跳到内容

照亮世界的知识

什么是人工智能?你不知不觉中在使用的 7 个日常示例

人工智能、机器学习和大型语言模型之间有什么区别?人工智能已经如何出现在你的日常生活中,从你的手机到银行。

什么是人工智能?你不知不觉中在使用的 7 个日常示例

人工智能(AI)是让计算机执行通常需要人类智能的任务的技术的统称,例如视觉、理解语言、做出决策和学习。该术语于 1956 年在美国达特茅斯会议上首次使用,但随着数据和计算能力的增长,当今的飞跃发生在过去十五年里。

概念:人工智能、机器学习、深度学习

  • 机器学习:与其一条条地编写规则,不如向计算机展示许多示例,让它自己寻找模式。
  • 深度学习:受大脑启发的具有多层人工神经网络的学习。它在图像和语音识别方面带来了重大突破。
大型语言模型:在大量文本上训练的模型,能够编写、回答问题和翻译。

你不知不觉中使用的 7 个示例

  1. 你的手机摄像头:夜间模式、人像虚化和人脸检测均由人工智能驱动。
  2. 导航:交通预测和最快路线计算依赖于从历史数据和实时数据中学习的模型。
  3. 推荐:你观看的系列节目、听到的歌曲以及看到的推荐产品。
  4. 垃圾邮件过滤器:将不需要的邮件挡在收件箱之外的分类器。
  5. 银行:标记异常卡片交易的欺诈检测系统。
  6. 翻译和字幕:即时翻译应用程序和自动字幕。
  7. 语音助手:将语音转换为文本并理解命令的系统。

限制与风险

人工智能系统的好坏取决于它们赖以学习的数据。它们可能会重复该数据中的偏见,并在听起来很自信的同时产生错误的信息。这就是为什么健康、法律和金融等领域的成果应该由专家进行检查。保护个人数据和发现虚假内容(深度伪造)也是当前争论的话题。

结论

人工智能不再是科幻梦想;它无处不在,从口袋里的手机到你的银行。充分理解它是既能受益于其机遇又能意识到其风险的第一步。

人工智能的学习机制与过程

人工智能系统的发展根本上基于发现数据中隐藏的模式。这个过程发生在系统分析为其提供的大量信息以得出特定规则时。就像人类通过经验学习一样,这些系统使用数学模型,通过从错误中学习来改善其结果。在学习阶段,系统计算输入与预期输出之间的差异,并不断更新其内部参数以最小化该差异。

这个循环过程增强了系统在新的和以前未见过的情况做出准确预测的能力。例如,对象识别系统通过分析数千张不同图像中的边缘、颜色和纹理,学习辨别对象是什么。这表明系统不仅在死记硬背,而且在掌握数据的整体结构。因此,即使面对从未遇到过的图像,系统也可以根据其学到的通用特征做出逻辑推断。

学习过程进一步分为监督式和非监督式方法。在监督式方法中,输入和正确答案都提供给系统;系统旨在通过学习这些配对在类似情况下提供正确的答案。在非监督式方法中,系统尝试在没有任何外部指导的情况下在数据中寻找相似性和分组。这两种方法使人工智能既能专注于特定任务,又能发现复杂数据集中的隐藏关系。

狭义人工智能与通用人工智能的区别

今天遇到的人工智能应用都属于狭义人工智能的范畴。狭义人工智能由设计和训练为仅执行特定任务的系统组成。这些系统在其专业领域内可以表现出人类水平的性能,有时甚至超越人类的能力。然而,这些能力受到严格限制;例如,一个能够击败世界国际象棋冠军的系统无法执行基本的人类任务,例如阅读和理解一封简单的电子邮件或提供烹饪食谱。

通用人工智能是一个仍处于理论阶段的概念,旨在实现人类智能所具备的多功能性。具有通用人工智能的系统能够在没有任何先前训练的情况下学习新技能,建立抽象概念之间的联系,并通过综合来自不同学科的知识来为复杂问题产生解决方案。这一水平的智能不仅拥有数据处理能力,还拥有常识和情境理解能力。

这两个概念之间的根本区别在于认知灵活性和适应能力。狭义人工智能在定义的边界内完美工作,而通用人工智能设想了一种可以超越这些边界并设定自己的学习目标的结构。尽管当前的ТехнолоGические进步使狭义人工智能功能更加强大,但达到通用人工智能所需的意识和真正的理解能力仍然是科学辩论的核心。

生成式人工智能与数字创意

生成式人工智能定义了超越分析现有数据以创建全新内容的系统。这些模型利用其训练所在数据集中的统计概率,产生文本、图像、音频或视频等输出。系统通过计算哪个词更有可能跟随另一个词或图像中的像素应该如何排列来创建有意义的整体。这个过程本质上是一个海量的概率计算机制。

在数字创意的背景下,这些技术正在从根本上改变艺术和设计过程。用户仅使用几个描述性词语就可以创建复杂的视觉效果,或者让文本以特定作者的风格编写。然而,这带来了关于创意定义的新辩论。人工智能执行的操作不是真正的灵感的产物,而是对现有人类作品的高级综合和重新排列。

生成模型的成功取决于数据集的多样性和深度。它们训练所用的文化和技术数据池越广泛,其结果就显得越自然、越令人印象深刻。当这些系统在人类创意过程中被用作工具时,它们通过加速构思和起草阶段来提高效率。因此,人类创造力与机器处理能力之间出现了一种新的协作模式。

工业应用与智能自动化

人工智能使工业生产过程中能够建立智能系统,超越了传统的自动化。传统的自动化重复预定义的固定命令,而智能自动化可以通过分析从环境中接收到的数据做出实时决策。这使工厂中的生产线能够自我优化,并将误差范围降至最低。

特别是预测性维护应用,是工业中最大的收获之一。机器通过传感器发出的振动、温度和声音数据由人工智能不断监控。系统在故障发生很久之前就检测到机器正常运行模式的微小偏差并发出警告。通过这种方式,可以防止计划外停机并显着降低维护成本。

在物流和供应链管理中,人工智能通过需求预测和路线优化来提高效率。分析消费习惯和季节性影响的模型使库存管理自动化,从而防止浪费。在仓库中运行的自主车辆通过计算最短路径来缩短产品的运输时间并加速运营过程。

数据处理与准备阶段

人工智能系统的成功直接取决于所使用的数据质量及其处理方式。原始数据通常包含噪声、缺失或不正确的信息;因此,数据在进入模型训练之前必须经历某些阶段。用不正确或劣质数据训练的模型容易产生错误结果,这消除了系统的可靠性。

  • 数据收集:从各种来源收集原始信息的过程。
  • 数据清洗:删除不正确、重复或丢失记录的过程。
  • 数据标注:向数据添加有意义的定义,以便模型能够学习。
  • 数据划分:将数据划分为训练集和测试集的过程。
  • 数据审核:检查输出的准确性和公正性的过程。

数据准备是人工智能开发过程中最耗时且最关键的部分。特别是标注阶段是一项密集的努力,通常需要人类专业知识。例如,为了训练医学影像系统,必须由专业医生标记数千张 X 光图像。这种细致的准备过程确保了模型在现实场景中以高精度工作。

人机协作模型

人工智能的未来不是定位为人类的替代品,而是定位为增强人类能力的支持机制。这种方法旨在将人类在战略思维、伦理评估和情商方面的能力与机器的速度、数据处理和分析能力结合起来。由此产生的协同作用可以产生在解决复杂问题时人类或机器单枪匹马无法实现的成果。

人类监督的循环至关重要,尤其是在关键决策过程中。虽然人工智能从数百万个数据点中过滤并呈现最可能的选项,但最终决定和道德批准是由人类专家给出的。该模型降低了系统错误的风险,同时减轻了人类决策者的认知负荷。因此,专家们从常规数据处理任务中解放出来,可以专注于更有创意和战略性的领域。

这种新的协作模式需要在商业世界中发展新的能力。仅具备技术知识已不再足够;能够正确指导人工智能系统并将其输出通过批判性过滤成为一项基本技能。这种人机互补的结构,是技术发展转化为社会效益的最健康途径。

分享
关注 YulaHub第一时间获取当天最重要的新闻。
RSS

发表评论

您的电子邮箱地址不会被公开。必填项已用 * 标注