人工智能 (AI) 是一种使计算机和机器能够模拟人类智能和解决问题能力的技术。
人工智能 (AI) 可以单独使用或与其他技术（例如，传感器、地理定位、机器人）相结合，执行原本需要人类智能或人工干预的任务。数字助理、GPS 制导、自动驾驶汽车和生成式 AI 工具（如 Open AI 的 Chat GPT）只是日常新闻和我们日常生活中 AI 的几个例子。
作为计算机科学的一个领域，人工智能包括（并经常一起提及）机器学习和深度学习。这些学科涉及以人脑决策过程为模型的 AI 算法的开发，这些算法可以从可用数据中“学习”，并随着时间的推移做出越来越准确的分类或预测。
人工智能已经历多次炒作周期，但即使对怀疑论者来说，ChatGPT 的发布似乎也标志着一个转折点。上一次生成式 AI 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，而现在的飞跃则是在自然语言处理 (NLP) 方面。如今，生成式 AI 不仅可以学习和合成语言，还可以学习和合成其他数据类型，包括图像、视频、软件代码甚至分子结构。
AI 的应用每天都在增长。但随着 AI 工具在商业中的使用大肆宣传，围绕 AI 伦理和负责任的 AI 的对话变得至关重要。有关 IBM 在这些问题上的立场的更多信息，请阅读在 AI 中建立信任。
了解采用 AI 的障碍，特别是缺乏 AI 治理和风险管理解决方案。
注册以获取有关基础模型的指南
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。
机器学习和深度学习是 AI 的子学科，而深度学习是机器学习的子学科。
机器学习和深度学习算法都使用神经网络来从大量数据中“学习”。这些神经网络是以人脑决策过程为模型的编程结构。它们由相互连接的节点层组成，这些节点从数据中提取特征并预测数据所代表的内容。
机器学习和深度学习在所使用的神经网络类型以及涉及的人为干预程度上有所不同。经典机器学习算法使用具有输入层、一个或两个“隐藏”层和一个输出层的神经网络。通常，这些算法仅限于监督学习：数据需要由人类专家进行结构化或标记，以使算法能够从数据中提取特征。
深度学习算法使用深度神经网络 - 由一个输入层、三个或更多（但通常数百个）隐藏层和一个输出布局组成的网络。这些多层级结构可以实现无监督学习：它们可以自动从大型、未标记和非结构化数据集中提取特征。它不需要人工干预，所以深度学习本质上实现了大规模的机器学习。
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。
深入了解 watsonx.ai 中的基础模型
如今，AI 系统有许多实际应用。以下是一些最常见的用例：
语音识别也称为自动语音识别 (ASR)、计算机语音识别或 Speech to Text，它使用 NLP 将人类语音处理成书面格式。许多移动设备将语音识别技术集成到其系统中，以进行语音搜索（比如 Siri），或者提供更多关于英语或许多广泛使用的语言中发送短信的可访问性。请查看我们的成功案例，了解 Don Johnston 如何使用 IBM Watson Text to Speech 来提高课堂的可访问性。
在线虚拟代理和聊天机器人正在客户旅程中取代人工代理。它们可以回答有关运输等主题的常见问题 (FAQ)，或者提供个性化建议、交叉销售产品或为用户建议规格等，从而改变了我们所设想的网站和社交媒体平台中的客户参与方式。示例包括：电子商务网站上带有虚拟代理的消息传递机器人；Slack 和 Facebook Messenger 等消息传递应用平台；以及通常由虚拟助手和语音助手完成的任务。请查看我们的成功案例，了解 Autodesk Inc. 如何使用 IBM watsonx Assistant 将客户响应时间加快 99%。
这种 AI 技术使计算机和系统将能够从数字图像、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让它有别于图像识别任务。在卷积神经网络的支持下，计算机视觉可应用于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。请查看我们的成功案例，了解 ProMare 如何使用 IBM Maximo 为海洋研究设置新课程。
自适应机器人根据物联网 (IoT) 设备信息以及结构化和非结构化数据做出自主决策。NLP 工具可以理解人类的语音，并对他们听到的内容做出反应。预测分析应用于需求响应、库存和网络优化、预防性维护和数字化制造。搜索和模式识别算法（不再只是预测性的，而是分层的）分析实时数据，帮助供应链对机器生成的增强智能作出反应，同时提供即时可见性和透明度。请查看我们的成功案例，了解 Hendrickson 如何使用 IBM Sterling 来支持实时交易。
广播公司依赖的天气模型由超级计算机上运行的复杂算法组成，用于进行准确预测。机器学习技术增强了这些模型，使其更具适用性和精确性。请查看我们的成功案例，了解 Emnotion 如何使用 IBM Cloud 帮助天气敏感型企业作出更具前瞻性的数据驱动的决策。
AI 模型可以梳理大量数据，并在数据集中发现非典型数据点。这些异常现象可以提高人们对设备故障、人为错误或网络安全漏洞的认识。请查看我们的成功案例，了解 Netox 如何使用 IBM QRadar 保护数字业务免受网络威胁。
“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：
- 1950 年：艾伦·图灵 (Alan Turing) 出版《计算机器与智能》(Computing Machinery and Intelligence)。在这篇论文中，因在二战期间破解纳粹 ENIGMA 密码而闻名的图灵试图回答“机器能思考吗？”的问题，并引入了图灵测试，以确定计算机能否表现出与人类相同的智能（或相同智能的结果）。从那时起，图灵测试的价值就一直存在争议。
- 1956 年：约翰·麦卡锡 (John McCarthy) 在达特茅斯学院举行的第一届人工智能会议上首创“人工智能”一词。（麦卡锡后来发明了 Lisp 语言。）同年晚些时候，Allen Newell、JC Shaw 和 Herbert Simon 推出了 Logic Theorist，这是第一个运行的人工智能软件程序。
- 1967 年：Frank Rosenblatt 构建了 Mark 1 感知机，这是第一台基于神经网络的计算机，可以通过反复试验来“学习”。仅仅一年后，Marvin Minsky 和 Seymour Papert 就出版了一本名为 《感知器》 (Perceptrons) 的书，该书成为神经网络的里程碑式著作，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。
- 20 世纪 80 年代：使用反向传播算法进行自身训练的神经网络在人工智能应用中得到广泛应用。
- 1997 年：IBM 的“深蓝”在一场国际象棋比赛（以及复赛）中击败了当时的世界象棋冠军 Garry Kasparov。
- 2011 年：IBM Watson 在 Jeopardy! 比赛中击败冠军 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，准确率超越普通人。
- 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围棋世界冠军 Lee Sodol。由于棋局中可能出现大量棋步（四手之后就有超过 14.5 万亿个可能棋步！），因此，这场胜利意义重大。后来，据报道，谷歌以 4 亿美元的价格收购了 DeepMind。
- 2023 年：大型语言模型或 LLM（例如 ChatGPT）的兴起，为人工智能的性能和发掘企业价值的潜力带来了巨大变化。通过这些新的生成式人工智能实践，可以使用大量原始、未标记的数据对深度学习模型进行预训练。