人工智能百度云(人工智能百度云盘资源2001)

 

人工智能利用计算机和机器来模仿人类思维的解决问题和决策能力。

什么是人工智能？

虽然在过去的几十年中出现了许多人工智能 (AI) 的定义，但约翰麦卡锡在 2004 年的论文 中提供了以下定义

它是制造智能机器，尤其是智能计算机程序。

它与使用计算机理解人类智能的类似任务有关，但人工智能不必将自己局限于生物学可观察的方法。

然而，在这个定义之前的几十年，人工智能对话的诞生是由艾伦图灵的开创性著作计算机与智能于 1950 年出版的。

论文中，通常被称为计算机科学之父的图灵提出了以下问题：机器能思考吗？

从那里，他提供了一个测试，现在被称为图灵测试，人类询问者将尝试区分计算机和人类文本响应。

尽管该测试自发布以来经过了大量审查，但它仍然是人工智能历史的重要组成部分，也是哲学中一个持续存在的概念，因为它利用了语言学的思想。

Stuart Russell 和 Peter Norvig 随后继续出版了《人工智能：一种现代方法》 ，成为人工智能研究的主要教科书之一。

在其中，他们深入研究了人工智能的四个潜在目标或定义，这些目标或定义根据理性和思考与行动来区分计算机系统：

人性化的方法：

像人类一样思考的系统像人类一样行动的系统

理想的做法：

理性思考的系统理性行动的系统

Alan Turing 的定义属于像人类一样行动的系统。

就其最简单的形式而言，人工智能是一个结合了计算机科学和强大数据集以解决问题的领域。

它还包含机器学习和深度学习的子领域，这些子领域经常与人工智能一起被提及。

这些学科由 AI 算法组成，这些算法试图创建专家系统，根据输入数据进行预测或分类。

今天，很多炒作仍然围绕着人工智能的发展，这是市场上任何新兴技术的预期。

正如Gartner 的炒作周期中所述，自动驾驶汽车和个人助理等产品创新遵循典型的创新进程，从过度热情到幻灭期，再到最终理解创新的相关性和作用在一个市场或领域。

正如 Lex Fridman 在2019 年麻省理工学院讲座中指出的那样，我们正处于期望值过高的顶峰，接近幻灭的低谷。

随着围绕人工智能伦理的对话出现，我们可以开始看到幻灭低谷的初步一瞥。

人工智能的类型——弱人工智能与强人工智能

弱人工智能——也称为狭义人工智能或狭义人工智能 (ANI)——是经过人工智能训练并专注于执行特定任务的人工智能。

弱人工智能驱动了当今我们周围的大部分人工智能。

对于这种类型的人工智能，窄可能是一个更准确的描述，因为它绝不是弱的；

它支持一些非常强大的应用程序，例如 Apple 的 Siri、Amazon 的 Alexa、IBM Watson 和自动驾驶汽车。

强人工智能由通用人工智能（AGI）和人工超级智能（ASI）组成。

通用人工智能 (AGI) 或通用人工智能是人工智能的一种理论形式，其中机器具有与人类相同的智能；

它将具有自我意识，具有解决问题、学习和规划未来的能力。

人工超级智能（ASI）——也称为超级智能——将超越人脑的智力和能力。

虽然强人工智能仍然完全是理论上的，今天还没有实际使用的例子，但这并不意味着人工智能研究人员不会也在探索它的发展。

与此同时，ASI 最好的例子可能来自科幻小说，比如 HAL，2001 年：太空漫游中的超人、流氓计算机助手。

深度学习与机器学习

由于深度学习和机器学习往往可以互换使用，因此值得注意的是两者之间的细微差别。

互联网小常识：从路由选择算法对网络拓扑和通信量变化的自适应能力的角度来划分，可分为静态路由选择算法与动态路由选择算法两大类。

如上所述，深度学习和机器学习都是人工智能的子领域，而深度学习实际上是机器学习的一个子领域。

深度学习实际上由神经网络组成。

深度学习中的深度是指由三层以上的神经网络组成——包括输入和输出——可以被认为是一种深度学习算法。

这通常使用下图表示：

深度学习和机器学习的不同之处在于每种算法的学习方式。

深度学习使过程中的大部分特征提取部分自动化，消除了一些所需的人工干预并允许使用更大的数据集。

您可以将深度学习视为可扩展的机器学习，正如 Lex Fridman 在同一个 MIT 讲座中指出的那样。

经典的或非深度的机器学习更依赖于人工干预来学习。

人类专家确定特征的层次结构以了解数据输入之间的差异，通常需要更多结构化数据来学习。

深度机器学习可以利用标记数据集（也称为监督学习）为其算法提供信息，但它不一定需要标记数据集。

它可以以原始形式（例如文本、图像）摄取非结构化数据，并且可以自动确定特征的层次结构，从而将不同类别的数据彼此区分开来。

与机器学习不同，它不需要人工干预来处理数据，让我们能够以更有趣的方式扩展机器学习。

人工智能应用

如今，人工智能系统有许多现实世界的应用。

以下是一些最常见的示例：

语音识别：也称为自动语音识别 (ASR)、计算机语音识别或语音转文本，是一种使用自然语言处理 (NLP) 将人类语音处理为书面格式的能力。

许多移动设备将语音识别整合到他们的系统中以进行语音搜索（例如 Siri）或提供更多关于短信的可访问性。

客户服务：在线虚拟代理正在取代客户旅程中的人工代理。

他们回答围绕主题的常见问题 (FAQ)，例如运输，或提供个性化建议、交叉销售产品或为用户建议尺寸，改变我们对跨网站和社交媒体平台客户互动的看法。

示例包括电子商务网站上带有虚拟代理的消息机器人、消息应用程序（例如 Slack 和 Facebook Messenger）以及通常由虚拟助手和语音助手完成的任务。

计算机视觉：这项人工智能技术使计算机和系统能够从数字图像、视频和其他视觉输入中获取有意义的信息，并根据这些输入采取行动。

这种提供建议的能力将其与图像识别任务区分开来。

在卷积神经网络的支持下，计算机视觉在社交媒体中的照片标记、医疗保健中的放射成像以及汽车行业中的自动驾驶汽车中都有应用。

推荐引擎：利用过去的消费行为数据，人工智能算法可以帮助发现数据趋势，可用于制定更有效的交叉销售策略。

这用于在在线零售商的结账过程中向客户提供相关的附加建议。

自动化股票交易：旨在优化股票投资组合，人工智能驱动的高频交易平台每天进行数千甚至数百万次交易，无需人工干预。

人工智能的历史：关键日期和名称

会思考的机器的概念可以追溯到古希腊。

但自从电子计算出现（以及与本文讨论的一些主题相关）以来，人工智能发展中的重要事件和里程碑包括以下内容：

1950 年：Alan Turing 出版了Computing Machinery and Intelligence。

在论文中，因在二战期间破解纳粹的 ENIGMA 密码而闻名的图灵提议回答机器能思考吗？这个问题。

并引入了图灵测试来确定计算机是否可以展示与人类相同的智能（或相同智能的结果）。

从那时起，图灵测试的价值一直备受争议。

1956 年：约翰麦卡锡在达特茅斯学院有史以来第一次人工智能会议上创造了人工智能一词。

（McCarthy 将继续发明 Lisp 语言。）

那年晚些时候，Allen Newell、JC Shaw 和 Herbert Simon 创建了 Logic Theorist，这是有史以来第一个运行的 AI 软件程序。

1967 年：Frank Rosenblatt 制造了 Mark 1 感知器，这是第一台基于通过反复试验学习的神经网络的计算机。

仅仅一年后，Marvin Minsky 和 ​Seymour Papert 出版了一本名为Perceptrons的书，这本书既成为神经网络方面的里程碑式工作，也至少在一段时间内成为反对未来神经网络研究项目的论据。

1980 年代：使用反向传播算法来训练自身的神经网络在 AI 应用中得到广泛应用。1997 年：IBM 的深蓝在国际象棋比赛（和复赛）中击败了当时的国际象棋世界冠军加里·卡斯帕罗夫。2011 年：IBM Watson 在Jeopardy 中击败冠军 Ken Jennings 和 Brad Rutter！2015 年：百度的 Minwa 超级计算机使用一种称为卷积神经网络的特殊深度神经网络来识别和分类图像，准确率高于普通人。2016 年：DeepMind 的 AlphaGo 程序由深度神经网络驱动，在五场比赛中击败了世界围棋冠军 Lee Sodol。

考虑到随着游戏的进行有大量可能的移动（仅四步就超过 14.5 万亿！），胜利意义重大。

后来，谷歌以 4 亿美元的价格收购了 DeepMind。

互联网小常识：FTP服务器的选项包括服务器选项、域选项、组选项和用户选项。FTP服务器的域创建完成后需要添加用户才能被客户端访问。

互联网小常识：蓝牙软件结构标准包括核心和应用协议栈两大部分。工作在2.402-2.480GHZ的ISM波段，标准速率1Mbps。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186