Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-2024-08-06· OpenAIAi2 WildChat-4.8M (AI2)

Title: 人工智能 - 小白科普:AI 到底是什么,终于有人讲清楚了 - 个人文章 - SegmentFault 思否 1. 什么是…

  1. User

    Assistant: User: Title: 人工智能 - 小白科普:AI 到底是什么,终于有人讲清楚了 - 个人文章 - SegmentFault 思否

    1. 什么是 ai? 想象一下,如果你有一个机器人,它能够听懂你的话,帮你做作业,甚至和你玩游戏,那不是很酷吗?这就是 ai。 它是由人类创造的,用来模仿人类思考和解决问题的一种技术。 2. ai 能做什么? ai 的能力非常广泛,它几乎可以触及我们生活的每 ...

    Source: [0]

    Title: 人工智能 - 维基百科,自由的百科全书

    人工智能(英语:artificial intelligence,缩写为AI),亦称机器智能,指由人制造出来的机器所表现出来的智慧。通常人工智能是指用普通电脑程式来呈现人类智能的技术。该词也指出研究这样的智能系统是否能够实现,以及如何实现。同时,通过医学、神经科学、机器人学及统计学等的进步,常态预测则认为人类的很多职业也逐渐被其取代。[1][2] 人工智能于一般教材中的定义领域是“智慧主体(intelligent agent)的研究与设计”[3],智慧主体指一个可以观察周遭环境并作出行动以达致目标的系统[4]。约翰·麦卡锡于1955年的定义是[5]“制造智能机器的科学与工程”[6]。安德烈亚斯·卡普兰和迈克尔·海恩莱因(Michael Haenlein)将人工智能定义为“系统正确解释外部数据,从这些数据中学习,并利用这些知识通过灵活适应实现特定目标和任务的能力”。[7] 人工智能可以定义为模仿人类与人类思维相关的认知功能的机器或计算机,如学习和解决问题。人工智能是计算机科学的一个分支,它感知其环境并采取行动,最大限度地提高其成功机会。此外,人工智能能够从过去的经验中学习,做出合理的决策,并快速回应。因此,人工智能研究人员的科学目标是通过构建具有象征意义的推理或推理的计算机程式来理解智慧。人工智能的四个主要组成部分是: 人工智能的研究是高度技术性和专业的,各分支领域都是深入且各不相通的,因而涉及范围极广[9]。人工智能的研究可以分为几个技术问题。其分支领域主要集中在解决具体问题,其中之一是,如何使用各种不同的工具完成特定的应用程序。 AI的核心问题包括建构能够跟人类似甚至超卓的推理、知识、计划、学习、交流、感知、移动 、移物、使用工具和操控机械的能力等[10]。通用人工智能(GAI)目前仍然是该领域的长远目标[11]。目前弱人工智慧已经有初步成果,甚至在一些影像辨识、语言分析、棋类游戏等等单方面的能力达到了超越人类的水平,而且人工智慧的通用性代表著,能解决上述的问题的是一样的AI程式,无须重新开发算法就可以直接使用现有的AI完成任务,与人类的处理能力相同,但达到具备思考能力的统合强人工智慧还需要时间研究,比较流行的方法包括统计方法,计算智能和传统意义的AI。目前有大量的工具应用了人工智能,其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学,以及基于概率论和经济学的演算法等等也在逐步探索当中。 人工智能的定义可以分为两部分,即“人工”和“智能”。“人工”即由人设计,为人创造、制造。 关于甚么是“智能”,较有争议性。这涉及到其它诸如意识、自我、心灵,包括无意识的精神等等问题。人唯一了解的智能是人本身的智能,这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限,对构成人的智能必要元素的了解也很有限,所以就很难定义甚么是“人工”制造的“智能”。因此人工智能的研究往往涉及对人智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。 人工智慧目前在电脑领域内,得到了愈加广泛的发挥。并在机器人、经济政治决策、控制系统、仿真系统中得到应用。 人工智能也广泛应用于许多不同领域。机器人经营餐馆和商店并修复城市基础设施。人工智能管理运输系统和自动驾驶车辆。智能平台管理多个城市领域,例如垃圾收集和空气质量监测。事实上,城市人工智能体现在城市空间、基础设施和技术中,将我们的城市变成了无人监督的自治实体。可以方便地实时实现数字化支持的智能响应服务。许多城市现在主动利用大数据和人工智能,通过为我们的基础设施提供更好的能源、计算能力和连接性来提高经济回报[12]。 最近,由于人工智能减少了行政成本和时间,许多政府开始将人工智能用于各种公共服务。例如,移民流程的机器人自动化减少了处理时间并提高了效率。人工智能为地方政府服务带来技术突破。人工智能代理协助城市规划者基于目标导向的蒙特卡罗树搜索进行场景规划。目标推理人工智能代理提供最佳的土地利用解决方案,帮助我们制定民主的城市土地利用规划。人工智能利用在线数据来监控和修改环境威胁政策。在2019 年水危机期间,潜在狄利克雷分配方法确定了Twitter (X) 中讨论最多的主题,这是一种朴素的推文分类方法,对干旱的影响和原因、政府响应和潜在解决方案等主题进行了分类。人工智能工具与司法部门的人类法官相辅相成,提供客观、一致的风险评估[13]。 对机器或“形式”的推理研究起源于古代哲学家和数学家。逻辑学的研究直接催生了艾伦·图灵的计算理论,理论提出,一台通过操作简单符号“0”和“1”的机器,能够模拟任意复杂的数学推理过程。[14][15]这一理论,连同在控制论、信息论及神经生物学方面的同期发现,推动研究人员考虑构建一台“电子大脑”的可能性。[a] 此外,他们还开拓了未来成为人工智能领域一部分的多个研究分支,[17] 比如1943年沃伦·麦卡洛克与沃尔特·皮茨设计的“人工神经元”,[18]以及图灵于1950年发表的具有深远影响的论文《计算机器与智能(英语:Computing Machinery and Intelligence)》,其中提出了“图灵测试”,展示了“机器智能”的可行性。[19][15] 人工智能研究领域正式成立于1956年在达特茅斯学院举行的“达特茅斯会议”。[b][21] 与会者后来在20世纪60年代成为该领域的先驱者。[c] 他们及其学生研发出的程序被媒体誉为“令人惊叹”:[d] 计算机不仅能学会国际跳棋策略,还能解决代数文字难题、证明逻辑定理,甚至能进行英语对话。[e][24] 在20世纪50年代末至60年代初,许多英国和美国的大学纷纷建立了人工智能实验室。[15] 20世纪60年代至70年代,研究人员坚信他们的方法最终能够成功创造出具有通用智能的机器,并将此视为他们研究领域的最高目标。[25]赫伯特·西蒙(Herbert Simon)曾预言:“在未来二十年内,机器能够胜任所有人类能够完成的工作。”[26] 马文·闵斯基(Marvin Minsky)对此表示赞同,他认为:“在一代人的时间内,‘人工智能’这一难题将会得到实质性的解决。”[27] 但事实证明他们低估了这个问题所涉及的复杂性。[28]1974年,受到詹姆斯·莱特希尔爵士(Sir James Lighthill)[29]的批评以及美国国会倾向于资助更为有成效项目的趋势,[30]美国和英国政府都中断了探索性研究。闵斯基和西摩·佩珀特(Seymour Papert)在其著作《感知器》(Perceptrons)中提出的观点,被误认为已经证明人工神经网络在解决现实世界问题上毫无用处,从而完全否定了这种方法。[31]随后出现了 “人工智能寒冬”,即人工智能项目难以获得资助的时期。[32] 20世纪80年代初期,人工智能研究因专家系统的商业成功而再次活跃,[33] 一种人工智能程序,旨在模拟人类专家的知识和分析技巧。到了1985年,AI市场估值超过10亿美元。与此同时,日本的第五代计算机项目推动英美两国恢复学术研究的资助。[34] 但从1987年Lisp机器市场的衰退开始,人工智能再次发展挫折,第二个较长的低迷期开始了。[35] 在此之前,人工智能的主要资金用于高级符号项目,用以表征如计划、目标、信念等概念性对象。20世纪80年代,一些研究人员开始怀疑,这种方法能否模仿人类认知的所有过程,特别是感知、机器人、学习和模式识别,[36]并开始研究“次符号”方法。[37]罗德尼·布鲁克斯(Rodney Brooks)普遍不认同“表征”这一概念,并将研究重心转向了设计能够移动和自持生存的机器工程。[f] 朱迪亚·珀尔、卢特菲·泽德等学者发展了多种方法,这些方法基于合理推断处理不完备或不确定的信息,而非依赖于严格的逻辑。[42][43]但最显著的进展是,杰弗里·辛顿与其他研究者协力,在“联结主义”及其涉及的神经网络研究方面,取得了重要突破。[44]1990年,杨立昆(Yann Le Cun)展示了卷积神经网络能够识别手写数字,这项突破性的研究为神经网络在多个实际应用领域的应用奠定了基础。[45] 20世纪末至21世纪初期,人工智能利用形式化的数学方法,结合针对特定问题制定的策略,逐步在学术界重建了声誉。这种“聚焦”与“规范化”的研究方法让研究者能产出可验证的成果,并促进了与统计学、经济学及数学等其他学科的交叉合作。[46] 至2000年,人工智能领域研究的解决方案获得了广泛的应用,尽管在1990年代,这些方案往往不被直接标识为“人工智能”。[47] 当前,部分人工智能领域的学者提出观点,关注研究重点可能未全面覆盖创造具备多功能性和全面智能的机器这一初始目标。2002至2010年间,通用人工智能(AGI)领域内成立了多个获得充分资金支持的研究机构。[48] 2012年以来,深度学习开始主导行业标准,并迅速成为该领域内广泛采用的方法。[49] 在多种场合,替代性方法被淘汰,深度学习得到优先采用。[g]深度学习的突破性成果,既得力于硬件的显著进步(如计算速度更快的电脑、[51] 图形处理单元以及云计算技术[52]),也依赖于广泛的数据可用性[53](包括精心策划的数据集,[52]譬如ImageNet)。深度学习的成果引发了公众对于人工智能的浓厚兴趣并促使资金投入的大幅度增加。[h]2015年至2019年期间,机器学习领域的出版物数目上升了50%。[54] 2016年,在机器学习会议上,公平性(英语:Fairness (machine learning))与技术滥用成为突出话题;相关论文发表数量急剧增加,研究经费随之提供,众多研究人员转而聚焦这些议题。对齐问题逐渐成为学术探讨的重要议题。[55] 2010年代末至2020年代初,AGI公司推出引发广泛关注的程序。2015年,由DeepMind研发的“阿尔法狗”战胜了世界围棋冠军。该程序仅被输入了游戏规则并自主形成了策略。GPT-3是OpenAI在2020年推出的一款强大的语言模型,它能生成高质量、类人的文本。[56] 这些及其他程序引发了剧烈的AI热潮,主要企业投入数十亿美元于AI研究。AI Impacts预测,到2022年,仅在美国,人工智能领域的年投资就将达到约500亿美元,大约20%的美国新晋计算机科学博士生将专注于AI领域。[57]在2022年,美国预计将有大约80万的人工智能相关职位空缺。[58] 目前人工智慧的研究方向已经被分成几个子领域,研究人员希望一个人工智慧系统应该具有某些特定能力,以下将这些能力列出并说明。[10] 早期的人工智慧研究人员直接模仿人类进行逐步的推理,就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。[59]到了1980和1990年代,利用概率和经济学上的概念,人工智慧研究还发展了非常成功的方法处理不确定或不完整的资讯。[42] 对于困难的问题,有可能需要大量的运算资源,也就是发生了“可能组合爆增”:当问题超过一定的规模时,电脑会需要天文数量级的存储器或是运算时间。寻找更有效的演算法是优先的人工智慧研究项目。[60] 人类解决问题的模式通常是用最快捷、直观的判断,而不是有意识的、一步一步的推导,早期人工智慧研究通常使用逐步推导的方式。[61]人工智慧研究已经于这种“次表征性的”解决问题方法取得进展:实体化Agent研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。 知识表示是人工智能领域的核心研究问题之一,它的目标是让机器存储相应的知识,并且能够按照某种规则推理演绎得到新的知识。有许多需要解决的问题需要大量的对世界的知识,这些知识包括事先存储的先验知识和通过智能推理得到的知识。事先存储的先验知识指:人类用某种方式告诉给机器的知识。通过智能推理得到的知识指:结合先验知识和某种特定的推理规则(逻辑推理)得到的知识。首先,先验知识可以指描述目标,特征,种类及物件之间的关系的知识, 也可以描述事件,时间,状态,原因和结果, 以及任何知识你想要机器存储的。比如:今天没有太阳,没有太阳就是阴天。那么以命题逻辑语言,这些知识可以被表示为:今天 → 没有太阳,没有太阳 → 阴天。这些知识是先验知识,那么推理可以得到新知识:今天 → 阴天。由此例子可以看出,先验知识的正确性非常重要,这个例子中没有太阳就是阴天,这个命题是不严谨的、比较笼统的,因为没有太阳可能是下雨,也可能下雪。另外如果人工智慧能看出太阳,除了该如何判断的这件问题,在这个前提之下,应该也能判断出阴天与晴天的差异。逻辑命题表示在知识表示中非常重要,逻辑推理规则是目前主要推理规则。可以在机器中用逻辑符号定义每一个逻辑命题,然后再让机器存储相应的逻辑推理规则,那么自然而然机器便可进行推理。目前知识表达有许多困境尚无法解决,比如:建立一个完备的知识库几乎不可能,所以知识库的资源受到限制;先验知识的正确性需要进行检验,而且先验知识有时候不一定是只有对或者错两种选择。 智能Agent必须能够制定目标和实现这些目标。[62]他们需要一种方法来建立一个可预测的世界模型(将整个世界状态用数学模型表现出来,并能预测它们的行为将如何改变这个世界),这样就可以选择功效最大的行为。[63] 在传统的规划问题中,智能Agent被假定它是世界中唯一具有影响力的,所以它要做出什么行为是已经确定的。[64]但是,如果事实并非如此,它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合,它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。[65]在多Agent中,多个Agent规划以合作和竞争的方式去完成一定的目标,使用演化演算法和群体智慧可以达成一个整体的突现行为目标。[66] 机器学习的主要目的是为了让机器从使用者和输入数据等处获得知识,从而让机器自动地去判断和输出相应的结果。这一方法可以帮助解决更多问题、减少错误,提高解决问题的效率。对于人工智能来说,机器学习从一开始就很重要。1956年,在最初的达特茅斯夏季会议上,雷蒙德·索洛莫诺夫[来源请求]写了一篇关于不监视的概率性机器学习:一个归纳推理的机器。 机器学习的方法各种各样,主要分为监督学习和非监督学习两大类。监督学习指事先给定机器一些训练样本并且告诉样本的类别,然后根据这些样本的类别进行训练,提取出这些样本的共同属性或者训练一个分类器,等新来一个样本,则通过训练得到的共同属性或者分类器进行判断该样本的类别。监督学习根据输出结果的离散性和连续性,分为分类和回归两类。非监督学习是不给定训练样本,直接给定一些样本和一些规则,让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析,从而知道所提的方法在理论上是否误差有上限。 自然语言处理探讨如何处理及运用自然语言,自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。 机器感知[67]是指能够使用感测器所输入的资料(如照相机、麦克风、声纳以及其他的特殊感测器)然后推断世界的状态。电脑视觉[68]能够分析影像输入。另外还有语音识别[69]、人脸辨识和物体辨识。[70] 情感和社交技能对于一个智能agent是很重要的。首先,通过了解他们的动机和情感状态,代理人能够预测别人的行动(这涉及要素 博弈论、决策理论以及能够塑造人的情感和情绪感知能力检测)。此外,为了良好的人机互动,智慧代理人也需要表现出情绪来。至少它必须出现礼貌地和人类打交道。至少,它本身应该有正常的情绪。 一个人工智慧的子领域,代表了理论(从哲学和心理学的角度)和实际(通过特定的实现产生的系统的输出是可以考虑的创意,或系统识别和评估创造力)所定义的创造力。相关领域的研究包括了人工直觉和人工想像。 史蒂芬·霍金、比尔盖兹、埃隆·马斯克、Jaan Tallinn以及Nick Bostrom等人都对于人工智慧技术的未来公开表示忧心[72],人工智慧若在许多方面超越人类智慧水平的智能、不断更新、自我提升,进而取得控制管理权,人类是否有足够的能力及时停止人工智慧领域的“军备竞赛”,能否保有最高掌控权,现有事实是:机器常失控导致人员伤亡,这样的情况是否会更加扩大规模出现,历史显然无法给出可靠的乐观答案。特斯拉电动车马斯克(Elon Musk)在麻省理工学院(MIT)航空航天部门百年纪念研讨会上称人工智能是“召唤恶魔”行为,英国发明家Clive Sinclair认为一旦开始制造抵抗人类和超越人类的智能机器,人类可能很难生存,盖兹同意马斯克和其它人所言,且不知道为何有些人不担忧这个问题。[73] DeepMind的人工智慧(AI)系统在2016年“AlphaGo”对战南韩棋王李世乭获胜,开发商表示在内部设立伦理委员会,针对人工智慧的应用制定政策,防范人工智慧沦为犯罪开发者。[74] 科技进步,人工智慧科技产生“自主武器”军备竞赛已悄悄展开,英国、以色列与挪威,都已部署自主飞弹与无人操控的无人机,具“射后不理”(fire-and-forget)能力的飞弹,多枚飞弹还可互相沟通,分享找到攻击目标。这些武器还未被大量投入,但很快就会出现在战场上,且并非使用人类所设计的程序,而是完全利用机器自行决策。 霍金等人在英国独立报发表文章警告未来人工智慧可能会比人类金融市场、科学家、人类领袖更能操纵人心、甚至研发出人们无法理解的武器。专家恐发展到无法控制的局面,援引联合国禁止研发某些特定武器的“特定常规武器公约”加以限制。[75]新南威尔士大学人工智慧的托比·沃尔什(英语:Toby_Walsh)教授认为这是一种欺骗,因为机器无区别战敌和平民的技术。[76] CNN财经网数字媒体未来学家Amy Webb(英语:Amy Webb)、美国在线[77]等纷纷预测一些即将被机器人取代的职业,日本野村综合研究所也与英国牛津大学的研究学者共同调查指出,10至20年后,日本有49%的职业(235种职业)可能会被机械和人工智慧取代而消失,直接影响约达2500万人[78],例如:超市店员、一般事务员、计程车司机、收费站运营商和收银员、市场营销人员、客服人员、制造业工人、金融中间人和分析师、新闻记者、电话公司职员、麻醉师、士兵和保安、律师、医生、软体开发者和操盘手、股票交易员等等高薪酬的脑力职业将最先受到冲击[79]。 2017年6月份马云在美国底特律举行“链结世界”(Gateway 17)产业大会,会上提出人工智慧可能导致第三次世界大战,因为前两次产业革命都导致两次大战,战争原因并非这些创新发明本身,而是发明对社会上许多人的生活方式冲击处理不当,新科技在社会上产生新工作也取代旧工作,产生了新的输家和赢家,若是输家的人数太多将造成一股社会不稳的能量而这股能量被有心人利用可能导致各种事件。他认为各国应该强制订定规定AI机器只能用于人类不能做的工作,避免短时间大量人类被取代的失业大潮,但马云没有提出这种世界性规定将如何实现并确保遵守的细节方案。[80] 数据科学和人工智能被哈佛商业评论称为《二十一世纪最Sexy的职业》[81],人工智能需求量大,鼓励了不少大学诸如伯克利大学专门成立数据科学系。硅谷和纽约为主的《The Data Incubator(英语:The Data Incubator)》公司于2012年成立,焦点是数据科学,大数据,和人工智能企业培训,提供国际大数据培训服务。 此议题目前分成两个学派: 此学派的代表是天文物理学家史蒂芬·霍金,以及特斯拉执行长伊隆·马斯克。霍金认为AI对人类将来有很大的威胁,主要有以下理由: 主要是Google、Facebook等AI的主要技术发展者,他们对AI持乐观看法的理由: AI逐渐普及后,将会在企业管理中扮演很重要的角色,而人类的管理者应如何适度的调整自己的工作职能,有以下几点建议: [82] 人工智能的一个比较流行的定义,也是该领域较早的定义,是由当时麻省理工学院的约翰·麦卡锡于1956年的达特矛斯会议上提出的:人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性(见下)。另一个定义指人工智能是人造机器所表现出来的智能。总体来讲,目前对人工智能的定义大多可划分为四类,即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动,或制定行动的决策,而不是肢体动作。 强人工智能观点认为“有可能”制造出“真正”能推理和解决问题的智能机器,并且,这样的机器将被认为是具有知觉、有自我意识的。强人工智能可以有两类: 弱人工智能观点认为“不可能”制造出能“真正”地推理和解决问题的智能机器,这些机器只不过“看起来”像是智能的,但是并不真正拥有智能,也不会有自主意识。 弱人工智能是对比强人工智能才出现的,因为人工智能的研究一度处于停滞不前的状态下,直到类神经网路有了强大的运算能力加以模拟后,才开始改变并大幅超前。但人工智能研究者不一定同意弱人工智能,也不一定在乎或者了解强人工智能和弱人工智能的内容与差别,对定义争论不休。 就当下的人工智能研究领域来看,研究者已大量造出“看起来”像是智能的机器,取得相当丰硕的理论上和实质上的成果,如2009年康乃尔大学教授Hod Lipson 和其博士研究生Michael Schmidt 研发出的 Eureqa电脑程式,只要给予一些资料,这电脑程式自己只用几十个小时计算就推论出牛顿花费多年研究才发现的牛顿力学公式,等于只用几十个小时就自己重新发现牛顿力学公式,这电脑程式也能用来研究很多其他领域的科学问题上。这些所谓的弱人工智慧在神经网路发展下已经有巨大进步,但对于要如何整合成强人工智慧,现在还没有明确定论。 主条目:人工智能哲学、图灵测试、物理符号系统、皇帝新脑、德雷福斯对人工智能的看法(英语:Hubert Dreyfus's views on artificial intelligence)、AI效应(英语:AI effect) “强人工智能”一词最初是约翰·瑟尔针对电脑和其它资讯处理机器创造的,其定义为: “强人工智能观点认为计算机不仅是用来研究人的思维的一种工具;相反,只要运行适当的程序,计算机本身就是有思维的。”(J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980) 关于强人工智能的争论,不同于更广义的一元论和二元论的争论。其争论要点是:如果一台机器的唯一工作原理就是转换编码数据,那么这台机器是不是有思维的?希尔勒认为这是不可能的。他举了个中文房间的例子来说明,如果机器仅仅是转换数据,而数据本身是对某些事情的一种编码表现,那么在不理解这一编码和这实际事情之间的对应关系的前提下,机器不可能对其处理的数据有任何理解。基于这一论点,希尔勒认为即使有机器通过了图灵测试,也不一定说明机器就真的像人一样有自我思维和自由意识。 也有哲学家持不同的观点。丹尼尔·丹尼特在其著作《意识的解释(英语:Consciousness Explained)》(Consciousness Explained)里认为,人也不过是一台有灵魂的机器而已,为什么我们认为:“人可以有智能,而普通机器就不能”呢?他认为像上述的数据转换机器是有可能有思维和意识的。 有的哲学家认为如果弱人工智能是可实现的,那么强人工智能也是可实现的。比如西蒙·布莱克本(英语:Simon Blackburn)(Simon Blackburn)在其哲学入门教材Think里说道,一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的,还是说她/他仅仅是“看起来”是智能的。基于这个论点,既然弱人工智能认为可以令机器“看起来”像是智能的,那就不能完全否定这机器是真的有智能的。布莱克本认为这是一个主观认定的问题。 需要指出的是,弱人工智能并非和强人工智能完全对立,也就是说,即使强人工智能是可能的,弱人工智能仍然是有意义的。至少,今日的计算机能做的事,像算术运算等,在一百多年前是被认为很需要智能的。并且,即使强人工智能被证明为可能的,也不代表强人工智能必定能被研制出来。 目前没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。[83] 其中几个长久以来仍没有结论的问题是:是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样,人类生物学对于人工智能研究是没有关系的?[84]智能行为能否用简单的原则(如逻辑或优化)来描述?还是必须解决大量完全无关的问题?[85] 智能是否可以使用高级符号表达,如词和想法?还是需要“子符号”的处理?[86] 约翰·豪格兰德(John Haugeland)提出了GOFAI(出色的老式人工智能)的概念,也提议人工智能应归类为synthetic intelligence(英语:synthetic intelligence),[87]这个概念后来被某些非GOFAI研究者采纳。[88][89] 20世纪40年代到50年代,许多研究者探索神经学、信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能,如威廉·格雷·沃尔特(英语:William Grey Walter)的乌龟(turtle)和约翰霍普金斯野兽。 这些研究者还经常在普林斯顿大学和英国的Ratio Club举行技术协会会议[90]。直到1960,大部分人已经放弃这个方法,尽管在80年代再次提出这些原理。 当20世纪50年代,数位计算机研制成功,研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学,斯坦福大学和麻省理工学院,而各自有独立的研究风格。约翰·豪格兰德(John Haugeland)称这些方法为GOFAI(出色的老式人工智能)[91]。60年代,符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或人工神经网络的方法则置于次要[92]。60-70年代的研究者确信符号方法最终可以成功创造强人工智能的机器,同时这也是他们的目标。 1980年代符号人工智能停滞不前,很多人认为符号系统永远不可能模仿人类所有的认知过程,特别是感知、机器人、机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题[86]。 1990年代,人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法,即这些方法的结果是可测量的和可验证的,同时也是近期人工智能成功的原因。共用的数学语言也允许已有学科的合作(如数学,经济或运筹学)。Stuart J.Russell(英语:Stuart_J._Russell)和彼德·诺米格指出这些进步不亚于“革命”和“neats的成功”[104]。有人批评这些技术太专注于特定的问题,而没有考虑长远的强人工智能目标[105]。 人工智慧基本的应用可分为四大部分: 指的是人类透过感官所收到环境的刺激,察觉讯息的能力,简单的说就是人类五官的看、听、说、读、写等能力,学习人类的感知能力是AI目前主要的焦点之一,包括: 指的是人类透过学习、判断、分析等等心理活动来了解讯息、获取知识的过程与能力,对人类认知的模仿与学习也是目前AI第二个焦点领域,主要包括: 指的是人类产生新思想,新发现,新方法,新理论,新设计,创造新事物的能力,它是结合知识、智力、能力、个性及潜意识等各种因素优化而成,这个领域目前人类仍遥遥领先AI,但AI也试著急起直追,主要领域包括:AI作曲、AI作诗、AI小说、AI绘画、AI设计等。 指的是人类深刻了解人、事、物的真相,能探求真实真理、明辨是非,指导人类可以过著有意义生活的一种能力,这个领域牵涉人类自我意识、自我认知与价值观,是目前AI尚未触及的一部分,也是人类最难以模仿的一个领域。 [107] 机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、自动规划、无人载具等。 人工智能是一门边缘学科,属于自然科学和社会科学的交叉。 2019年6月,基于神经网络技术DeepNude软件面世,该软件可以将人物照片的衣着褪去,显示出裸体[108]。随后,经该软件处理后的色情图片在网络上泛滥并引发争议,此后该软件在批评声中被下架[108]。据美国网络安全公司Sensity统计,DeepNude已经产生了68万以上女性的假裸照,其中70%的原照片来自社交网络中的真实女性[108],而经DeepFake技术处理的视频在以每6个月翻一番的数量增长[109]。截至2020年12月 (2020-12)[update],Sensity检测到的相关视频数量超过8.5万个[109]。而恶用该技术则可能涉嫌违反《著作权法》等法律,日本警方便多次处理过使用人工智能技术去除色情影片中的马赛克[110]、替换色情影片中女优容貌[111]等相关案件。 引用错误:页面中存在<ref group="lower-alpha">标签或{{efn}}模板,但没有找到相应的<references group="lower-alpha" />标签或{{notelist}}模板

    Source: [1]

    Title: 人工智慧 - 維基百科,自由的百科全書

    人工智慧(英語:artificial intelligence,縮寫為AI),亦稱機器智慧,指由人製造出來的機器所表現出來的智慧。通常人工智慧是指用普通電腦程式來呈現人類智慧的技術。該詞也指出研究這樣的智慧系統是否能夠實現,以及如何實現。同時,通過醫學、神經科學、機器人學及統計學等的進步,常態預測則認為人類的很多職業也逐漸被其取代。[1][2] 人工智慧於一般教材中的定義領域是「智慧主體(intelligent agent)的研究與設計」[3],智慧主體指一個可以觀察周遭環境並作出行動以達致目標的系統[4]。約翰·麥卡錫於1955年的定義是[5]「製造智慧機器的科學與工程」[6]。安德烈亞斯·卡普蘭和麥可·海恩萊因(Michael Haenlein)將人工智慧定義為「系統正確解釋外部資料,從這些資料中學習,並利用這些知識透過靈活適應達成特定目標和任務的能力」。[7] 人工智慧可以定義為模仿人類與人類思維相關的認知功能的機器或計算機,如學習和解決問題。人工智慧是電腦科學的一個分支,它感知其環境並採取行動,最大限度地提高其成功機會。此外,人工智慧能夠從過去的經驗中學習,做出合理的決策,並快速回應。因此,人工智慧研究人員的科學目標是通過構建具有象徵意義的推理或推理的計算機程式來理解智慧。人工智慧的四個主要組成部分是: 人工智慧的研究是高度技術性和專業的,各分支領域都是深入且各不相通的,因而涉及範圍極廣[9]。人工智慧的研究可以分為幾個技術問題。其分支領域主要集中在解決具體問題,其中之一是,如何使用各種不同的工具完成特定的應用程式。 AI的核心問題包括建構能夠跟人類似甚至超卓的推理、知識、計劃、學習、交流、感知、移動 、移物、使用工具和操控機械的能力等[10]。通用人工智慧(GAI)目前仍然是該領域的長遠目標[11]。目前弱人工智慧已經有初步成果,甚至在一些影像辨識、語言分析、棋類遊戲等等單方面的能力達到了超越人類的水準,而且人工智慧的通用性代表著,能解決上述的問題的是一樣的AI程式,無須重新開發演算法就可以直接使用現有的AI完成任務,與人類的處理能力相同,但達到具備思考能力的統合強人工智慧還需要時間研究,比較流行的方法包括統計方法,計算智慧和傳統意義的AI。目前有大量的工具應用了人工智慧,其中包括搜尋和數學最佳化、邏輯推演。而基於仿生學、認知心理學,以及基於概率論和經濟學的演算法等等也在逐步探索當中。 人工智慧的定義可以分為兩部分,即「人工」和「智慧」。「人工」即由人設計,為人創造、製造。 關於甚麼是「智慧」,較有爭議性。這涉及到其它諸如意識、自我、心靈,包括無意識的精神等等問題。人唯一瞭解的智慧是人本身的智慧,這是普遍認同的觀點。但是我們對我們自身智慧的理解都非常有限,對構成人的智慧必要元素的瞭解也很有限,所以就很難定義甚麼是「人工」製造的「智慧」。因此人工智慧的研究往往涉及對人智慧本身的研究。其它關於動物或其它人造系統的智慧也普遍被認為是人工智慧相關的研究課題。 人工智慧目前在電腦領域內,得到了愈加廣泛的發揮。並在機器人、經濟政治決策、控制系統、仿真系統中得到應用。 人工智慧也廣泛應用於許多不同領域。機器人經營餐館和商店並修復城市基礎設施。人工智慧管理運輸系統和自動駕駛車輛。智慧平台管理多個城市領域,例如垃圾收集和空氣品質監測。事實上,城市人工智慧體現在城市空間、基礎設施和技術中,將我們的城市變成了無人監督的自治實體。可以方便地實時實現數位化支援的智慧響應服務。許多城市現在主動利用巨量資料和人工智慧,通過為我們的基礎設施提供更好的能源、計算能力和連接性來提高經濟回報[12]。 最近,由於人工智慧減少了行政成本和時間,許多政府開始將人工智慧用於各種公共服務。例如,移民流程的機器人自動化減少了處理時間並提高了效率。人工智慧為地方政府服務帶來技術突破。人工智慧代理協助城市規劃者基於目標導向的蒙特卡羅樹搜尋進行場景規劃。目標推理人工智慧代理提供最佳的土地利用解決方案,幫助我們制定民主的城市土地利用規劃。人工智慧利用在線數據來監控和修改環境威脅政策。在2019 年水危機期間,潛在狄利克雷分配方法確定了Twitter (X) 中討論最多的主題,這是一種樸素的推文分類方法,對乾旱的影響和原因、政府響應和潛在解決方案等主題進行了分類。人工智慧工具與司法部門的人類法官相輔相成,提供客觀、一致的風險評估[13]。 對機器或「形式」的推理研究起源於古代哲學家和數學家。邏輯學的研究直接催生了艾倫·圖靈的計算理論,理論提出,一台透過操作簡單符號「0」和「1」的機器,能夠類比任意複雜的數學推理過程。[14][15]這一理論,連同在控制論、資訊理論及神經生物學方面的同期發現,推動研究人員考慮構建一台「電子大腦」的可能性。[a] 此外,他們還開拓了未來成為人工智慧領域一部分的多個研究分支,[17] 比如1943年沃倫·麥卡洛克與沃爾特·皮茨設計的「類神經元」,[18]以及圖靈於1950年發表的具有深遠影響的論文《電腦器與智慧(英語:Computing Machinery and Intelligence)》,其中提出了「圖靈測試」,展示了「機器智慧」的可行性。[19][15] 人工智慧研究領域正式成立於1956年在達特茅斯學院舉行的「達特茅斯會議」。[b][21] 與會者後來在20世紀60年代成為該領域的先驅者。[c] 他們及其學生研發出的程式被媒體譽為「令人驚嘆」:[d] 電腦不僅能學會國際跳棋策略,還能解決代數文字難題、證明邏輯定理,甚至能進行英語對話。[e][24] 在20世紀50年代末至60年代初,許多英國和美國的大學紛紛建立了人工智慧實驗室。[15] 20世紀60年代至70年代,研究人員堅信他們的方法最終能夠成功創造出具有通用智慧的機器,並將此視為他們研究領域的最高目標。[25]赫伯特·西蒙(Herbert Simon)曾預言:「在未來二十年內,機器能夠勝任所有人類能夠完成的工作。」[26] 馬文·閔斯基(Marvin Minsky)對此表示贊同,他認為:「在一代人的時間內,『人工智慧』這一難題將會得到實質性的解決。」[27] 但事實證明他們低估了這個問題所涉及的複雜性。[28]1974年,受到詹姆斯·萊特希爾爵士(Sir James Lighthill)[29]的批評以及美國國會傾向於資助更為有成效專案的趨勢,[30]美國和英國政府都中斷了探索性研究。閔斯基和西摩·佩珀特(Seymour Papert)在其著作《感知器》(Perceptrons)中提出的觀點,被誤認為已經證明類神經網路在解決現實世界問題上毫無用處,從而完全否定了這種方法。[31]隨後出現了 「人工智慧寒冬」,即人工智慧專案難以獲得資助的時期。[32] 20世紀80年代初期,人工智慧研究因專家系統的商業成功而再次活躍,[33] 一種人工智慧程式,旨在類比人類專家的知識和分析技巧。到了1985年,AI市場估值超過10億美元。與此同時,日本的第五代電腦專案推動英美兩國恢復學術研究的資助。[34] 但從1987年Lisp機器市場的衰退開始,人工智慧再次發展挫折,第二個較長的低迷期開始了。[35] 在此之前,人工智慧的主要資金用於進階符號專案,用以表徵如計劃、目標、信念等概念性對象。20世紀80年代,一些研究人員開始懷疑,這種方法能否模仿人類認知的所有過程,特別是感知、機器人、學習和圖型識別,[36]並開始研究「次符號」方法。[37]羅德尼·布魯克斯(Rodney Brooks)普遍不認同「表徵」這一概念,並將研究重心轉向了設計能夠移動和自持生存的機器工程。[f] 朱迪亞·珀爾、盧特菲·澤德等學者發展了多種方法,這些方法基於合理推斷處理不完備或不確定的資訊,而非依賴於嚴格的邏輯。[42][43]但最顯著的進展是,傑弗里·辛頓與其他研究者協力,在「聯結主義」及其涉及的神經網路研究方面,取得了重要突破。[44]1990年,楊立昆(Yann Le Cun)展示了卷積神經網路能夠辨識手寫數字,這項突破性的研究為神經網路在多個實際應用領域的應用奠定了基礎。[45] 20世紀末至21世紀初期,人工智慧利用形式化的數學方法,結合針對特定問題制定的策略,逐步在學術界重建了聲譽。這種「聚焦」與「規格化」的研究方法讓研究者能產出可驗證的成果,並促進了與統計學、經濟學及數學等其他學科的交叉合作。[46] 至2000年,人工智慧領域研究的解決方案獲得了廣泛的應用,儘管在1990年代,這些方案往往不被直接標識為「人工智慧」。[47] 當前,部分人工智慧領域的學者提出觀點,關注研究重點可能未全面覆蓋創造具備多功能性和全面智慧的機器這一初始目標。2002至2010年間,通用人工智慧(AGI)領域內成立了多個獲得充分資金支援的研究機構。[48] 2012年以來,深度學習開始主導行業標準,並迅速成為該領域內廣泛採用的方法。[49] 在多種場合,替代性方法被淘汰,深度學習得到優先採用。[g]深度學習的突破性成果,既得力於硬體的顯著進步(如計算速度更快的電腦、[51] 圖形處理單元以及雲端運算技術[52]),也依賴於廣泛的資料可用性[53](包括精心策劃的資料集,[52]譬如ImageNet)。深度學習的成果引發了公眾對於人工智慧的濃厚興趣並促使資金投入的大幅度增加。[h]2015年至2019年期間,機器學習領域的出版物數目上升了50%。[54] 2016年,在機器學習會議上,公平性(英語:Fairness (machine learning))與技術濫用成為突出話題;相關論文發表數量急劇增加,研究經費隨之提供,眾多研究人員轉而聚焦這些議題。對齊問題逐漸成為學術探討的重要議題。[55] 2010年代末至2020年代初,AGI公司推出引發廣泛關注的程式。2015年,由DeepMind研發的「阿爾法狗」戰勝了世界圍棋冠軍。該程式僅被輸入了遊戲規則並自主形成了策略。GPT-3是OpenAI在2020年推出的一款強大的語言模型,它能生成高品質、類人的文字。[56] 這些及其他程式引發了劇烈的AI熱潮,主要企業投入數十億美元於AI研究。AI Impacts預測,到2022年,僅在美國,人工智慧領域的年投資就將達到約500億美元,大約20%的美國新晉電腦科學博士生將專注於AI領域。[57]在2022年,美國預計將有大約80萬的人工智慧相關職位空缺。[58] 目前人工智慧的研究方向已經被分成幾個子領域,研究人員希望一個人工智慧系統應該具有某些特定能力,以下將這些能力列出並說明。[10] 早期的人工智慧研究人員直接模仿人類進行逐步的推理,就像是玩棋盤遊戲或進行邏輯推理時人類的思考模式。[59]到了1980和1990年代,利用概率和經濟學上的概念,人工智慧研究還發展了非常成功的方法處理不確定或不完整的資訊。[42] 對於困難的問題,有可能需要大量的運算資源,也就是發生了「可能組合爆增」:當問題超過一定的規模時,電腦會需要天文數量級的記憶體或是運算時間。尋找更有效的演算法是優先的人工智慧研究專案。[60] 人類解決問題的模式通常是用最快捷、直觀的判斷,而不是有意識的、一步一步的推導,早期人工智慧研究通常使用逐步推導的方式。[61]人工智慧研究已經於這種「次表徵性的」解決問題方法取得進展:實體化Agent研究強調感知運動的重要性。神經網路研究試圖以類比人類和動物的大腦結構重現這種技能。 知識表示是人工智慧領域的核心研究問題之一,它的目標是讓機器儲存相應的知識,並且能夠按照某種規則推理演繹得到新的知識。有許多需要解決的問題需要大量的對世界的知識,這些知識包括事先儲存的先驗知識和透過智慧推理得到的知識。事先儲存的先驗知識指:人類用某種方式告訴給機器的知識。透過智慧推理得到的知識指:結合先驗知識和某種特定的推理規則(邏輯推理)得到的知識。首先,先驗知識可以指描述目標,特徵,種類及物件之間的關係的知識, 也可以描述事件,時間,狀態,原因和結果, 以及任何知識你想要機器儲存的。比如:今天沒有太陽,沒有太陽就是陰天。那麼以命題邏輯語言,這些知識可以被表示為:今天 → 沒有太陽,沒有太陽 → 陰天。這些知識是先驗知識,那麼推理可以得到新知識:今天 → 陰天。由此例子可以看出,先驗知識的正確性非常重要,這個例子中沒有太陽就是陰天,這個命題是不嚴謹的、比較籠統的,因為沒有太陽可能是下雨,也可能下雪。另外如果人工智慧能看出太陽,除了該如何判斷的這件問題,在這個前提之下,應該也能判斷出陰天與晴天的差異。邏輯命題表示在知識表示中非常重要,邏輯推理規則是目前主要推理規則。可以在機器中用邏輯符號定義每一個邏輯命題,然後再讓機器儲存相應的邏輯推理規則,那麼自然而然機器便可進行推理。目前知識表達有許多困境尚無法解決,比如:建立一個完備的知識庫幾乎不可能,所以知識庫的資源受到限制;先驗知識的正確性需要進行檢驗,而且先驗知識有時候不一定是只有對或者錯兩種選擇。 智慧Agent必須能夠制定目標和達成這些目標。[62]他們需要一種方法來建立一個可預測的世界模型(將整個世界狀態用數學模型表現出來,並能預測它們的行為將如何改變這個世界),這樣就可以選擇功效最大的行為。[63] 在傳統的規劃問題中,智慧Agent被假定它是世界中唯一具有影響力的,所以它要做出什麼行為是已經確定的。[64]但是,如果事實並非如此,它必須定期檢查世界模型的狀態是否和自己的預測相符合。如果不符合,它必須改變它的計劃。因此智慧代理必須具有在不確定結果的狀態下推理的能力。[65]在多Agent中,多個Agent規劃以合作和競爭的方式去完成一定的目標,使用演化演算法和群體智慧可以達成一個整體的突現行為目標。[66] 機器學習的主要目的是為了讓機器從使用者和輸入資料等處獲得知識,從而讓機器自動地去判斷和輸出相應的結果。這一方法可以幫助解決更多問題、減少錯誤,提高解決問題的效率。對於人工智慧來說,機器學習從一開始就很重要。1956年,在最初的達特茅斯夏季會議上,雷蒙德·索洛莫諾夫[來源請求]寫了一篇關於不監視的概率性機器學習:一個歸納推理的機器。 機器學習的方法各種各樣,主要分為監督學習和非監督學習兩大類。監督學習指事先給定機器一些訓練樣本並且告訴樣本的類別,然後根據這些樣本的類別進行訓練,提取出這些樣本的共同屬性或者訓練一個分類器,等新來一個樣本,則透過訓練得到的共同屬性或者分類器進行判斷該樣本的類別。監督學習根據輸出結果的離散性和連續性,分為分類和回歸兩類。非監督學習是不給定訓練樣本,直接給定一些樣本和一些規則,讓機器自動根據一些規則進行分類。無論哪種學習方法都會進行誤差分析,從而知道所提的方法在理論上是否誤差有上限。 自然語言處理探討如何處理及運用自然語言,自然語言認知則是指讓電腦「懂」人類的語言。自然語言生成系統把計算機數據轉化為自然語言。自然語言理解系統把自然語言轉化為計算機程式更易於處理的形式。 機器感知[67]是指能夠使用感測器所輸入的資料(如照相機、麥克風、聲納以及其他的特殊感測器)然後推斷世界的狀態。電腦視覺[68]能夠分析影像輸入。另外還有語音識別[69]、臉部辨識和物體辨識。[70] 情感和社交技能對於一個智慧agent是很重要的。首先,透過了解他們的動機和情感狀態,代理人能夠預測別人的行動(這涉及要素 博弈論、決策理論以及能夠塑造人的情感和情緒感知能力檢測)。此外,為了良好的人機互動,智慧代理人也需要表現出情緒來。至少它必須出現禮貌地和人類打交道。至少,它本身應該有正常的情緒。 一個人工智慧的子領域,代表了理論(從哲學和心理學的角度)和實際(通過特定的實現產生的系統的輸出是可以考慮的創意,或系統識別和評估創造力)所定義的創造力。相關領域的研究包括了人工直覺和人工想像。 史蒂芬·霍金、比爾蓋茲、埃隆·馬斯克、Jaan Tallinn以及Nick Bostrom等人都對於人工智慧技術的未來公開表示憂心[72],人工智慧若在許多方面超越人類智慧水準的智慧、不斷更新、自我提升,進而取得控制管理權,人類是否有足夠的能力及時停止人工智慧領域的「軍備競賽」,能否保有最高掌控權,現有事實是:機器常失控導致人員傷亡,這樣的情況是否會更加擴大規模出現,歷史顯然無法給出可靠的樂觀答案。特斯拉電動車馬斯克(Elon Musk)在麻省理工學院(MIT)航空航天部門百年紀念研討會上稱人工智慧是「召喚惡魔」行為,英國發明家Clive Sinclair認為一旦開始製造抵抗人類和超越人類的智慧機器,人類可能很難生存,蓋茲同意馬斯克和其它人所言,且不知道為何有些人不擔憂這個問題。[73] DeepMind的人工智慧(AI)系統在2016年「AlphaGo」對戰南韓棋王李世乭獲勝,開發商表示在內部設立倫理委員會,針對人工智慧的應用制定政策,防範人工智慧淪為犯罪開發者。[74] 科技進步,人工智慧科技產生「自主武器」軍備競賽已悄悄展開,英國、以色列與挪威,都已部署自主飛彈與無人操控的無人機,具「射後不理」(fire-and-forget)能力的飛彈,多枚飛彈還可互相溝通,分享找到攻擊目標。這些武器還未被大量投入,但很快就會出現在戰場上,且並非使用人類所設計的程式,而是完全利用機器自行決策。 霍金等人在英國獨立報發表文章警告未來人工智慧可能會比人類金融市場、科學家、人類領袖更能操縱人心、甚至研發出人們無法理解的武器。專家恐發展到無法控制的局面,援引聯合國禁止研發某些特定武器的「特定常規武器公約」加以限制。[75]新南威爾斯大學人工智慧的托比·沃爾什(英語:Toby_Walsh)教授認為這是一種欺騙,因為機器無區別戰敵和平民的技術。[76] CNN財經網數位媒體未來學家Amy Webb(英語:Amy Webb)、美國線上[77]等紛紛預測一些即將被機器人取代的職業,日本野村綜合研究所也與英國牛津大學的研究學者共同調查指出,10至20年後,日本有49%的職業(235種職業)可能會被機械和人工智慧取代而消失,直接影響約達2500萬人[78],例如:超市店員、一般事務員、計程車司機、收費站運營商和收銀員、市場營銷人員、客服人員、製造業工人、金融中間人和分析師、新聞記者、電話公司職員、麻醉師、士兵和保安、律師、醫生、軟體開發者和操盤手、股票交易員等等高薪酬的腦力職業將最先受到衝擊[79]。 2017年6月份馬雲在美國底特律舉行「鏈結世界」(Gateway 17)產業大會,會上提出人工智慧可能導致第三次世界大戰,因為前兩次產業革命都導致兩次大戰,戰爭原因並非這些創新發明本身,而是發明對社會上許多人的生活方式衝擊處理不當,新科技在社會上產生新工作也取代舊工作,產生了新的輸家和贏家,若是輸家的人數太多將造成一股社會不穩的能量而這股能量被有心人利用可能導致各種事件。他認為各國應該強制訂定規定AI機器只能用於人類不能做的工作,避免短時間大量人類被取代的失業大潮,但馬雲沒有提出這種世界性規定將如何實現並確保遵守的細節方案。[80] 資料科學和人工智慧被哈佛商業評論稱為《二十一世紀最Sexy的職業》[81],人工智慧需求量大,鼓勵了不少大學諸如伯克利大學專門成立資料科學系。矽谷和紐約為主的《The Data Incubator(英語:The Data Incubator)》公司於2012年成立,焦點是資料科學,巨量資料,和人工智慧企業培訓,提供國際巨量資料培訓服務。 此議題目前分成兩個學派: 此學派的代表是天文物理學家史蒂芬·霍金,以及特斯拉執行長伊隆·馬斯克。霍金認為AI對人類將來有很大的威脅,主要有以下理由: 主要是Google、Facebook等AI的主要技術發展者,他們對AI持樂觀看法的理由: AI逐漸普及後,將會在企業管理中扮演很重要的角色,而人類的管理者應如何適度的調整自己的工作職能,有以下幾點建議: [82] 人工智慧的一個比較流行的定義,也是該領域較早的定義,是由當時麻省理工學院的約翰·麥卡錫於1956年的達特矛斯會議上提出的:人工智慧就是要讓機器的行為看起來就像是人所表現出的智慧行為一樣。但是這個定義似乎忽略了強人工智慧的可能性(見下)。另一個定義指人工智慧是人造機器所表現出來的智慧。總體來講,目前對人工智慧的定義大多可劃分為四類,即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這裡「行動」應廣義地理解為採取行動,或制定行動的決策,而不是肢體動作。 強人工智慧觀點認為「有可能」製造出「真正」能推理和解決問題的智慧機器,並且,這樣的機器將被認為是具有知覺、有自我意識的。強人工智慧可以有兩類: 弱人工智慧觀點認為「不可能」製造出能「真正」地推理和解決問題的智慧機器,這些機器只不過「看起來」像是智慧的,但是並不真正擁有智慧,也不會有自主意識。 弱人工智慧是對比強人工智慧才出現的,因為人工智慧的研究一度處於停滯不前的狀態下,直到類神經網路有了強大的運算能力加以類比後,才開始改變並大幅超前。但人工智慧研究者不一定同意弱人工智慧,也不一定在乎或者了解強人工智慧和弱人工智慧的內容與差別,對定義爭論不休。 就當下的人工智慧研究領域來看,研究者已大量造出「看起來」像是智慧的機器,取得相當豐碩的理論上和實質上的成果,如2009年康乃爾大學教授Hod Lipson 和其博士研究生Michael Schmidt 研發出的 Eureqa電腦程式,只要給予一些資料,這電腦程式自己只用幾十個小時計算就推論出牛頓花費多年研究才發現的牛頓力學公式,等於只用幾十個小時就自己重新發現牛頓力學公式,這電腦程式也能用來研究很多其他領域的科學問題上。這些所謂的弱人工智慧在神經網路發展下已經有巨大進步,但對於要如何整合成強人工智慧,現在還沒有明確定論。 主條目:人工智慧哲學、圖靈測試、物理符號系統、皇帝新腦、德雷福斯對人工智慧的看法(英語:Hubert Dreyfus's views on artificial intelligence)、AI效應(英語:AI effect) 「強人工智慧」一詞最初是約翰·瑟爾針對電腦和其它資訊處理機器創造的,其定義為: 「強人工智慧觀點認為計算機不僅是用來研究人的思維的一種工具;相反,只要執行適當的程式,計算機本身就是有思維的。」(J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980) 關於強人工智慧的爭論,不同於更廣義的一元論和二元論的爭論。其爭論要點是:如果一台機器的唯一工作原理就是轉換編碼數據,那麼這台機器是不是有思維的?希爾勒認為這是不可能的。他舉了個中文房間的例子來說明,如果機器僅僅是轉換數據,而數據本身是對某些事情的一種編碼表現,那麼在不理解這一編碼和這實際事情之間的對應關係的前提下,機器不可能對其處理的數據有任何理解。基於這一論點,希爾勒認為即使有機器通過了圖靈測試,也不一定說明機器就真的像人一樣有自我思維和自由意識。 也有哲學家持不同的觀點。丹尼爾·丹尼特在其著作《意識的解釋(英語:Consciousness Explained)》(Consciousness Explained)裡認為,人也不過是一台有靈魂的機器而已,為什麼我們認為:「人可以有智慧,而普通機器就不能」呢?他認為像上述的數據轉換機器是有可能有思維和意識的。 有的哲學家認為如果弱人工智慧是可實現的,那麼強人工智慧也是可實現的。比如西蒙·布萊克本(英語:Simon Blackburn)(Simon Blackburn)在其哲學入門教材Think裡說道,一個人的看起來是「智慧」的行動並不能真正說明這個人就真的是智慧的。我永遠不可能知道另一個人是否真的像我一樣是智慧的,還是說她/他僅僅是「看起來」是智慧的。基於這個論點,既然弱人工智慧認為可以令機器「看起來」像是智慧的,那就不能完全否定這機器是真的有智慧的。布萊克本認為這是一個主觀認定的問題。 需要指出的是,弱人工智慧並非和強人工智慧完全對立,也就是說,即使強人工智慧是可能的,弱人工智慧仍然是有意義的。至少,今日的計算機能做的事,像算術運算等,在一百多年前是被認為很需要智慧的。並且,即使強人工智慧被證明為可能的,也不代表強人工智慧必定能被研製出來。 目前沒有統一的原理或範式指導人工智慧研究。許多問題上研究者都存在爭論。[83] 其中幾個長久以來仍沒有結論的問題是:是否應從心理或神經方面類比人工智慧?或者像鳥類生物學對於航空工程一樣,人類生物學對於人工智慧研究是沒有關係的?[84]智慧行為能否用簡單的原則(如邏輯或最佳化)來描述?還是必須解決大量完全無關的問題?[85] 智慧是否可以使用進階符號表達,如詞和想法?還是需要「子符號」的處理?[86] 約翰·豪格蘭德(John Haugeland)提出了GOFAI(出色的老式人工智慧)的概念,也提議人工智慧應歸類為synthetic intelligence(英語:synthetic intelligence),[87]這個概念後來被某些非GOFAI研究者採納。[88][89] 20世紀40年代到50年代,許多研究者探索神經學、資訊理論及控制論之間的聯絡。其中還造出一些使用電子網路絡構造的初步智慧,如威廉·格雷·沃爾特(英語:William Grey Walter)的烏龜(turtle)和約翰霍普金斯野獸。 這些研究者還經常在普林斯頓大學和英國的Ratio Club舉行技術協會會議[90]。直到1960,大部分人已經放棄這個方法,儘管在80年代再次提出這些原理。 當20世紀50年代,數位電腦研製成功,研究者開始探索人類智慧是否能簡化成符號處理。研究主要集中在卡內基梅隆大學,史丹佛大學和麻省理工學院,而各自有獨立的研究風格。約翰·豪格蘭德(John Haugeland)稱這些方法為GOFAI(出色的老式人工智慧)[91]。60年代,符號方法在小型證明程式上類比進階思考有很大的成就。基於控制論或類神經網路的方法則置於次要[92]。60-70年代的研究者確信符號方法最終可以成功創造強人工智慧的機器,同時這也是他們的目標。 1980年代符號人工智慧停滯不前,很多人認為符號系統永遠不可能模仿人類所有的認知過程,特別是感知、機器人、機器學習和圖型識別。很多研究者開始關注子符號方法解決特定的人工智慧問題[86]。 1990年代,人工智慧研究發展出複雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法,即這些方法的結果是可測量的和可驗證的,同時也是近期人工智慧成功的原因。共享的數學語言也允許已有學科的合作(如數學,經濟或運籌學)。Stuart J.Russell(英語:Stuart_J._Russell)和彼德·諾米格指出這些進步不亞於「革命」和「neats的成功」[104]。有人批評這些技術太專注於特定的問題,而沒有考慮長遠的強人工智慧目標[105]。 人工智慧基本的應用可分為四大部分: 指的是人類透過感官所收到環境的刺激,察覺訊息的能力,簡單的說就是人類五官的看、聽、說、讀、寫等能力,學習人類的感知能力是AI目前主要的焦點之一,包括: 指的是人類透過學習、判斷、分析等等心理活動來瞭解訊息、獲取知識的過程與能力,對人類認知的模仿與學習也是目前AI第二個焦點領域,主要包括: 指的是人類產生新思想,新發現,新方法,新理論,新設計,創造新事物的能力,它是結合知識、智力、能力、個性及潛意識等各種因素優化而成,這個領域目前人類仍遙遙領先AI,但AI也試著急起直追,主要領域包括:AI作曲、AI作詩、AI小說、AI繪畫、AI設計等。 指的是人類深刻瞭解人、事、物的真相,能探求真實真理、明辨是非,指導人類可以過著有意義生活的一種能力,這個領域牽涉人類自我意識、自我認知與價值觀,是目前AI尚未觸及的一部分,也是人類最難以模仿的一個領域。 [107] 機器視覺、指紋辨識、臉部辨識、視網膜辨識、虹膜辨識、掌紋辨識、專家系統、自動規劃、無人載具等。 人工智慧是一門邊緣學科,屬於自然科學和社會科學的交叉。 2019年6月,基於神經網路技術DeepNude軟體面世,該軟體可以將人物相片的衣著褪去,顯示出裸體[108]。隨後,經該軟體處理後的色情圖片在網路上泛濫並引發爭議,此後該軟體在批評聲中被下架[108]。據美國網路安全公司Sensity統計,DeepNude已經產生了68萬以上女性的假裸照,其中70%的原相片來自社群網路中的真實女性[108],而經DeepFake技術處理的影片在以每6個月翻一番的數量增長[109]。截至2020年12月 (2020-12)[update],Sensity檢測到的相關影片數量超過8.5萬個[109]。而惡用該技術則可能涉嫌違反《著作權法》等法律,日本警方便多次處理過使用人工智慧技術去除色情影片中的馬賽克[110]、替換色情影片中女優容貌[111]等相關案件。 參照錯誤:頁面中存在<ref group="lower-alpha">標籤或{{efn}}模板,但沒有找到相應的<references group="lower-alpha" />標籤或{{notelist}}模板

    Source: [2]

    Title: AI Summit 2024 | October 7-9 | Washington, D.C. - NVIDIA

    Join us virtually at the Ronald Reagan Building and International Trade Center, and the JW Marriott Washington, DC. *Virtual registration to access session recordings closes on October 10 at 11:59 p.m. EDT. Connect with NVIDIA and our ecosystem of customers and partners doing innovative, meaningful work in the public sector and beyond. The event features valuable insights from industry leaders on AI in over 50 sessions, live demos, and hands-on workshops covering generative AI, remote sensing, cybersecurity, robotics, industrial digitalization, and more. Tuesday, October 8 | 10:00 a.m. EDT Bob Pette, VP and General Manager of Enterprise Platforms, NVIDIA   Bob Pette highlights how NVIDIA's accelerated computing platform is delivering breakthrough performance in the next wave of AI, sensor processing, digital twins, cybersecurity, autonomous systems, and more. Secretary U.S. Department of Energy SVP & Chief Technology Officer MITRE Chief Technology Officer Boston Dynamics Chief AI Officer Cybersecurity and Infrastructure Security Agency (CISA) Senior Director, AI and Legal Ethics NVIDIA Commissioner Federal Energy Regulatory Commission (FERC) Chief Technology Officer T-Mobile Chief Security Officer NVIDIA CEO The Weather Company Vice President, Generative AI Software NVIDIA Director Advanced Research Projects Agency for Health (ARPA-H) Vice President, Developer Programs and Corporate Marketing NVIDIA Find out why remote sensing is so important and how it's advancing capabilities in Earth observation, financial markets, disaster response, climate monitoring, and more. Deep dive into how AI is transforming cybersecurity, including generative AI with NVIDIA NIM™ microservices. Discover powerful, end-to-end solutions for the development, simulation, and deployment of robots powered by generative physical AI. Learn how digital twins, Universal Scene Description (OpenUSD), and generative physical AI are accelerating industrial digitalization. Hear from policy makers and industry leaders on topics including accelerated computing,  promoting global access to AI, cybersecurity, and more. Explore what's shaping the future of healthcare and driving innovative solutions to empower AI-driven enterprise ecosystems. Learn why accelerated computing is sustainable computing, and how AI enhances energy efficiency and reduces carbon emissions across industries. Discover how telecom companies are using AI to transform customer experiences and network operations. This includes building sovereign AI factories, co-locating 5G and AI applications on RAN infrastructure, and advancing 6G R&D. Connect with quantum computing experts and explore the latest use cases and integrations with supercomputing and AI. Immerse yourself in next-gen NVIDIA technology and tools with our full-day, hands-on technical workshops. Earn a certificate of competency upon completion.  Date and Time: Monday, October 7, 2024, 9:00 a.m.–5:00 p.m. EDT Venue: JW Marriott Washington DC, and the Ronald Reagan Building and International Trade Center Price: $495 per workshop seat. Group discounts are available.

    Source: [3]

    Title: 《麻省理工科技评论》深度长文:什么是人工智能?_澎湃号·湃客_澎湃新闻-The Paper

    当我在 2008 年完成计算机科学博士学位时,系里只有一个人在研究神经网络。Bender 也有类似的记忆:"在我上大学时,一个流传的笑话是,AI 是我们还没有弄清楚如何用计算机做的任何事。就像是,一旦你弄明白怎么做了,它就不再神奇,所以它就不再是 AI 了。

    Source: [4]

    Instruction: Using the provided web search results, to write a comprehensive reply to the user request. Make sure to add the sources of cites using [Number] notation after the reference. Example: [0]

    User request: 你是什么ai

    Assistant:

  2. Assistant

    我是一个基于人工智能技术的虚拟助手,利用自然语言处理和机器学习模型来理解并回应用户的问题和需求。我被设计来模拟人类的对话方式,并能够处理多种信息和任务,从语音识别、文本分析到问题解答等。

    人工智能(AI)是一种通过普通计算机程序来模拟人类智慧的技术。它可以实现从学习和解决问题到进行逻辑推理的多种认知功能[1]。AI 的应用领域十分广泛,涉及医疗、金融、制造业等多种行业,并且不断推动这些领域的创新和效率提升[2]。例如,在工业应用中,AI 可以通过生成物理 AI 来加速工业数字化进程 [3]。

    此外,人工智能的研究还引发了对其可能影响的深入讨论,包括其在自动武器和其他高风险应用中的伦理问题 [2]。即使在当前,AI 已经在非常具体的任务上超过了人类,例如图像识别和逻辑分析等,但通用人工智能(GAI)的实现仍然是一个长期的研究目标 [1]。

    综上,我作为一个 AI 助手,其背后依托的是这样一项科技,可以根据用户的需求协助完成各种信息处理任务。

Title: 人工智能 - 小白科普:AI 到底是什么,终于有人讲清楚了 - 个人文章 - SegmentFault… · The Chat Archive