有关信息技术的新名词含义,信息技术新名词的含义

人工智能 （AI） 是可以复制某些类型的人类智能的计算系统的开发、部署和维护。目前，计算机科学的这一方面专注于创建算法和编程机器学习 （ML） 模型，这些模型可以分析大量数据以获得洞察力并自主做出数据驱动的决策。

从本质上讲，人工智能计划结合了数学和计算神经科学的元素，以模拟和/或增强人类的思维过程。该研究领域的一个重要目标是研究如何使用技术来执行人类认为乏味或具有挑战性的认知任务。

人工智能被认为是一种颠覆性技术，因为它正在改变人们获取和处理信息、完成工作以及理解创造力和独创性本质的方式。

大多数人工智能定义都解释了使用人工智能来增强人类智能并帮助人们提高生产力的积极方面。

然而，应该指出的是，该技术的批评者表示担心，越来越强大的人工智能模型可能很快就会超过人类智能，并最终成为对人类的威胁。

人工智能不受控制的进步以及该技术加速超越人类控制的潜力有时被称为奇点。奇点成为现实的理论潜力只是政府、行业部门和大公司建立人工智能护栏以最大限度地降低风险并确保负责任地使用人工智能的原因之一。

如今，人工智能应用程序通常使用先进的机器学习算法和大量的计算能力来处理、分析和学习数据，以模仿人类认知的特定方面，如模式识别和归纳推理。

开发使用 ML 的 AI 模型的第一步涉及数据采集。具体数据类型将由 AI 的预期功能决定。例如，图像识别模型将需要大量的数字图像数据集。

收集数据后，数据科学家可以选择或开发算法来分析数据。算法本质上是指令集，是告诉计算机如何处理数据并得出输出的指令集。

许多机器学习算法（包括深度学习算法）都设计为迭代使用。他们接触到数据，做出预测/决策，然后收到反馈以调整他们的内部流程。允许算法随着时间的推移改进其输出的过程称为机器学习 （ML）。

学习过程可以是监督的，也可以是无监督的，这取决于数据的呈现方式以及人工智能编程要实现的目标。

通过监督学习，AI 模型从包含输入和所需输出的数据集中学习。通过无监督学习，该算法识别其接收的数据中的模式、关系或结构，然后使用分析来预测输出。

一旦 AI 模型能够以可接受的准确度范围可靠地预测看不见的训练数据的输出，就可以使用真实世界的数据对其进行测试。此时，模型将被重新训练或部署，并持续监控模型漂移。

机器学习和人工智能的区别

虽然 AI 和 ML 经常被用作同义词，但人工智能的含义是一个总称，而机器学习是人工智能的一个子集。从本质上讲，每个 ML 应用程序都可以称为 AI，但并非所有人工智能应用程序都使用机器学习。例如，基于规则的符号 AI 属于 AI 范畴，但它不是机器学习的真正例子，因为它不像 ML 那样从数据中学习。

当今的人工智能经常将机器学习与其他计算技术和技术结合使用。混合方法允许更细致、更强大的 AI 系统。

例如，深度学习是一种人工智能的迭代方法，它将机器学习算法堆叠在复杂性和抽象性日益增加的层次结构中。它是目前使用的最复杂的人工智能架构。

其他知名的人工智能技术包括：

• 生成式 AI

使用深度学习技术来分析文本、代码或多媒体内容的庞大数据集，然后使用预测建模来创建完全原创但风格一致的输出。

• 神经网络

受人脑的启发，神经网络由相互连接的节点组成，称为人工神经元。神经元分层工作，处理数据，识别模式，并做出决定。每一层转换输入数据，使用权重产生输出。卷积神经网络(CNN)和循环神经网络(RNN)等变体分别为图像识别和序列数据分析等特定任务量身定制。

• 一般对抗网络

两个人工智能模型玩一个“游戏”，要求一个模型生成真实的数据，另一个模型判断数据是真的还是假的。游戏继续进行，直到第二个模型不能再判断数据是真实的还是深度伪造的。

• 机器人

机器人技术中的人工智能技术使物理机器人能够自主或半自主地执行任务。它们包括可以执行手术的医疗机器人，用于制造、送货和监视无人机的工业机器人，以及可以帮助做家务的机器人助手。

• 自然语言处理 （NLP） 和自然语言理解 （NLU）

NLP 和 NLU 技术允许机器阅读、理解和解释人类语言。这些技术与机器学习结合使用，以支持语音转文本应用程序、Google Cloud Translation 等语言翻译应用程序，以及使用生成式 AI 的对话代理的文本分析。NLP 提供了处理语言的工具，而 NLU 则专注于从处理后的数据中获取含义。

• 计算机视觉

计算机视觉技术使机器能够根据视觉数据进行解释和决策。应用范围从面部识别系统和医学图像分析到实现物理安全源的实时分析。

• 面部识别

分析和比较来自图像或视频馈送的面部特征模式，以识别或验证特定个体的身份。

• 语音识别

通过分析声波，识别模式，并将其与从训练数据中学习的模式相匹配，将口语单词转换为文本。

• 声音识别

分析声波并将声音模式与用户提供的训练数据相匹配。

• 专家系统

专家系统是模仿特定领域人类专家的计算机程序。他们依靠预先编程的知识和规则来解决问题。

人工智能可以分为弱人工智能或强人工智能。今天使用的所有人工智能都被认为是弱人工智能。

弱人工智能，也称为狭义人工智能，能够执行有限数量的预定功能。

即使是像谷歌 Gemini和 ChatGPT 这样强大的多模态 AI 聊天机器人，仍然是一种弱人工智能。这两个大型语言模型 （LLM） 系列必须编程如何响应用户提示，如果它们要用于新任务，它们将需要更多的编程。

强人工智能尚不存在，但研究人员和人工智能倡导者对两种不同类型的强人工智能表示了兴趣：通用人工智能（AGI）和人工智能超级智能。

通用人工智能是一种具有人类水平智能的假设类型的人工智能。从理论上讲，AGI将能够以跨学科的方式在所有领域学习、推理和解决问题。该技术将能够自主响应新型的外部刺激，而无需明确的编程。

超级智能是科幻小说中经常描述的假设人工智能类型。这种类型的人工智能将远远超过AGI的能力，并且比人类更聪明。

需要注意的是，目前还没有开发出AGI或超级智能系统，专家们对何时（甚至是否）实现它们仍然存在相当大的争论。超级智能的消极和积极影响是人工智能社区和整个社会争论的主题。

人工智能模型也可以根据其决策能力和认知复杂程度进行分类。

• 反应式人工智能

反应式 AI 模型是一种弱 AI，它依靠实时数据做出决策。模型输出仅基于当前会话的输入。IBM的“深蓝”（Deep Blue）在世纪之交击败了国际象棋冠军加里·卡斯帕罗夫（Garry Kasparov），是反应式人工智能的一个例子。编程可以评估当前会话中可能的动作及其结果，但它对过去的比赛一无所知。

• 有限记忆人工智能

有限记忆AI是一种弱AI，它依赖于存储的数据来做出决策。垃圾邮件过滤器使用有限记忆AI。首先，该程序使用监督学习来分析大量之前被识别为垃圾邮件的电子邮件消息。然后，它利用这些信息来识别并过滤出具有相似特征的新邮件。

• 心智理论人工智能

与一般人工智能一样，心智理论人工智能是一种假想的强人工智能。从本质上讲，这种类型的人工智能将能够在做出决策时考虑用户意图等主观因素。

• 自我意识人工智能

自我意识AI是另一种假想的强AI。具有自我意识的人工智能模型将拥有自己的意识、情感和自我意识。

人工智能技术正在简化各个业务部门的业务运营并提高效率，但它也要求员工提高技能并适应工作场所中的新角色和职责。

随着日常任务的自动化，预计劳动力将转向人工智能技术无法履行的更多分析、创造性和监督角色。希望这种转变不仅能提高员工的生产力，还能让员工专注于战略和创造性的任务，为企业增加更大的价值。

人工智能实时分析大量数据的能力使企业能够为特定的客户群定制他们的产品，并比以往任何时候都更有效地识别增长和改进的机会。人工智能在业务运营中的整合也正在改变营销参与策略。提供 24/7 全天候交互式客户服务的个性化推荐和聊天机器人使公司能够提供前所未有的客户支持水平。

随着人工智能成为商业应用的标准技术，人们越来越关注其道德使用、收益和风险。

合乎道德地使用人工智能需要仔细考虑和管理这些风险，以确保以有益于社会的方式使用该技术，并且不会加剧不平等或伤害个人或群体。

人工智能还引入了复杂的法律考虑因素，企业必须谨慎行事。这些问题包括与数据隐私、人工智能偏见和人工智能对就业的影响及其对社会的影响有关的问题。

当人工智能系统做出有害决策时，确定谁负责可能具有挑战性，特别是对于输出具有数百甚至数千个依赖关系的复杂人工智能系统。例如，当人工智能驱动的自动驾驶汽车发生事故时，确定谁应该承担责任——开发商、公司或用户——是一项重大挑战。如果车辆的运行受到恶意软件攻击的影响，情况就更加复杂了。

越来越明显的是，公司需要建立明确的指导方针和最佳实践，以确保员工对人工智能增强技术的使用符合公司政策。

下面列举了人工智能双刃剑性质：

优点

• 效率和生产力的提高
• 增强问题解决能力
• 个性化体验
• 创新与突破

缺点

• 工作岗位流离失所
• 算法偏差
• 侵犯隐私
• 缺乏透明度和问责制

随着人工智能应用越来越多地融入电子商务、农业、医疗保健和金融等关键领域，分享最佳实践和采用标准化人工智能框架（如NIST的人工智能风险管理框架和谷歌SAIF）的需求从未如此之大。

为了降低开发和/或使用人工智能的经济和社会风险，世界上许多国家正在制定新的政策、法律和法规。

以下是目前正在实施的一些举措的简短列表：

• 欧盟人工智能法案

第一个由政府机构批准的综合监管框架。该立法根据人工智能带来的风险水平，为人工智能提供商和用户制定了明确的规则。它还要求使用生成式 AI 创建的内容符合透明度要求和欧盟版权法。

• 拜登关于安全、可靠和值得信赖的人工智能的行政命令

旨在保护美国人免受人工智能系统带来的潜在风险，同时促进创新、公平、隐私和美国在全球的领导地位。

• 加拿大人工智能战略

建立正式的人工智能战略，该战略有三个支柱:人工智能技术的商业化、标准的建立以及对人工智能人才和研究的需求。

• 中国新一代人工智能发展规划

概述了中国到2030年成为全球人工智能领导者的雄心勃勃的目标。

• 印度的人工智能国家战略

概述了如何确定将产生最大社会影响的人工智能应用，以及如何利用其他国家在道德和安全使用人工智能方面的经验。

• 日本的人工智能技术战略

以研究、社会和产业为重点，促进人工智能发展。鼓励在各个部门开发和使用人工智能技术，而不强加特定部门的任务。

• 韩国的人工智能国家战略

由人工智能三个领域的 100 项政府行动任务组成：人工智能技术开发、培育人工智能生态系统以及确保负责任和合乎道德的人工智能使用。

人工智能技术的开发、部署和使用来自动化繁琐的任务并最大限度地提高个人和专业生产力将需要行业标准和监管监督，以平衡创新与人工智能的负责任使用。