任何思考打算机未来的人都不能忽略人工智能。
那些思考打算机过去的人也没有——在古希腊人中已经可以找到思考机器的梦想。

但传说的日子彷佛已经结束：如今，人工智能无处不在。
但实际上我们本日所说的人工智能是什么？它是如何事情的？

（1）什么是人工智能？

人工智能的创始人之一约翰麦卡锡将人工智能描述为“制造智能机器的科学和技能”，即研究职员和工程师的活动领域。

本日，该术语常日指的是这些智能机器：人工智能代表具有智能行为的打算机系统。
这里的智能意味着：您办理常日须要智能的任务，例如理解和说措辞、图像识别、决策或翻译。

根据欧盟专家组的说法，人工智能系统是“人工设计的软件（可能还有硬件）系统，通过数据采集感知环境，网络构造化或阐明非构造化数据，从中得出结论，从而在繁芜的物理或数字尺度上发挥浸染。
或处理从这些数据中得到的信息，并决定适当的方法来实现指定的目标。
人工智能系统既可以利用符号规则，也可以学习数字模型，还能够剖析他们过去的行为对环境的影响，并相应地调度他们的行为。
”

弱/窄人工智能

与人类不同，人工智能常日只在高水平长进修和完成一项任务。
因此，这样的人工智能被称为弱人工智能或窄人工智能。
在他们的专业范围内，他们现在每每优于人类。
当前所有的人工智能系统都是弱人工智能。

通用/强AI

目前还不存在具有类人智能的人工智能，可以将其思想运用于许多不同的任务。
但这是人工智能研究的紧张目标。
这样的人工智能被称为通用人工智能。
常见但由于其哲学渊源而不太清楚的是术语强或真正的人工智能。
在德语中，偶尔也能找到翻译为通用人工智能。

超级人工智能

如果通用人工智能发展到各方面都超过人类，那么一个超级人工智能（Artificial Super Intelligence）就涌现了。
对付许多 AI 警告者来说，ASI（称为奇点）的涌现标志着人类可能的闭幕。
另一方面，一些人工智能专家希望超级人工智能能够办理人类面临的景象变革、穷苦和疾病等重大问题。

（2）人工智能的运用领域

根据管理咨询公司麦肯锡的说法，人工智能革命的大部分经济影响尚未到来。
但人工智能运用程序已经可以在工业和终极用户中找到，由已经可用的人工智能功能驱动。

目前的人工智能技能大致可以分为四个领域：根本技能、行业运用、终端用户，这里重点是赞助，还有娱乐领域和艺术领域。

支持技能是机器视觉和自然措辞处理、数字助理、机器人过程自动化和前辈的机器学习。
在这一领域，学术和工业研究定下基调并进一步发展人工智能。

在工业领域，人工智能软件有助于供应链管理、掩护、研发以及发卖和营销。
在线零售或搜索引擎等高科技行业利用人工智能算法更好地理解客户并向他们展示得当的产品和搜索结果。
亚马逊利用人工智能来运营完备没有收银员的杂货店。

终极消费者每天都利用数字助理，例如谷歌的 Assistant 或亚马逊的 Alexa，并通过面部识别解锁他们的智好手机。
人工智能还改进了现有做事，例如***游戏的图形打算或***和旧照片的升级。
与此同时，艺术家们创造了人工智能的创造能力，特殊是在利用 deepfakes 和底层 GAN 技能进行图像天生和修正。

（3）如何创建人工智能

有不同的方法来创建人工智能。
基本上，可以区分两种不同的方法：

所谓的“Good, Old-Fashioned AI”（GOFAI）主导了 AI 研究直到 1980 年代后期，并力求强 AI。
理念：人类思维由包含我们对天下知识的各个观点的逻辑组合组成。

SHRDLU是最早考试测验理解自然措辞的人工智能程序之一。
人工智能创建于 1968 年至 1970 年间，可以移动几何工具并在要求时供应有关它们的信息。

所谓的专家系统便是从这个想法中产生的，它将关于天下的大略信息打包成符号种别，并在逻辑结论中利用这些信息。

GOFAI 没能知足 AI 的厚望——第一个 AI 冬天破了。
研究经费被减少，项目被取消。
例如，如今，此类 AI 已用于流程自动化。

机器学习/机器学习/深度学习

当古人工智能研究的宠儿是机器学习，尤其是深度学习。

机器学习创建了利用数据来学习如何实行任务的打算机系统。
软件不是由开拓职员以编程代码的形式逐行给出指令，而是在第一次推送后连续独立编写代码并对其进行优化以得到更好的结果。

该研究学科目前最受欢迎的是所谓的深度学习：利用多层神经网络进行机器学习，以不断提高的准确性识别数据中的模式，从而学习人类偏好、识别物体或理解措辞。

机器学习驱动了大量当前的人工智能做事。
不管是谷歌、Netflix 还是 Facebook：学习算法提出建议、改进搜索引擎并让措辞助手供应答案。

人工神经网络

人工神经网络的灵感来自于人类大脑的基本图像：一种算法创建不同层的连接神经元或节点，它们相互交流信息。
神经网络的数学起源于 1943 年。

在最大略的情形下，该架构由输入层、中间隐蔽层和输出层组成。
输入旗子暗记由中间神经元最初随机天生的值进行修正，并通报到输出层。

一个大略的人工神经网络。
一个圆圈对应一个人工神经元，一个箭头表示一个神经元的输出与另一个神经元的输入的连接。
图片：Glosser.ca，彩色神经网络，CC BY-SA 3.0。

现在可以将输出与输入进行比较——预测是否精确？根据结果，修正中间神经元的值，并用新的输入重复该过程。
随着多次重复，预测变得越来越精确。

简而言之：神经网络是自我优化的算法。

深度学习

深度学习或深度学习是具有多个隐蔽层的神经网络的机器学习。

这些繁芜的神经网络最迟在 2012 年开始了他们的胜利之旅，当时这样的网络以压倒性上风赢得了ImageNet图像剖析竞赛。

深度神经网络的每一层都可以剖析自己的图像信息：边界、纹理和图案直至工具。

深度学习是近年来人工智能热潮的缘故原由，尤其是在图像识别、自动驾驶和深度造假方面。

更快的处理器和专用的人工智能芯片（如谷歌的 TPU）以及用于演习机器的大量数据使深度学习的打破成为可能。

天生对抗网络 (GAN)

GAN 由两个相互增强的神经网络（代理）组成。
两者都利用共同的数据集进行演习，例如照片。

一个代理创建与记录类似的内容，另一个将其与原始记录匹配。
将其识别为假造品会迫使假造代理改进其内容 - 直到它看起来属于演习数据集。

经由足够多的重复，一个假造大师涌现了：GAN 创造了看似真实的人、深度假造、街道或假模型。
他们写诗，创作音乐，创作昂贵的艺术品，将复古游戏变成高清版本。
自 2014 年推出以来，它们一贯在稳步改进。

黑匣子和可阐明的人工智能

机器学习有一个关键的缺陷：常日不清楚 AI 究竟是如何得出结果的。
深度神经网络非常繁芜，以至于不清楚各个层和神经元在 AI 处理中的浸染。

因此，人工智能系统常日被称为黑盒：一个位于输入和输出之间的玄色、不透明的盒子。

数据在前，结果在后。
两者之间发生的事情尚不清楚 - 这是黑匣子。
图形：冯克劳斯-自己的作品，CC-BY-SA 4.0，链接

可阐明人工智能研究部门的研究职员正试图深入研究这个黑匣子。
他们希望使完全的人工智能系统，或者至少是个人结果，对人们来说是可以理解的。

微软、IBM、谷歌或 Facebook 等科技公司也在开拓旨在揭示人工神经网络繁芜性的软件工具。
AI 研究员 Iyad Rawhan 即将呼吁建立一门研究智能机器行为的新学科。

（4）人工智能演习：这便是人工智能的演习办法

培训属于人工智能，如数学公式中的占位符。
但是你如何学习和演习完备取决于人工智能。
我将向您先容一些在AI 演习中利用的学习方法。

监督学习

在监督学习中，人工智能在其演习数据正在准备的意义上受到监督。
举个例子：如果一个AI要识别照片中的物体，在演习之前，所有的猫、汽车、树等都被标记在演习照片上。

人工为 AI 演习准备的图像示例。
图片：Samasource

这个标记过程（“标记”）非常耗时，但却是成功监督演习的根本——由于大量的人类准备事情，人工智能知道要探求哪些模式。

监督学习是目前广泛利用的大多数人工智能的背后，例如自动驾驶、人脸识别或在线搜索。
这些标签常日由低人为工人设置，近年来已成为一个环球性行业。

无监督或自监督学习/无监督学习

无监督学习是人工智能研究的希望。
与监督学习比较，数据的准备过程并不耗时：AI 吸收大量没有标签的数据，并独立搜索数据中的模式。

该方法有两个优点：首先，准备充分、广泛的数据集很少。
其次，人工智能可以创造对人类隐蔽的数据中的联系。

用人工智能研究员Yann LeCun的话来说是这样的：“如果说智能是一个馅饼，那么大部分馅饼便是无监督学习，结冰的是监督学习，而最主要的是强化学习。
”

与此同时，自我监督学习这一术语也得到了传播。
根据不雅观点，这是无监督学习的分外变体或同义词。
LeCun 已经宣告，今后他将只评论辩论自学习而不是无监督学习。

在自监督学习中，部分演习数据常日会被保留，AI 必须对其进行预测，例如句子中的下一个单词。
这迫使他们学习有关数据的主要细节，例如语义表示。

例如，自我监督学习用于AI 扩展，并在过去 1.5 年中实现了措辞 AI 的重大进步。
OpenAI 利用强大的GPT-2 算法的学习方法。
而微软已经用它演习了迄今为止最大的措辞 AITuring-NLG。

强化学习

强化学习依赖胡萝卜加大棒：只要 AI 成功完成任务，就会得到褒奖。
如果她错过了目标，她要么一无所获，要么受随处分。

通过这种反复试验的方法，人工智能在从初学者到专业人士的许多领域通过反复试验发展，例如在围棋和国际象棋、Dota 2、星际争霸 2或扑克中。
最近所有的成功都依赖于所谓的深度强化学习，强化和深度学习的结合。

迁移学习

迁移学习是指将学习到的 AI 技能运用于新的但干系的问题的演习方法。
一个例子是谷歌的图像识别人工智能 Inception，研究职员利用它来检测肺癌。

从长远来看，迁移学习可能会导致人工智能从伶仃的人才转向更大的灵巧性。
因此，对迁移学习的研究是对通用人工智能的主要贡献。

模拟学习

模拟学习利用演示作为AI 的培训材料。
例如，在电子游戏中，这可以是人类玩家在游戏中奋力拼搏的记录，也可以是机器人通过不雅观察人类动作进行学习的记录。

AI 良久没有玩过雅达利经典的《蒙特祖玛的复仇》，同时通过模拟学习将 AI定位到人类游戏动作中来实现。

与强化学习比较，模拟学习的一个上风是更大的灵巧性：在某些情形下，褒奖很难定义或实现。
纯粹的试错法不会让人工智能更进一步。
这便是人类演示的帮助，人工智能可以从中学习。

少镜头学习

在 AI 成功识别数据模式之前，常日须要无数示例。
所谓的 one-shot 和few-shot 学习方法可以帮助 AI学习一项新技能，类似于人类，利用更少的示例乃至只是一个示例。

英伟达的人工智能可以让人舞蹈、通报面部表情和天生街景。
全能者只须要几个例子，比如几张***主播的照片。
|***：英伟达

在实践中，人工智能无需大量培训即可学习新任务。
例如，三星研究职员仅通过几个例子就设法交流了人们的面孔。
以色列的一个研究小组乃至更进一步，开拓了一种无需事前辈行面部演习即可进行实时深度假造的方法。

对抗性学习

人工智能系统常日随意马虎受到所谓的“对手示例”的攻击。
专门从事图像剖析的 AI 可以通过最少的操作图像来欺骗。
人眼看不到的轻微像素偏移或某种水印常日就足够了。
可视恶意代码，如果你乐意的话。

然后，人工智能会识别出枪而不是乌龟，印有分外印花的 T 恤可以防止人脸识别，或者自动驾驶汽车溘然加速，由于它扫描了路标上的危险贴纸。

对抗性学习的研究领域试图使 AI 系统对像素攻击更具鲁棒性。
常日，用于此目的的系统是利用上述有害对手示例进行演习的。
这便是他们学会不爱上他们的办法。

当然，就像在许多其他网络安全场景中一样，众所周知的猫捉老鼠游戏在这里发生：如果一个安全漏洞被关闭，一个新的漏洞就会被打开。

（5）人工智能在数字化中的浸染

为了理解人工智能在数字化中的浸染，必须首先澄清数字化这个术语。
在德语中它具有双重含义，在英语中通过“数字化”和“数字化”这两个词更清楚地分开。

“数字化”是将纸质文件、缩微胶卷、照片或录音等仿照值/数据（自动）转换为适当的数字格式。

这使得数据可用于“数字化”过程：通过利用数字技能和数字化数据来启用、改进或转换业务模型和流程，并利用数据处理方法将其转换为可用知识。
本日用德语评论辩论数字化的人常日指的是这个过程。

从这个意义上说，数字化进一步导致了数字化转型：业务或其他组织流程、能力和模型的深刻转型，以便能够充分利用新的数字技能。

人工智能技能在这个过程中扮演着三重角色：例如，本日，它有助于通过图像和语音剖析将仿照数据数字化。
它还可以剖析大量数据——即“大数据”——并识别个中的模式。
为此，它常日接管数字化数据的演习、识别图像、处理自然措辞、在预测剖析领域进行预测、通过谈天机器人与客户和员工互动或在云边缘创建智能机器。

人工智能为数字化转型做出了重大贡献：新市场被打开，旧流程消逝或发生根本性变革，既定市场构造崩溃。
如果没有人工智能算法，就不会有谷歌、Facebook、Netflix、优步和亚马逊——至少不是我们所知道的公司形式。

物联网 (IoT)被认为是经济和社会数字化的关键驱动力和一部分。
物联网扩展了互联网的经典环球通信网络，例如终端用户的智能设备或工业设备的智能传感器，作为“通信伙伴”集成到环球网络中。
它们供应大量以前未开拓的数据，并将其供应给 AI 软件进行评估和掌握。

借助工业物联网 (IIoT)，所有机器、产品和流程都可以联网：短缺的材料自动订购，工件无缝流向下一台机器，空想地在缺点发生之前检测到 - 过程掌握变得更加透明和更随意马虎由于广泛的自动化，掌握，同时更高效。
这该当可以降落本钱并实现具有高度灵巧性的快速流程。

除了工业物联网之外，机器人技能在生产中的需求也特殊大：自动化须要付出很多努力才能在生产线中规范和安装机器人。
然而，每个机器人都是专家，其感知、运动和操作技能严重受限。
自动化不灵巧，本钱高昂，必须进行精确校准，仅对生产大量标准化产品的大公司才值得。

人工智能已经可以让更灵巧、更好地感知环境的机器人投入运行。
这是通过所谓的协作机器人实现的——小型且廉价的机器臂，可以编程并与人一起事情。
这种开拓使生产更加灵巧：协作机器人可以在事情站上临时利用，然后重新编程并在另一个位置连续事情。
这使得该技能对付以前无法包袱经典自动化的公司来说很有趣。

然而，工业 4.0 的紧张目标是更智能、更灵巧、更专注的机器人。
他们该当能够像人类一样灵巧地识别和处理工具 - 从而自动化生产过程的所有阶段。

“Lights-Out-Factory”该当使许多产品成为可能，这是一个完备自主的工厂，无需人工干预 - 因此不须要任何照明。
对付这些机器人，须要在人工智能研究方面取得进展，特殊是在物体识别和强化学习方面，这该当能让机器人快速学习新任务。

（6）人工智能：好处与风险

当前的 AI 运用程序实质上是统计方法，可以在存在大量数据且某些不准确性不会造成致命后果的地方利用。
在这些情形下，人工智能可以供应巨大的附加值：对付谷歌、百度或 Facebook 等利用人工智能来组织搜索结果或***提要的公司，或者对付利用人工智能来解锁智好手机、排序照片或翻译文本的终极消费者。

在须要更高准确性的情形下，当前的人工智能技能已达到极限：几年前就曾承诺通过自动驾驶汽车带来的移动性革命，但由于低级自动驾驶赞助系统的缺点导致事件仍旧发生。

在其他情形下，系统的不准确性被大略地忽略了：人工智能监控在环球范围内呈上升趋势，各国利用不准确的面部识别人工智能来打击犯罪或监控示威活动。
在种族偏见数据集上演习的人工智能系统会便是否该当保释提出建议。
银行中的类似系统决定谁有权得到贷款。

在忽略不准确性和预加载的情形下，就会涌现基于机器的算法无误的印象。
这有时会使受影响的人难以对决定提出异议。
无论是更准确的 AI 系统办理这些问题还是只是创建新问题，我都在本文中谈论了AI 监控的优缺陷。

深度造假与失落业

AI-fake *** - 所谓的deepfake- 正在越来越多地传播。
目前，该技能彷佛紧张用于娱乐和色情。
该技能偶尔会被骗子和特工利用。

然而，美国宦海人士警告称，2020 年美国大选中会涌现大量深度假造，因此Facebook或Twitter等大型社交媒体平台希望识别乃至删除政治深度假造。

另一个人工智能幽灵是大规模自动化：美国前总统候选人安德鲁·杨乃至呼吁供应基本收入，以武装美国社会应对他担心的与人工智能干系的大规模失落业。

目前，自动化彷佛暂时进展缓慢 - 然而，人工智能技能有可能取代那些传统上幸免于自动化的人。
个中包括行政、状师事务所、媒体以及创意领域的职位，尤其是在设计领域。

人工智能：经济奇迹还是我们的闭幕？

通用人工智能将人工智能的上风和风险转移到存在主义上：这将是对险些所有生活领域的大规模干预，也是社会、经济、教诲、医学和研究的一场革命。

它可能成为一种超级智能，可以为我们做任何事情，办理任何问题，并彻底改变民主。
这些潜力可能会驱动人工智能研究职员，直到他们的愿景实现——或者直到有证据表明他们的努力是不可能的。
Deepmind 或 OpenAI 等 AI 实验室正在探求一种通往 Super AI 的方法，有朝一日，它可以通过许多专门的单个 AI 项目绕道而行，将许多单独的组件组装成一个大型神经网络。

这些考试测验让那些将 GKI（更不用说超级智能）视为潜在生存威胁的人感到担忧。
例如，哲学家Nick Bostrom和 AI 研究员Stuart Russel警告说，人类将被过度智能的 AI 消灭。
如果你想以一种有趣的办法理解 Bostrom 的推理，你该当看看这个回形针仿照器。

AI 先驱 Yann LeCun 和神经生物学家 Anthony Zader 则比较轻松：两位专家认为 AI 缺少必要的***本能——压倒性的机器根本对人类的闭幕毫无兴趣。
两人得到认知研究员史蒂文平克的支持，他认为博斯特罗姆的恐怖是反乌托邦的胡说八道。