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。
1997 年至约 2006 年间，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。
人工智能目前的应用情况如何？
如今，人工智能无处不在，在幕后为您最喜爱的应用程序提供支持。
商业人工智能示例
人工智能的应用范围很广。虽然不够详尽，但以下一些示例突出说明了人工智能在组织中的各种应用场景。
聊天机器人和智能助手
人工智能驱动的聊天机器人和智能助理可以进行更复杂、更像人类的对话。他们可以理解上下文并为复杂的自然语言和客户查询生成连贯的回应。他们在客户支持、虚拟协助和内容生成方面表现出色，可提供个性化互动。这些模型的持续学习能力使他们能够随着时间的推移不断调整和改进性能，从而提升用户体验和效率。
例如，Deriv（全球最大的在线经纪商之一）在访问分布在不同平台上的大量数据时面临挑战。该公司实施了人工智能驱动的助手，用于检索和处理来自客户支持、营销和招聘等多个来源的数据。借助人工智能，Deriv 将新员工入职时间减少了 45%，并将招聘任务时间缩短了 50%。
智能文档处理
智能文档处理（IDP）可将非结构化文档格式转换为可用数据。例如，它将电子邮件、图像和 PDF 等业务文档转换为结构化信息。IDP 使用自然语言处理（NLP）、深度学习和计算机视觉等人工智能技术来提取、分类和验证数据。
例如，英格兰和威尔士超过 87% 的不动产所有权由英国土地注册局（HMLR）处理。HMLR 社会工作者比较和审查复杂的法律文件有关的财产交易。该组织部署了一个人工智能应用程序来自动进行文档比较，从而将审查时间缩短了 50%，并加快了财产转让的审批流程。有关更多信息，请点击阅读 HMLR 如何使用 Amazon Textract。
应用程序性能监控
应用程序性能监控（APM）是使用软件工具和遥测数据来监控关键业务应用程序性能的过程。基于 AI 的 APM 工具使用历史数据在问题发生之前对其进行预测。预测性维护还可以向开发人员推荐切实可行的解决方案，从而实时解决问题。这种策略可以保持应用程序的有效运行并解决瓶颈。
例如，Atlassian 生产的产品旨在简化团队合作和组织。Atlassian 使用人工智能 APM 工具来持续监控应用程序、检测潜在问题并确定严重性优先级。借助此功能，团队可以快速响应基于机器学习的建议并解决绩效下降的问题。
预测性维护
人工智能增强型预测性维护使用大量数据来识别可能导致运营、系统或服务停机的问题。预测性维护使企业能够在潜在问题发生之前就加以解决，从而减少停机时间并防止中断。
例如，Baxter 在全球拥有 70 个生产基地，可全天候运营以提供医疗技术。Baxter 采用预测性维护来自动检测工业设备中的异常情况。用户可以提前实施有效的解决方案，以减少停机时间并提高运营效率。要了解更多信息，请点击阅读 Baxter 如何使用 Amazon Monitron。
医学研究
医学研究利用人工智能来简化流程、自动执行重复性任务以及处理大量数据。您可以在医学研究中使用人工智能技术来促进端到端的药物发现和开发，转录病历，并缩短新产品的上市时间。
举一个现实世界的例子，C2i Genomics 使用人工智能来运行大规模扩展、可定制的基因组管道和临床检查。通过涵盖计算解决方案，研究人员可以专注于临床表现和方法开发。工程团队还使用 AI 来减少资源需求、工程维护和 NRE 成本。有关更多信息，请点击阅读 C2i Genomics 如何使用 AWS HealthOmics。
人工智能为企业带来的益处
您的组织可以集成人工智能功能，以优化业务流程、提升客户体验并加快创新。
机器学习、深度学习和人工智能有什么区别？
人工智能（AI）是一个总称，指的是使机器更像人类的各种策略和技术。人工智能涵盖范围非常广，例如自动驾驶汽车，以及机器人吸尘器和 Alexa 这样的智能助手。虽然机器学习和深度学习都属于人工智能的范畴，但并非所有的人工智能活动都是机器学习和深度学习。例如，生成式人工智能展示了类似人类的创造能力，是一种非常先进的深度学习形式。
机器学习
虽然你可能会看到人工智能和机器学习这两个术语在许多地方可以互换使用，但从技术上讲，机器学习是人工智能众多分支中的一个。它是一门开发算法和统计模型来关联数据的科学。计算机系统使用机器学习算法来处理大量历史数据，并识别数据模式。在当前背景下，机器学习是指一组称为机器学习模型的统计技术，您可以独立使用这些技术，也可以将其用于支持其他更复杂的人工智能技术。
深度学习
深度学习让机器学习更进一步。深度学习模型使用神经网络来共同学习和处理信息。它们由数百万个软件组件组成，这些组件对小型数据单元执行微观数学运算以解决更大的问题。例如，它们处理图像中的单个像素，以便对图像进行分类。现代 AI 系统通常结合多个深度神经网络来执行复杂的任务，例如根据文本提示写诗或创建图像。
人工智能如何运作？
人工智能系统使用一系列技术来运作。具体情况各不相同，核心原理不变：它们将所有数据类型（例如文本、图像、视频和音频）转换为数字表示，并以数学方式识别它们之间的模式和关系。因此，人工智能技术需要培训，它们需要接触大量现有数据集来 “学习”，就像人类从现有知识档案中学习一样。以下列出了使人工智能运作的一些技术。
神经网络
人工神经网络构成了人工智能技术的核心。神经网络模仿了人脑中发生的处理过程。大脑包含数百万个神经元，这些神经元对信息进行处理和分析。人工神经网络使用人工神经元共同处理信息。每个人造神经元或节点都使用数学计算来处理信息并解决复杂的问题。
自然语言处理
自然语言处理（NLP）使用神经网络来解释、理解文本数据并从中收集意义。它使用各种专门用于解码和理解人类语言的计算技术。这些技术可以让机器处理单词、语法句法和单词组合，从而处理人类文本，甚至生成新文本。自然语言处理对于总结聊天机器人文档和进行情感分析至关重要。
计算机视觉
计算机视觉使用深度学习技术从视频和图像中提取信息和见解。您可以使用计算机视觉来监控在线内容中是否有不恰当的图像、识别人脸和对图像细节进行分类。在自动驾驶汽车和卡车中，监控环境并在瞬间做出决定至关重要。
语音识别
语音识别软件使用深度学习模型来解释人类语音、识别单词和检测含义。神经网络可以将语音转录为文本，并指示声音情感。您可以在虚拟助手和呼叫中心软件等技术中使用语音识别来识别含义并执行相关任务。
生成式人工智能
生成式人工智能是指根据简单的文本提示创建新的内容和构件（如图像、视频、文本和音频）的人工智能系统。与过去局限于分析数据的人工智能不同，生成式人工智能利用深度学习和海量数据集来产生高质量、类似人类的创造性输出。在实现激动人心的创造性应用的同时，也存在着对偏见、有害内容和知识产权的担忧。总的来说，生成式人工智能代表了人工智能性能的重大发展，它能以类似人类的方式生成人类语言和新的内容及构件。
AI 应用架构的关键组成部分是什么？
人工智能架构由三个核心层组成。所有层在 IT 基础设施上运行，该基础设施为人工智能提供了必要的计算和内存资源。
适合初学者的人工智能培训选项
人工智能培训通常从编程和计算机科学的基础知识开始。您应该学习 Python 等语言，以及数学、统计和线性代数。
然后，您可以继续进行更专业的培训。攻读人工智能、机器学习或数据科学硕士学位，以获得更深入的理解和实践经验。这些计划通常涉及神经网络、自然语言处理和计算机视觉深度等主题。
但是，正规教育不是唯一的途径。您可以使用在线课程按照自己的节奏学习并掌握特定技能。例如，AWS 上的生成式人工智能培训包括 AWS 专家对以下主题的认证：
人工智能实施面临哪些挑战？
一些挑战使人工智能的实施和使用变得复杂。以下是最常见的一些挑战。
AI 治理
数据治理政策必须遵守监管限制和隐私法。要实施 AI，您必须管理数据质量、隐私和安全。您对客户数据和隐私保护负责。为了管理数据安全，您的组织应了解人工智能模型如何使用各层客户数据并与之交互。
技术难题
使用机器学习训练 AI 会消耗大量资源。高处理能力门槛对于深度学习技术发挥作用至关重要。您必须拥有强大的计算基础架构才能运行 AI 应用程序和训练模型。处理能力可能很昂贵，并且会限制人工智能系统的可扩展性。
数据限制
您需要输入海量数据以训练无偏见的人工智能系统。您必须有足够的存储容量来容纳并处理训练数据。同样，您必须制定有效的管理和数据质量流程，以确保用于训练的数据的准确性。
负责任的人工智能
负责任的人工智能是指大规模考虑人工智能系统的社会和环境影响的人工智能开发。与任何新技术一样，人工智能系统对用户、社会和环境会产生巨大影响。负责任的人工智能应该加强积极影响，优先考虑人工智能开发和使用方式的公平性和透明度。它可确保人工智能的创新和数据驱动的决策不侵犯公民自由和人权。组织在迅速发展的人工智能领域保持竞争力的同时，发现构建负责任的人工智能具有挑战性。
AWS 如何支持您的人工智能需求？
AWS 让更多的人能够使用人工智能，包括创建者、数据科学家、业务分析师和学生。凭借最全面的人工智能服务、工具和资源，AWS 为超过十万家客户提供了深入的专业知识，以满足他们的业务需求并让数据的价值得以体现。客户可以在隐私、端到端安全和人工智能治理的基础上使用 AWS 进行构建和扩展，以前所未有的速度实现转型。AWS 上的人工智能包括用于现成智能技术的预先训练的人工智能服务，以及可最大限度地提高性能并降低成本的人工智能基础设施。