|
█ 到底什么是AI？
AI，是artificial intelligence的缩写。
Artificial，非常多朋友认字认半边，会以为是艺术（art）的什么形容词。并不然，artificial的意思便是“人工的、人造的”，和natural（天然的）是反义词。
Intelligence，这个不易认错，是“智能”的意思。英特尔（Intel）机构的名字，便是基于这个词的前五个字母。
结合起来，AI，便是“人工的、人造的智能”，用人为的手段，创造智能。
关于AI的定义，行业里有非常多种说法。比较学术化的一种，是这么说的：
AI，是科研、研发用于模拟、延伸和扩展人的智能行径的理论、办法、技术及应用系统的一门综合性科学。
这个定义很拗口，看得都头大。
其实，针对AI，咱们能够拆解来看。
首要，AI的本质属性，是一门科学，是一个技术行业。
它触及到了计算机科学、数学、统计学、哲学、心理学等多种学科的知识，但总体上，归类于计算机学科之下。
其次，AI的科研目的，是让一个“系统”具备智能。
这个“系统”，能够是一套软件程序，亦可以是一台计算机，乃至是一个设备人。
第三，什么样的水平，才叫做真正的智能。
这是问题的关键。日前看来，能够像人同样感知、理解、思考、判断、决策，便是实现了人工智能。
协同设备人、机械臂等理学载体，AI亦能够实现行动能力。
综合以上三点，理解AI的定义就比较容易了。
█ AI和普通计算机有什么区别？
AI，日前仍然是基于计算机的基本玩法，采用的是半导体芯片技术（因此经常会被叫作为“硅基”），以及计算机的有些体系和平台。
那样，它和传统的计算机程序，有什么区别呢？
传统的计算机程序，便是一个规则的集合。程序员经过代码通知计算机规则，计算机按照规则，对输入数据进行判断和处理。
例如经典的“if……else……（倘若……否则……）”语句——“倘若大于65岁，就离休。否则，继续上班”。
而后，计算机程序会按照这个规则，对所有输入年龄数据进行判断和处理。
然则，在现实生活中，非常多要素（例如图像和声音）是极为繁杂和多样的，咱们很难给出固定的规则，让计算机实现高准确率的判断和处理。
例如，判断一只狗是不是狗。
狗有非常多品种，每种狗有区别的颜色、体型、五官特征。狗在区别的时间，亦有区别的表情、姿势。狗还会处在区别的背景环境下。
因此，计算机经过摄像头捉捕到的狗的影像，是无穷尽的。很难经过有限数量的规则，去帮忙计算机做出判断。
想要让计算机实现像人同样的智能，不可采用简单的规则驱动，而是应该像教孩童同样，持续输入数据和答案，让他自动总结特征，形成自己的判断规则。
换言之，在经典的程序设计中，人们输入的是规则（即程序）和数据，系统输出的是答案。
而AI的计算过程，分为两个过程：
第1个过程，输入的是数据和预期得到的答案，系统输出的是规则。
第二个过程，将输出的规则应用于新的数据，而后再输出答案。
第1步，咱们能够叫作之为“训练”。第二步，才是真正“干活”。
这便是传统计算程序和此刻主流AI技术的一个典型区别。（重视，我说的是“此刻主流AI”。有有些“历史AI”和“非主流AI”，玩法不同样。不可一概而论。）
█ AI，有那些类别？
前面说了，人工智能是一个非常庞大的科学行业。
从1950年代正式诞生败兴，围绕人工智能，已然有非常多专家进行了海量的研究，亦输出了非常多非常了不起的成果。
这些科研，按照思路方向的区别，被分为了非常多种学派。比较有表率性的，是符号主义学派、联结主义学派、行径主义学派。
这些学派并无对错之分，相互之间亦有有些交叉融合。
初期的时候（1960-1990），符号主义（以专家系统、知识图谱为表率）是主流。后来，从1980年起始，联结主义（以神经网络为表率）崛起，始终到此刻，都是主流。
将来，亦许有新的技术崛起，形成新的学派，亦不必定。
除了方向路线之外，咱们亦能够从智能水平以及应用行业等方面对AI进行归类。
按智能水平，能够分为：弱人工智能（Weak AI）、强人工智能（Strong AI）、超人工智能（Super AI）。
弱人工智能只专精于单一任务或一组关联的任务，不具备通用智能能力。咱们日前就处在这个周期。
强人工智能更厉害有些，拥有必定的通用智能能力，能够理解、学习并应用于各样区别的任务。这个还处在理论和科研周期，还没落地。
超人工智能当然是最强的。它在几乎所有方面都超过人类智能，包含创造力、社交技能等。超人工智能是将来的终极形态，咱们假设它能够实现。
关于按应用行业的AI归类，咱们待会再说。
█ 什么是设备学习？
其实咱们前面介绍规则总结的时候，其实已然说到了设备学习。
设备学习的核心思想，是构建一个能够从数据中学习的模型，并利用这个模型来进行预测或决策。
设备学习不是一个详细的模型或算法。它包含了非常多种类型，例如：
监督学习：算法从带有标签的数据集中学习，即每一个训练样本都有一个已知的结果。
无监督学习：算法从无标签的数据集中学习。
半监督学习：结合了少量的带标签数据和海量的未带标签数据进行训练。
强化学习：经过试错的方式，学习那些行径能够得到奖励，那些行径会引起处罚。
█ 什么是深度学习？
深度学习，详细来讲，是深度神经网络学习。
深度学习是设备学习的一个重要分支。设备学习底下有一条“神经网络”路线，而深度学习，是加强版的“神经网络”学习。
神经网络是联结主义的表率。顾名思义，这个路线是模仿人脑的工作原理，创立神经元之间的联结模型，以此实现人工神经运算。
深度学习所说的“深度”，是神经网络中“隐匿层”的层级。
经典设备学习算法运用的神经网络，拥有输入层、一个或两个“隐匿层”和一个输出层。
深度学习算法运用了更加多的“隐匿层”（数百个）。它的能力更加强大，让神经网络能够完成更困难的工作。
设备学习、神经网络和深度学习的关系，经过下面的图能够看出：
█ 什么是卷积神经网络、循环神经网络？
神经网络从1980年代起始崛起之后，就形成为了非常多的模型和算法。区别的模型和算法，有着各自的特性和功能。
卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN），是1990年代上下诞生的比较知名的神经网络模型。
它们的详细工作原理比较繁杂。反正大众记住：
卷积神经网络（CNN）是一种用于处理拥有类似网格结构的数据（例如图像和视频）的神经网络。因此，它一般用于计算机视觉中，能够用来图像识别和图像归类。
而循环神经网络（RNN）是一种用于处理序列数据的神经网络，例如语言模型和时间序列预测。因此，它一般用于自然语言处理和语音识别。
█ 什么是transformer？
transformer亦是一个神经网络模型。它比卷积神经网络和循环神经网络更加青年（2017年由谷歌科研团队提出），亦更加强大。
做为非专业人士，不需要去科研它的工作原理，只需要晓得：
1、它是一种深度学习模型；
2、它运用了一种名为自重视力（self-attention）的机制；
3、它有效处理了卷积神经网络和循环神经网络的瓶颈（局限性）问题；
4、它很适合自然语言处理（NLP）任务。相比循环神经网络，它的计算能够高度并行化，简化了模型架构，训练效率亦大大提高；
5、它亦被扩展到了其他行业，如计算机视觉和语音识别。
6、此刻咱们经常说到的大模型，几乎都是以transformer为基本。
神经网络还有非常多种，我在网上找到一张图，供参考：
█ 什么是大模型？
这两年AI火，便是由于大模型火。那样，什么是大模型？
大模型，是拥有庞大参数规模和繁杂计算结构的设备学习模型。
参数，指的是在模型训练过程中，学习和调节的变量。参数定义了模型的行径、性能、实现的成本以及对计算资源的需要。简单来讲，参数是模型内部用来做出预测或决策的部分。
大模型，一般持有数百万至数十亿的参数。相对应的，参数少的，便是小模型。对有些细分的行业或场景，小模型亦够用。
大模型需要依赖大规模数据进行训练，对算力资源的消耗极重。
大模型有非常多种类别。一般所说的大模型，重点指的是语言大模型（以文本数据进行训练）。但实质上，还有视觉大模型（以图像数据进行训练），以及多模态大模型（文本和图像都有）。
绝大都数大模型的基本核心结构，都是Transformer及其变体。
按应用行业，大模型能够分为通用大模型和行业大模型。
通用大模型的训练数据集更加广泛，覆盖的行业更加全面。行业大模型，顾名思义，训练数据来自特定行业，应用于专门的行业（例如金融、医疗、法律、工业）。
█GPT的本质是什么？
GPT-1、GPT-2……GPT-4o，等等，都是美国OpenAI这家机构推出的语言大模型，一样都是基于Transformer架构。
GPT的全叫作，叫做Generative Pre.trained Transformer，生成式-预训练-Transformer。
Generative（生成式），暗示该模型能够生成连续的、有规律的文本内容，例如完成对话、创作故事、编写代码或写诗写歌等。
这儿刚好提一下，此刻常说的AIGC，便是AI Generated Content，人工智能生成内容。内容，能够是文本、图像、音频、视频等。
GPT系列面向文本，谷歌亦推出过竞品BERT。
文生图，比较有代表性的是DALL·E（亦来自OpenAI）、Midjourney（知名度大）和Stable Diffusion（开源）。
文生音频（音乐），有Suno（OpenAI）、Stable Audio Open（由Stability.ai开源）、Audiobox（Meta）。
文生视频，有Sora（OpenAI）、Stable Video Diffusion（由Stability.ai开源）、Soya（开源）。图亦能够生视频，例如腾讯的Follow-Your-Click。
AIGC是一个“应用维度”的定义，它不是一个详细的技术或模型。AIGC的显现，扩展了AI的功能，打破了此前AI重点用于识别的功能限制，拓宽了应用场景。
好了，继续解释GPT的第二个字母——Pre.trained。
Pre.trained（预训练），暗示该模型会先在一个大规模未标注文本语料库上进行训练，学习语言的统计规律和潜在结构。
经过预训练，模型才有了必定的通用性。训练的数据越庞大（如网页文本、资讯等），模型的能力就越强。
大众针对AI的关注热潮，重点源于2023年初的ChatGPT爆火。
ChatGPT的chat，是聊天的意思。ChatGPT是OpenAI基于GPT模型研发的一个AI对话应用服务（亦能够理解为GPT-3.5）。
经过这个服务，人们才能够亲身体验到GPT模型的强大，有利于技术的宣传和推广。
事实证明，OpenAI的策略成功了。ChatGPT充分吸引了公众关注度，亦成功推动了AI行业的发展热潮。
█ AI，到底能做什么？
AI的功效，极为广泛。
概括来讲，AI和传统计算机系统相比，能供给的拓展能力，包含：图像识别、语音识别、自然语言处理、具身智能等方面。
图像识别，有时候亦被归类为计算机视觉（Computer Vision，CV），让计算机具备理解和处理图像和视频的能力。平常的是摄像头、工业质检、人脸识别之类的。
语音识别，便是理解和处理音频，得到音频所搭载的信息。平常的是手机语音助手、tel呼叫中心、声控智能家居之类的，多用于交互场景。
自然语言处理，前面介绍过，便是使计算机能够理解和处理自然语言，晓得咱们到底在说什么。这个很火，多用于创造性的工作，例如写资讯稿、写书面材料、视频制作、游戏研发、音乐创作等。
具身智能，便是把人工智能搭载在一个理学形态（“身体”）上，经过与环境互动，来得到和展示智能。
带AI的设备人，属于具身智能。
斯坦福大学年初推出的“Mobile ALOHA”，便是一个典型的家用具身设备人。它能够炒菜、煮咖啡乃至逗猫，火热全网。
值得一提的是，并不是所有的设备人，都是人形设备人。亦不是所有的设备人，都用到了AI。
人形设备人
AI尤其善于对海量数据进行处理，一方面经过海量数据进行学习和训练，另一方面，基于新的海量数据，完成人工没法完成的工作。或说，找到海量数据中潜在的规律。
日前AI在社会各个垂直行业的应用，重点是围绕上面的能力进行延展。
咱们举有些平常的例子。
在医疗行业，AI已然能够用于分析X光片、CT扫描、MRI图像等，帮忙识别识别反常区域，乃至做出诊断判断。AI还能够用于识别组织切片中的细胞变异，辅助病理学家进行癌症筛查和其他疾患的诊断。
AI还能够分析病人的基因组数据，确定最适合的治疗方法。AI亦能够按照病人的病史和生理指标，辅助预测病情趋势。
在药物开发方面，AI能够帮忙模拟化学成份的相互功效，缩短新药开发周期。
出现严重的公共卫生事件时，AI能够分析流行病数据，预测疾患传播的趋势。
在金融行业，AI能够实时监测市场动态，识别潜在的市场危害，并制定相应的危害对冲策略。
AI还能够经过分析借款人的信用记录、收入状况、消费行径等多维度数据，评定信贷危害。当然，AI亦能够结合投资者的个人财务状况、危害偏好和收益目的，供给最合适的投资组合意见。
类似的例子实在是数不堪数。在工业制造、教育文旅、商场零售、农林牧渔、公共安全、政府治理等几乎所有行业，AI都已然有了实质的落地场景和案例。
AI正在改变社会，改变咱们每一个人的工作和生活。
█ 咱们应该怎样看待AI？
AI的商场和社会价值，是毋庸置疑的。它的崛起趋势，亦是不可阻挡的。
从企业的方向来讲，AI能够自动化重复性、繁琐的任务，加强生产效率和质量，同期降低生产成本和人力成本。
针对制造业和服务业来讲，这个优良至关重要，直接影响了企业的竞争力，乃至是存活。
从政府的方向来讲，AI不仅能够提高治理效率，亦能够带来新的商场模式、制品和服务，刺激经济。
强大的AI，亦是一种国家竞争力。在科技博弈和国防事业方面，倘若AI技术不如别人，可能会带来严重后果。
从个人的方向来讲，AI能够帮忙咱们完成有些工作，亦能够提高咱们的生活品质。
从全部人类的方向来讲，AI在疾患治疗、灾害预测、气候预测、消灭贫穷方面，亦能够发挥重要的功效。
但事物都是有两面性的。AI做为工具，既有利，亦有坏处。
最现实的一个坏处，便是可能会威胁到海量的人类工作岗位，引起海量失业。按照麦肯锡的科研，到2030年至2060年之间，大约50%的职业可能会逐步被AI取代，尤其是针对知识工作者而言。
照片来自《纽约客》杂志
除此之外，AI被用于发动战争、欺诈（模仿声音或换脸，进行诈骗）、侵犯百姓权益（信息过度采集、侵犯隐私）。
倘若仅有少许机构持有先进的AI技术，可能会加剧社会的不公平现象。AI的算法偏见，亦可能引起不公平。
AI变得越来越强大，亦会让人们产生对AI的依赖，失去独立思考和处理问题的能力。AI的强大创造力，有可能让人类失去创造的动力和自信心。
围绕AI的发展，还有安全（数据泄密、系统崩溃）、道德伦理等一系列问题。
所有这些问题，咱们日前都无可靠的处理方法。因此，只能在发展AI的过程中，一点点去探索、思考和处理。针对AI的警觉和防范之心，是必定要有的。
做为咱们普通人，日前最现实的做法，便是先认识它、学习它。先学会运用平常的AI工具和平台，帮忙自己提高工作效率，改善生活品质。
有句话说的好：“将来，淘汰你的不是AI，而是把握了AI的人”。与其焦虑，不如勇敢面对和积极拥抱，尽早把握主动权。
好啦，以上便是今天文案的所有内容。针对一个普通人来讲，晓得这些AI常识，便是拥抱AI的第1步。最少和别人聊天的时候，谈到AI，就不会一头雾水了。
感谢大众的耐心阅读，咱们下期再见！
| 
发表于 2024-9-27 16:35:58