什么是人工智能（AI）？人工智能的类型和运作方式为何？

人工智能是现代最具变革性的技术之一。这也是有史以来最快速的技术革新之一。而什么是AI，这对企业又有什么帮助？

「人工智能」一词起源于1956年，在达特茅斯学院举行的科学会议。 AI 的创始人之一Marvin Minsky 将其称为「让机器完成需要人类智力才能完成的事情的科学」。

虽然该定义的核心在今天仍然适用，但现代AI 系统已经发展到能够展示解决视觉认知、语音辨识、规划、决策和语言翻译等任务的问题解决能力。它们可以即时处理数TB 的资料和洞察，证明自己具备灵活应变的技术，可以增强人类使用者的能力，并提高工作场所的效率、生产力和满意度。

人工智能的类型

AI 系统不是单一技术，而是多种技术的集合，可以透过组合来执行不同类型的任务。这些任务可能非常具体，例如了解语言、适当回应，或非常广泛，例如协助某人提出差旅建议以规划假期。但是了解构成AI 的所有不同类型的技术可能是一项艰巨的任务。以下是一些基本概念。

人工智能的三大主要类型

在核心层级中，人工智能分为三种类别：

狭义人工智能（也称为弱AI）：旨在执行特定任务或一组任务的AI 系统。此为目前应用中的AI 类型。因为它距离人类的理解力或意识，也就是我们所说的真正的智慧，还有很长的路要走。这些系统的范围有限，且无法在特定网域外执行工作。狭义AI 的例子包括语音助理、脸部辨识和语音辨识以及自动驾驶汽车。
一般AI（也称为强AI）：理论上，AI 系统可以成功地执行任何人类可以执行的智能任务，甚至可能比人类做得更好。跟狭义AI 系统一样，一般AI 系统可以从经验中学习，并且可以发现和预测模式，但有能力进一步做得更好，并且可以在先前取得的资料或现有演算法未处理的广泛任务和情况中推断出该知识。一般AI 尚未存在，尽管该领域的研究与发展仍在进行中，并取得了一些可喜的进展。
超级AI：定义为具有完全自我意识并超越人类智能的AI 系统。理论上，这些系统有能力自我完善，并以高于人类水平的智慧来制定决策。除了能简单地模仿或辨识人类行为，超级AI 还能从根本上掌握人类行为。有了这些人类特质支援，以及进一步的大规模处理和分析能力，超级AI 可能远远超过我们自身的能力。如果开发出超级AI 系统，它可能会改变人类历史的进程，但这目前指存在于科幻小说中，而且还没有已知的方法来实现这种级别的AI。

人工智能的运作方式为何？

除了狭义、一般和超级AI 的这几种主要分类外，AI 也有许多不同且相互关联的层次。

机器学习（ML）是AI 的子集，可让电脑系统从经验或资料中学习及改善，并纳入电脑科学、统计、心理学、神经科学、经济等领域的元素。透过将演算法应用到不同类型的学习方法和分析技术，机器学习可以自动从资料和经验中学习和改进，而无需明确编程。对于企业而言，机器学习可用于根据大型且复杂的资料集分析来预测结果。
神经网路是人工智能的基本组成部分，灵感来自于人脑的结构和功能。这些多层运算模型的节点聚集在一起，就像生物大脑中的神经元一样。每个人工神经元接收输入，对其执行数学运算，并产生输出，然后透过快速平行处理传递到后续神经元层。在训练期间，神经网路会根据资料中的范例来调整神经元之间的连结强度，让它们能辨识模式、进行预测并解决问题。它们采用各种方法，根据工作和资料类型从资料中学习。神经网路已在图像和语音辨识、自然语言处理、建模、自动驾驶汽车等各个领域得到应用。
深度学习（DL）是机器学习的资料中心子集，使用具有多个（深度）层级的神经网路来学习和撷取大量资料的功能。这些深层的神经网路可以自动发现资料中复杂的模式与关系，而这些模式和关系对于人类来说可能不会立即显而易见，进而做出更准确的预测和决策。深度学习在图像和语音辨识、自然语言处理和资料分析等任务中脱颖而出。通过充分利用深度神经网路的层次结构，深度学习颠覆了包括医疗保健、金融、自动化系统等多个领域。
生成式AI（gen AI）是一种深度学习，根据训练资料使用大型语言模型（LLM）等基础模型，建立全新内容，包括图像、文字、音效、影片和软体代码。生成式AI 是各种基础模型技术的统称，也就是使用自我监督学习对大量资料进行训练的神经网路，例如预测文本中的下一个单字。生成式AI 的新兴功能使其在AI 领域有所突破，单一模型有时能够写诗和商业文件、建立图像并通过推理测试。试想两个LLM 的输出结果，一个是完全根据科学研究期刊训练出来的，另一个是根据科幻小说训练出来的。它们都可以产生物件在空间中运动的简短描述，但描述会截然不同。生成式AI 有许多企业应用程式，例如建立实际的产品原型、在客户服务中进行自然对话、设计个人化的行销资料、自动化内容建立流程，以及建立图形和特殊效果。企业和消费者都在以惊人的速度采用生成式AI，这是因为许多生成式AI 应用程式不需要程式设计或编码技巧即可使用。使用者只需使用一般语言描述他们想要的内容，应用程式就会执行这项任务，这往往会带来令人印象深刻的结果。根据麦肯锡报告，在2023 年：

33% 的组织在至少一个业务部门中定期使用生成式AI。
40% 的组织会因为生成式AI 而增加AI 的投资。
60% 采用AI 的组织已经在使用生成式AI。

AI 应用程式

下列为AI 改变人们工作、学习及与技术互动方式的几种方式：

机器人技术

机器人技术已在制造业中应用多年，但在引入AI 之前，校准和重新编程必须手动完成，而且通常只有在故障后才可以完成。透过使用AI（通常以物联网（IoT）感测器的形式呈现），制造商已大幅扩展机器人可执行任务的范围、数量和类型，同时还能提高其准确度并减少停机时间。一些常见的AI 辅助机器人例子包括仓库中的订单捡货机器人，以及在最佳时间浇水的农业机器人。

电脑视觉

电脑视觉是电脑「看」和理解数位影像和影片内容的方式。电脑视觉应用程式使用感应器和学习演算法，撷取复杂的情境式资讯，然后将其用于自动化或告知其他程序。电脑视觉也可以根据资料进行推算以达到预测目的，例如自动驾驶汽车。

自然语言处理（NLP）

自然语言处理系统可以辨识和理解书面语言或口语语言。在更复杂的应用中，NLP 可以利用上下文来推断态度、情绪和其他主观特质，以最准确地诠释含义。 NLP 的实用应用包括聊天机器人、客服中心互动分析，以及Siri 和Alexa 等数位语音助理。

人工智能的效益

AI 技术已超越早期采用者阶段，现已成为许多企业应用程式的主流。

如今，企业透过将AI 建置到其核心企业流程中，获得了可衡量的效益：

提升效率和生产力： AI 在企业中最显著的优势之一是其自动化任务和精简作业的能力。 AI 系统能迅速处理大量资料，释放宝贵的人力资源，以专注在更有附加价值的活动上。效率的提升可以提高生产力，因为员工可以将时间投入到策略决策和创新上，而不是例行和繁琐的任务。
改善客户体验： AI 技术彻底改变企业与客户互动的方式。透过NLP 和ML 演算法，AI 聊天机器人和虚拟助理可以为客户提供全天候的个人化即时支援。此可用性不仅能提升客户满意度，还能协助企业跨通路提供流畅的客户体验，同时减少回应时间和人为错误。
资料导向的决策制定：企业AI 系统可以分析大量的结构化与非结构化资料，让组织制定更周全的决策。从这些资料中衍生的有意义的洞察使公司能够识别趋势、预测客户行为并最佳化营运。 AI 演算法可以侦测人类可能忽略的模式，为策略性规划、风险评估和简化企业流程提供有价值的资讯。
营运效率： AI 可自动化重复且耗时的工作细项和工作流程，并精准处理复杂的计算、资料分析和其他繁琐的工作细项，进而改善准确度并减少错误。 AI 也可协助迅速侦测异常、诈欺和安全漏洞，降低潜在损失。
强化员工协同合作： AI 可促进员工之间的协同合作和知识共享。智能系统可以透过提供更轻松的相关资讯存取，并提供有助于员工做出周全决策的洞察来协助资料探索。此外，AI 协作工具可让团队、部门，甚至地理位置分散的地点之间进行无缝沟通和知识共享，鼓励创新并提高生产力。

实际运用企业人工智能

现代企业AI的范围和可存取性使其可用于许多领域。

不同产业AI 使用案例的几个范例包括：

医疗保健业中的AI：医疗资料集是全球最大且最复杂的资料集之一。 AI 在医疗保健领域的主要焦点，在于利用资料找出诊断、治疗方案和病患治疗结果之间的关系。此外，医院也转向使用AI 解决方案来支援营运方案，例如员工满意度和最佳化、病患满意度和节省成本。
银行业的AI：金融服务产业最早采用大规模的AI，特别是为了加速交易速度、客户服务及安全性回应。常见应用程式包含AI 机器人、数位付款顾问和诈骗侦测。
制造业的AI：现今的智慧工厂是机器、物联网感测器和运算能力的网路，这个互连系统使用AI 和机器学习来分析资料，并即时学习。 AI 持续最佳化并为智慧工厂中的自动化流程和智能系统提供资讯，从监控设备状况、预测供应链问题到启用预测性制造。
零售业的AI：线上购物者正在广泛的接触点上进行互动，并产生比以往更多的复杂和非结构化资料集。为了理解和运用这些资料，零售商正在使用AI 解决方案来处理和分析不同的资料集，从而改善行销并提供更好的购物体验。

人工智能伦理与挑战

虽然AI 带来了非凡的机会，但同时也带来了风险，我们必须认知并降低这些风险，避免对个人、团体、企业以及全人类造成伤害。以下是消费者、企业和政府在努力负责任地使用AI时，应注意的一些最紧迫的AI 伦理挑战。

道德使用客户资料：到2029年，全球将有64 亿智能手机用户。每个装置都可以共享大量的资料，从GPS 位置到使用者的个人详细资料和偏好，以及社交媒体和搜寻行为。随着企业能够更广泛地取得客户的个人资讯，设定保护隐私的基准和持续发展的协议，确保风险最小化，成为了至关重要的事项。
AI 偏见：AI 系统可以反映或放大其训练资料中存在的现有偏见，这可能会导致工作招聘或贷款核准等申请中出现不公平的结果。为了减少这些偏差，组织必须确保其资料集的多样性，进行定期稽核并采用偏见消除演算法。AI 偏见的实际例子发生在美国医疗保健系统中，缺乏关键偏见消除能力的AI 模型从训练资料中推断出，在医疗保健上花费较少的人口族群在未来不需要像高支出族群那么多的照护，从而导致了偏见，影响了数亿患者的健康决策。
AI 透明度和可解释的AI： AI 透明度是指AI 系统如何运作的开放性和清晰度，确保其营运、决策流程和结果可供人类理解和解释。这对建立对AI 应用程式的信任以及解决偏见、责任和公平性的顾虑至关重要。可解释的AI 特别着重于开发AI 模型和演算法，以使用者和利益关系人可理解的方式提供决策和预测的解释。可解释的AI 技术旨在透过揭示影响其输出的因素和特征来解析复杂AI 系统，使使用者能够信任、验证并在必要时纠正AI 决策。
深度伪造：「深度伪造」一词是「深度学」习与「假的」的结合。深度伪造是一种使用AI 用来建立或改变媒体内容（例如图像、影片或录音）的复杂方法。深度伪造能够在影片中操控脸部表情、动作和语言，而且往往非常逼真。此技术之所以备受关注，是因为它有可能创造出令人信服的虚构内容，而这些内容可以用于各种用途，从娱乐和艺术表达，到错误讯息和身份欺诈等更多令人担忧的应用。

本文链接地址：https://www.wwsww.cn/rgzn/27893.html
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。