聊天機器人來幫助患者和醫療保健客戶查找醫療信息，安排約會，瞭解計費流程並完成其他管理流程。一系列AI技術也被用於預測，戰鬥和理解大流行，例如COVID-19。
商業AI。機器學習算法已集成到分析和客戶關係管理（CRM）平臺中，以發現有關如何更好地爲客戶提供服務的信息。聊天機器人已合併到網站中，以爲客戶提供即時服務。工作職位的自動化也已成爲學者和IT分析人員的話題。
教育中的人工智能。AI可以自動進行評分，從而給教育者更多的時間。它可以評估學生並適應他們的需求，幫助他們按照自己的節奏工作。人工智能導師可以爲學生提供額外的支持，以確保他們始終如一。它可能會改變學生的學習方式和學習方式，甚至可能取代一些老師。
金融領域的人工智能。Intuit Mint或TurboTax等個人理財應用程序中的AI正在破壞金融機構。諸如此類的應用程序收集個人數據並提供財務建議。其他程序（例如IBM Watson）已應用於購房過程。如今，人工智能軟件在華爾街上進行了大量交易。
法律上的人工智能。法律上的發現過程-通過文檔進行篩選-通常對人類來說是不堪重負的。使用AI幫助自動化法律行業的勞動密集型流程可以節省時間並改善客戶服務。律師事務所正在使用機器學習來描述數據和預測結果，使用計算機視覺來對文檔進行分類和提取信息，並使用自然語言處理來解釋對信息的請求。
製造業中的AI。製造業一直是將機器人納入工作流程的最前沿。例如，是一次工業機器人編程以執行單一任務和人類工人分離出來，越來越多的功能cobots：更小，多任務與人類協作，並採取作業的倉庫，工廠車間多個部分責任機器人和其他工作區。
銀行業的人工智能。銀行成功地使用了聊天機器人，使客戶瞭解服務和產品，並處理不需要人工干預的交易。AI虛擬助手正在用於改善和降低遵守銀行法規的成本。銀行組織也正在使用AI來改善其貸款決策，設置信貸限額並確定投資機會。
運輸中的AI。除了AI在操作自動駕駛汽車中的基本作用外，AI技術還用於交通運輸中，以管理交通，預測航班延誤並提高海運安全性和效率。
安全中的AI：人工智能和機器學習已成爲當今安全廠商用來區分其產品的流行語的頂部。這些術語也代表着真正可行的技術。網絡安全產品中的人工智能和機器學習正在爲尋求識別攻擊，惡意軟件和其他威脅的方法的安全團隊增添真正的價值。
組織在安全信息和事件管理（SIEM）軟件以及相關領域中使用機器學習來檢測異常並識別表明威脅的可疑活動。通過分析數據並使用邏輯識別與已知惡意代碼的相似性，人工智能可以比人類員工和以前的技術迭代更快地爲新出現的攻擊提供警報。
因此，人工智能安全技術不僅可以大大減少誤報的數量，還可以讓組織有更多時間在造成破壞之前應對實際威脅。成熟的技術在幫助組織抵禦網絡攻擊方面發揮着重要作用。
人工智能技術的監管
儘管存在潛在的風險，但目前很少有法規規範AI工具的使用，並且在存在法律的地方，它們通常間接涉及AI。例如，如前所述，美國公平貸款法規要求金融機構向潛在客戶解釋信貸決策。這限制了貸方可以使用深度學習算法的程度，而深度學習算法本質上是不透明的且缺乏可解釋性。
歐盟的通用數據保護條例（GDPR）對企業如何使用消費者數據進行了嚴格限制，這阻礙了許多面向消費者的AI應用程序的培訓和功能。
2016年10月，美國國家科學技術委員會發布了一份報告，審查了政府法規在AI發展中可能發揮的潛在作用，但並未建議考慮制定具體立法。
制定法規來規範AI並非易事，部分原因是AI包含了公司用於不同目的的多種技術，部分原因是法規可能會犧牲AI的發展和發展。AI技術的快速發展是形成有意義的AI監管的另一個障礙。技術的突破和新穎的應用會使現有法律立即過時。例如，現行規範對話和記錄的對話的隱私的法律並未涵蓋語音助手（例如，亞馬遜的Alexa和蘋果的Siri）聚集但不分發對話所帶來的挑戰，但公司使用該技術來改善機器的技術團隊除外學習算法。而且，當然，政府確實設法制定法規以規範AI