█ 到底什么是AI?
AI,是artificial intelligence的缩写。
Artificial,非常多朋友认字认半边,会以为是艺术(art)的什么形容词。并不然,artificial的意思便是“人工的、人造的”,和natural(天然的)是反义词。
Intelligence,这个不易认错,是“智能”的意思。英特尔(Intel)机构的名字,便是基于这个词的前五个字母。
结合起来,AI,便是“人工的、人造的智能”,用人为的手段,创造智能。
关于AI的定义,行业里有非常多种说法。比较学术化的一种,是这么说的:
AI,是科研、研发用于模拟、延伸和扩展人的智能行径的理论、办法、技术及应用系统的一门综合性科学。
这个定义很拗口,看得都头大。
其实,针对AI,咱们能够拆解来看。
首要,AI的本质属性,是一门科学,是一个技术行业。
它触及到了计算机科学、数学、统计学、哲学、心理学等多种学科的知识,但总体上,归类于计算机学科之下。
其次,AI的科研目的,是让一个“系统”具备智能。
这个“系统”,能够是一套软件程序,亦可以是一台计算机,乃至是一个设备人。
第三,什么样的水平,才叫做真正的智能。
这是问题的关键。日前看来,能够像人同样感知、理解、思考、判断、决策,便是实现了人工智能。
协同设备人、机械臂等理学载体,AI亦能够实现行动能力。
综合以上三点,理解AI的定义就比较容易了。
█ AI和普通计算机有什么区别?
AI,日前仍然是基于计算机的基本玩法,采用的是半导体芯片技术(因此经常会被叫作为“硅基”),以及计算机的有些体系和平台。
那样,它和传统的计算机程序,有什么区别呢?
传统的计算机程序,便是一个规则的集合。程序员经过代码通知计算机规则,计算机按照规则,对输入数据进行判断和处理。
例如经典的“if……else……(倘若……否则……)”语句——“倘若大于65岁,就离休。否则,继续上班”。
而后,计算机程序会按照这个规则,对所有输入年龄数据进行判断和处理。
然则,在现实生活中,非常多要素(例如图像和声音)是极为繁杂和多样的,咱们很难给出固定的规则,让计算机实现高准确率的判断和处理。
例如,判断一只狗是不是狗。
狗有非常多品种,每种狗有区别的颜色、体型、五官特征。狗在区别的时间,亦有区别的表情、姿势。狗还会处在区别的背景环境下。
因此,计算机经过摄像头捉捕到的狗的影像,是无穷尽的。很难经过有限数量的规则,去帮忙计算机做出判断。
想要让计算机实现像人同样的智能,不可采用简单的规则驱动,而是应该像教孩童同样,持续输入数据和答案,让他自动总结特征,形成自己的判断规则。
换言之,在经典的程序设计中,人们输入的是规则(即程序)和数据,系统输出的是答案。
而AI的计算过程,分为两个过程:
第1个过程,输入的是数据和预期得到的答案,系统输出的是规则。
第二个过程,将输出的规则应用于新的数据,而后再输出答案。
第1步,咱们能够叫作之为“训练”。第二步,才是真正“干活”。
这便是传统计算程序和此刻主流AI技术的一个典型区别。(重视,我说的是“此刻主流AI”。有有些“历史AI”和“非主流AI”,玩法不同样。不可一概而论。)
█ AI,有那些类别?
前面说了,人工智能是一个非常庞大的科学行业。
从1950年代正式诞生败兴,围绕人工智能,已然有非常多专家进行了海量的研究,亦输出了非常多非常了不起的成果。
这些科研,按照思路方向的区别,被分为了非常多种学派。比较有表率性的,是符号主义学派、联结主义学派、行径主义学派。
这些学派并无对错之分,相互之间亦有有些交叉融合。
初期的时候(1960-1990),符号主义(以专家系统、知识图谱为表率)是主流。后来,从1980年起始,联结主义(以神经网络为表率)崛起,始终到此刻,都是主流。
将来,亦许有新的技术崛起,形成新的学派,亦不必定。
除了方向路线之外,咱们亦能够从智能水平以及应用行业等方面对AI进行归类。
按智能水平,能够分为:弱人工智能(Weak AI)、强人工智能(Strong AI)、超人工智能(Super AI)。
弱人工智能只专精于单一任务或一组关联的任务,不具备通用智能能力。咱们日前就处在这个周期。
强人工智能更厉害有些,拥有必定的通用智能能力,能够理解、学习并应用于各样区别的任务。这个还处在理论和科研周期,还没落地。
超人工智能当然是最强的。它在几乎所有方面都超过人类智能,包含创造力、社交技能等。超人工智能是将来的终极形态,咱们假设它能够实现。
关于按应用行业的AI归类,咱们待会再说。
█ 什么是设备学习?
其实咱们前面介绍规则总结的时候,其实已然说到了设备学习。
设备学习的核心思想,是构建一个能够从数据中学习的模型,并利用这个模型来进行预测或决策。
设备学习不是一个详细的模型或算法。它包含了非常多种类型,例如:
监督学习:算法从带有标签的数据集中学习,即每一个训练样本都有一个已知的结果。
无监督学习:算法从无标签的数据集中学习。
半监督学习:结合了少量的带标签数据和海量的未带标签数据进行训练。
强化学习:经过试错的方式,学习那些行径能够得到奖励,那些行径会引起处罚。
█ 什么是深度学习?
深度学习,详细来讲,是深度神经网络学习。
深度学习是设备学习的一个重要分支。设备学习底下有一条“神经网络”路线,而深度学习,是加强版的“神经网络”学习。
神经网络是联结主义的表率。顾名思义,这个路线是模仿人脑的工作原理,创立神经元之间的联结模型,以此实现人工神经运算。
深度学习所说的“深度”,是神经网络中“隐匿层”的层级。
经典设备学习算法运用的神经网络,拥有输入层、一个或两个“隐匿层”和一个输出层。
深度学习算法运用了更加多的“隐匿层”(数百个)。它的能力更加强大,让神经网络能够完成更困难的工作。
设备学习、神经网络和深度学习的关系,经过下面的图能够看出:
█ 什么是卷积神经网络、循环神经网络?
神经网络从1980年代起始崛起之后,就形成为了非常多的模型和算法。区别的模型和算法,有着各自的特性和功能。
卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN),是1990年代上下诞生的比较知名的神经网络模型。
它们的详细工作原理比较繁杂。反正大众记住:
卷积神经网络(CNN)是一种用于处理拥有类似网格结构的数据(例如图像和视频)的神经网络。因此,它一般用于计算机视觉中,能够用来图像识别和图像归类。
而循环神经网络(RNN)是一种用于处理序列数据的神经网络,例如语言模型和时间序列预测。因此,它一般用于自然语言处理和语音识别。
█ 什么是transformer?
transformer亦是一个神经网络模型。它比卷积神经网络和循环神经网络更加青年(2017年由谷歌科研团队提出),亦更加强大。
做为非专业人士,不需要去科研它的工作原理,只需要晓得:
1、它是一种深度学习模型;
2、它运用了一种名为自重视力(self-attention)的机制;
3、它有效处理了卷积神经网络和循环神经网络的瓶颈(局限性)问题;
4、它很适合自然语言处理(NLP)任务。相比循环神经网络,它的计算能够高度并行化,简化了模型架构,训练效率亦大大提高;
5、它亦被扩展到了其他行业,如计算机视觉和语音识别。
6、此刻咱们经常说到的大模型,几乎都是以transformer为基本。
神经网络还有非常多种,我在网上找到一张图,供参考:
█ 什么是大模型?
这两年AI火,便是由于大模型火。那样,什么是大模型?
大模型,是拥有庞大参数规模和繁杂计算结构的设备学习模型。
参数,指的是在模型训练过程中,学习和调节的变量。参数定义了模型的行径、性能、实现的成本以及对计算资源的需要。简单来讲,参数是模型内部用来做出预测或决策的部分。
大模型,一般持有数百万至数十亿的参数。相对应的,参数少的,便是小模型。对有些细分的行业或场景,小模型亦够用。
大模型需要依赖大规模数据进行训练,对算力资源的消耗极重。
大模型有非常多种类别。一般所说的大模型,重点指的是语言大模型(以文本数据进行训练)。但实质上,还有视觉大模型(以图像数据进行训练),以及多模态大模型(文本和图像都有)。
绝大都数大模型的基本核心结构,都是Transformer及其变体。
按应用行业,大模型能够分为通用大模型和行业大模型。
通用大模型的训练数据集更加广泛,覆盖的行业更加全面。行业大模型,顾名思义,训练数据来自特定行业,应用于专门的行业(例如金融、医疗、法律、工业)。
█GPT的本质是什么?
GPT-1、GPT-2……GPT-4o,等等,都是美国OpenAI这家机构推出的语言大模型,一样都是基于Transformer架构。
GPT的全叫作,叫做Generative Pre.trained Transformer,生成式-预训练-Transformer。
Generative(生成式),暗示该模型能够生成连续的、有规律的文本内容,例如完成对话、创作故事、编写代码或写诗写歌等。
这儿刚好提一下,此刻常说的AIGC,便是AI Generated Content,人工智能生成内容。内容,能够是文本、图像、音频、视频等。
GPT系列面向文本,谷歌亦推出过竞品BERT。
文生图,比较有代表性的是DALL·E(亦来自OpenAI)、Midjourney(知名度大)和Stable Diffusion(开源)。
文生音频(音乐),有Suno(OpenAI)、Stable Audio Open(由Stability.ai开源)、Audiobox(Meta)。
文生视频,有Sora(OpenAI)、Stable Video Diffusion(由Stability.ai开源)、Soya(开源)。图亦能够生视频,例如腾讯的Follow-Your-Click。
AIGC是一个“应用维度”的定义,它不是一个详细的技术或模型。AIGC的显现,扩展了AI的功能,打破了此前AI重点用于识别的功能限制,拓宽了应用场景。
好了,继续解释GPT的第二个字母——Pre.trained。
Pre.trained(预训练),暗示该模型会先在一个大规模未标注文本语料库上进行训练,学习语言的统计规律和潜在结构。
经过预训练,模型才有了必定的通用性。训练的数据越庞大(如网页文本、资讯等),模型的能力就越强。
大众针对AI的关注热潮,重点源于2023年初的ChatGPT爆火。
ChatGPT的chat,是聊天的意思。ChatGPT是OpenAI基于GPT模型研发的一个AI对话应用服务(亦能够理解为GPT-3.5)。
经过这个服务,人们才能够亲身体验到GPT模型的强大,有利于技术的宣传和推广。
事实证明,OpenAI的策略成功了。ChatGPT充分吸引了公众关注度,亦成功推动了AI行业的发展热潮。
█ AI,到底能做什么?
AI的功效,极为广泛。
概括来讲,AI和传统计算机系统相比,能供给的拓展能力,包含:图像识别、语音识别、自然语言处理、具身智能等方面。
图像识别,有时候亦被归类为计算机视觉(Computer Vision,CV),让计算机具备理解和处理图像和视频的能力。平常的是摄像头、工业质检、人脸识别之类的。
语音识别,便是理解和处理音频,得到音频所搭载的信息。平常的是手机语音助手、tel呼叫中心、声控智能家居之类的,多用于交互场景。
自然语言处理,前面介绍过,便是使计算机能够理解和处理自然语言,晓得咱们到底在说什么。这个很火,多用于创造性的工作,例如写资讯稿、写书面材料、视频制作、游戏研发、音乐创作等。
具身智能,便是把人工智能搭载在一个理学形态(“身体”)上,经过与环境互动,来得到和展示智能。
带AI的设备人,属于具身智能。
斯坦福大学年初推出的“Mobile ALOHA”,便是一个典型的家用具身设备人。它能够炒菜、煮咖啡乃至逗猫,火热全网。
值得一提的是,并不是所有的设备人,都是人形设备人。亦不是所有的设备人,都用到了AI。
人形设备人
AI尤其善于对海量数据进行处理,一方面经过海量数据进行学习和训练,另一方面,基于新的海量数据,完成人工没法完成的工作。或说,找到海量数据中潜在的规律。
日前AI在社会各个垂直行业的应用,重点是围绕上面的能力进行延展。
咱们举有些平常的例子。
在医疗行业,AI已然能够用于分析X光片、CT扫描、MRI图像等,帮忙识别识别反常区域,乃至做出诊断判断。AI还能够用于识别组织切片中的细胞变异,辅助病理学家进行癌症筛查和其他疾患的诊断。
AI还能够分析病人的基因组数据,确定最适合的治疗方法。AI亦能够按照病人的病史和生理指标,辅助预测病情趋势。
在药物开发方面,AI能够帮忙模拟化学成份的相互功效,缩短新药开发周期。
出现严重的公共卫生事件时,AI能够分析流行病数据,预测疾患传播的趋势。
在金融行业,AI能够实时监测市场动态,识别潜在的市场危害,并制定相应的危害对冲策略。
AI还能够经过分析借款人的信用记录、收入状况、消费行径等多维度数据,评定信贷危害。当然,AI亦能够结合投资者的个人财务状况、危害偏好和收益目的,供给最合适的投资组合意见。
类似的例子实在是数不堪数。在工业制造、教育文旅、商场零售、农林牧渔、公共安全、政府治理等几乎所有行业,AI都已然有了实质的落地场景和案例。
AI正在改变社会,改变咱们每一个人的工作和生活。
█ 咱们应该怎样看待AI?
AI的商场和社会价值,是毋庸置疑的。它的崛起趋势,亦是不可阻挡的。
从企业的方向来讲,AI能够自动化重复性、繁琐的任务,加强生产效率和质量,同期降低生产成本和人力成本。
针对制造业和服务业来讲,这个优良至关重要,直接影响了企业的竞争力,乃至是存活。
从政府的方向来讲,AI不仅能够提高治理效率,亦能够带来新的商场模式、制品和服务,刺激经济。
强大的AI,亦是一种国家竞争力。在科技博弈和国防事业方面,倘若AI技术不如别人,可能会带来严重后果。
从个人的方向来讲,AI能够帮忙咱们完成有些工作,亦能够提高咱们的生活品质。
从全部人类的方向来讲,AI在疾患治疗、灾害预测、气候预测、消灭贫穷方面,亦能够发挥重要的功效。
但事物都是有两面性的。AI做为工具,既有利,亦有坏处。
最现实的一个坏处,便是可能会威胁到海量的人类工作岗位,引起海量失业。按照麦肯锡的科研,到2030年至2060年之间,大约50%的职业可能会逐步被AI取代,尤其是针对知识工作者而言。
照片来自《纽约客》杂志
除此之外,AI被用于发动战争、欺诈(模仿声音或换脸,进行诈骗)、侵犯百姓权益(信息过度采集、侵犯隐私)。
倘若仅有少许机构持有先进的AI技术,可能会加剧社会的不公平现象。AI的算法偏见,亦可能引起不公平。
AI变得越来越强大,亦会让人们产生对AI的依赖,失去独立思考和处理问题的能力。AI的强大创造力,有可能让人类失去创造的动力和自信心。
围绕AI的发展,还有安全(数据泄密、系统崩溃)、道德伦理等一系列问题。
所有这些问题,咱们日前都无可靠的处理方法。因此,只能在发展AI的过程中,一点点去探索、思考和处理。针对AI的警觉和防范之心,是必定要有的。
做为咱们普通人,日前最现实的做法,便是先认识它、学习它。先学会运用平常的AI工具和平台,帮忙自己提高工作效率,改善生活品质。
有句话说的好:“将来,淘汰你的不是AI,而是把握了AI的人”。与其焦虑,不如勇敢面对和积极拥抱,尽早把握主动权。
好啦,以上便是今天文案的所有内容。针对一个普通人来讲,晓得这些AI常识,便是拥抱AI的第1步。最少和别人聊天的时候,谈到AI,就不会一头雾水了。
感谢大众的耐心阅读,咱们下期再见!
|