虽然过去几十年中出现了人工智能 (AI) 的许多定义,但 John McCarthy 在 2004 年的这篇人工智能论文(ibm.com 外部链接)中提供了以下定义:“人工智能是制造智能机器的科学和工程,特别是智能计算机程序。它与使用计算机理解人类智能的类似任务有关,但人工智能不必局限于生物学上能观察到的方法。”
然而,在这个人工智能定义出现之前的几十年,艾伦·图灵 (Alan Turing) 于 1950 年出版的开创性著作《计算机器与智能》(Computing Machinery and Intelligence)(ibm.com 外部链接)标志着人工智能对话的诞生。在这篇论文中,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?”。为了回答这个问题,他提供了一个测试,这就是著名的“图灵测试”,在此测试中,人类询问者将尝试区分哪些文本响应是计算机做出的,哪些是人类做出的。虽然这项测试自发布以来经过了大量审查,但它仍然是人工智能 (AI) 历史的重要组成部分,也是哲学中一个不断发展的概念,因为它利用了有关语言学的想法。
Stuart Russell 和 Peter Norvig 随后出版了《人工智能:一种现代方法》(ibm.com 外部链接),成为人工智能 (AI) 研究领域的领先教科书之一。在这本书中,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:
人类的方法:
理想的方法:
艾伦·图灵的人工智能定义属于“像人类一样行事的系统”范畴。
从最简单的形式来看,人工智能是一个结合计算机科学和强大数据集来解决问题的领域。它还包含机器学习和深度学习的子领域,这些领域经常与人工智能一起提及。这些学科由人工智能算法组成,旨在创建专家系统,根据输入数据进行预测或分类。
多年来,人工智能经历了多次炒作周期,但即使是人工智能怀疑论者,也会认为,OpenAI 的 ChatGPT 的发布似乎标志着一个人工智能转折点。上一次生成式人工智能让人如此忧心忡忡的时候,还是因为在计算机视觉方面取得突破,但现在的飞跃则是在自然语言处理方面。而且,不仅仅是语言:生成模型还可以学习软件代码、分子、自然图像和各种其他数据类型的语法。
这项技术的应用每天都在增长,而我们才刚刚开始探索可能性。但是,随着围绕人工智能的商业应用的新一轮炒作开始,围绕伦理的对话变得至关重要。要详细了解 IBM 在人工智能伦理对话中的立场,请在此处阅读更多内容。
借助 IBM 的下一代 AI 和数据平台,让人工智能在您的企业发挥更强大的作用。
IBM watsonx Orchestrate
IBM watsonx Assistant
IBM watsonx AI
深入了解面向开发者的生成式人工智能学习
弱人工智能(也称为狭义人工智能 (ANI))是经过训练并专注于执行特定任务的人工智能。当前,我们周围的大部分人工智能都属于弱人工智能。“狭义”可能是对此类人工智能更准确的描述,因为弱人工智能一点也不弱。它支持一些非常健壮的应用程序,例如,苹果的 Siri、亚马逊的 Alexa、IBM watson 和自动驾驶汽车。
强人工智能由通用人工智能 (AGI) 和超人工智能 (ASI) 组成。通用人工智能 (AGI) 或通用 AI 是人工智能的一种理论形式,其中,机器将具有与人类相同的智能;它会有自我意识,有能力解决问题、学习和规划未来。超人工智能 (ASI),也称为超智能,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性的,目前还没有强人工智能实际使用的例子,但这并不意味着人工智能研究人员没有在探索它的发展。与此同时,ASI 最好的例子可能来自科幻小说,例如《2001:太空漫游》中的超人、流氓计算机助手 HAL。
由于深度学习和机器学习往往可以互换使用,因此,两者之间的细微差别值得注意。如上所述,深度学习和机器学习都是人工智能的子领域,深度学习实际上是机器学习的子领域。
深度学习实际上由神经网络组成。深度学习中的“深度”是指由三层以上组成的神经网络(包含输入和输出)可以被视为深度学习算法。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。深度学习将过程中的大部分特征提取部分自动化,消除了一些以前必需的人为干预,并允许使用更大的数据集。可以将深度学习视为“可扩展的机器学习”,正如 Lex Fridman 在上述的麻省理工学院讲座中指出的那样。经典的或“非深度”的机器学习更依赖于人为干预来学习。由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,通常需要结构化更强的数据来学习。
“深度”机器学习可以利用标记数据集(也称为监督学习)来通知其算法,但它不一定需要标记数据集。它可以采叙述原始形式的非结构化数据(例如,文本、图像),并且可以自动确定区分不同类别数据的特征层次结构。与机器学习不同,它不需要人为干预来处理数据,这要,我们就能够以更有趣的方式扩展机器学习。
生成式人工智能是指深度学习模型,它可以获取原始数据(例如,所有维基百科或伦勃朗的作品集),并在出现提示时“学习”生成统计上可能的输出。在较高的层次上,生成模型对
所用的训练数据的简化表示进行编码,并从中提取内容来创建类似的新作品,
但与原始数据不同。
多年来,统计学中一直使用生成模型来分析数值数据。然而,随着深度学习的兴起,现在可将它们扩展到图像、语音和其他复杂数据类型。实现这一跨界壮举的一流模型是 2013 年推出的变分自动编码器 (VAE)。VAE 是第一个广泛用于生成逼真图像和语音的深度学习模型。
“使用 VAE,更容易扩展模型,从而打开了深度生成建模的闸门,”MIT-IBM Watson AI 实验室的生成式人工智能专家Akash Srivastava 说道。“我们今天所认为的生成式人工智能大部分都是从这里开始的。”
这些模型的早期示例已经展示了可能性,例如,GPT-3、BERT 或 DALL-E 2。未来的模型是使用大量未标记数据进行训练,这些数据可用于不同的任务,并且只需进行最少的微调。在单一领域执行特定任务的系统正在让位于广泛的人工智能,后者可以更广泛地学习并跨领域和跨问题工作。目前,基础模型是在大型、未标记的数据集上进行训练,并针对一系列应用程序进行微调,这些模型正在推动这一转变。
对于生成式人工智能,预计基础模型将显著加快人工智能在企业中的应用。减少标签要求可带来很多好处,
企业更容易投入使用人工智能,而且,高度准确、高效的人工智能驱动的自动化意味着,更多的公司将能够在更广泛的关键任务情况下部署人工智能。对于 IBM 来说,希望在于,每个企业最终都能在无摩擦的混合云环境中受益于人工智能基础模型的强大功能。
如今,人工智能系统有许多实际应用。以下是一些最常见的用例:
“会思考的机器”的概念可以追溯到古希腊。但是,自从电子计算出现(并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: