什么是人工智能（AI）？人工智能（ArtificialIntelligence），英文缩写为AI。它是研究和开发模拟、延伸和扩展人类智能的理论、方法、技术和应用系统的一门新的技术科学。机器，尤其是计算机系统对人类智力过程的模仿被称为人工智能。专家系统、自然语言处理、语音识别和机器视觉是人工智能应用的一些典型应用。人工智能是如何工作的？随着人们对AI的热情不断高涨，企业一直在争先恐后地展示他们的商品和服务如何融入AI。他们所谓的人工智能，通常只是人工智能的一个组成部分，比如机器学习。人工智能需要专门的硬件和软件来编程和训练机器学习算法。目前没有任何一种编程语言是AI的同义词，但有一些脱颖而出，包括Python、R和Java。AI系统通常会消耗大量标记的训练数据，评估数据的相关性和模式，然后使用这些模式来预测未来状态。通过从数百万个实例中学习，给定文本聊天示例的聊天机器人可以学会与人进行真实的对话。相比之下，图像识别程序可以学习识别和描述照片中的项目。学习、推理和自我修正是人工智能编程所关注的三大认知功能。学习过程——AI编程的这个组成部分涉及收集数据和制定规则以将该数据转换为可用信息。这些规则称为算法，算法教会计算机设备如何逐步执行特定任务。推理过程——AI编程的这个领域与选择最佳方法来实现给定结果有关。自我修正程序——人工智能编程的这一功能旨在不断微调算法并确保它们提供最准确的结果。了解各种类型的AI分类由于AI研究旨在使计算机模仿人类的功能，因此AI系统可以复制人类技能的程度被用作AI分类的标准。因此，可以根据机器在多样性和性能方面与人类相比的好坏，将人工智能分为几类之一。在这样的系统中，能够以相当水平的能力执行更多类似人类功能的人工智能被认为是更先进的。相比之下，功能和性能受限的AI被认为更直接，进化程度更低。基于这个标准，人工智能一般分为两类。一种分类是基于人工智能和支持人工智能的机器人与人类思维的相似性，以及它们像人类一样“思考”甚至“感觉”的能力。根据这个分类系统，有四类人工智能或基于人工智能的系统：反应机器、有限记忆机器、心智理论和自我意识人工智能。反应式机器没有内存，并且是特定于任务的。就像深蓝一样，IBM的国际象棋软件在1990年代击败了加里卡斯帕罗夫。深蓝可以识别棋盘上的棋子并做出预测，但由于缺乏记忆，它无法用过去的经验影响未来的经验。有限的记忆——因为这些人工智能系统有记忆，它们可能会使用以前的经验来指导未来的判断。这就是自动驾驶汽车的一些决策机制的创建方式。心理理论是心理学中使用的一个词。当应用于人工智能时，这意味着机器具有理解情绪的社交智能。这种人工智能可以预测人类行为，推断人类意图，这是人工智能系统成为人类团队不可或缺的一员的必要能力。自我意识——此类人工智能系统具有自我意识，这赋予了它们意识。具有自我意识的机器知道它们当前的状况。目前，这种形式的人工智能并不存在。但是，技术术语中更常用的替代分类方案是将技术分类为：人工窄智能(ANI)、人工通用智能(AGI)和人工超智能(ASI)。狭义人工智能(ANI)这种形式的AI涵盖了所有现有的AI，包括有史以来最复杂、功能最强大的AI。狭义人工智能是指只能独立完成一项工作，同时表现出与人类相似的技能的人工智能系统。这些机器只能做它们设计的目的，赋予它们有限或窄范围的能力。根据上述分类，这些系统涉及具有所有反应性和有限记忆的人工智能。ANI甚至包括最先进的人工智能，它采用机器学习和深度学习来训练自己。通用人工智能(AGI)AI代理完全像人类一样学习、感知、理解和运行的能力称为AGI。通过模仿我们的多功能能力，人工智能系统将能够与人类媲美。这些系统将能够独立构建大量功能，并跨领域进行连接和概括，从而显着减少培训时间。人工超级智能（ASI）人工超级智能（ASI）的诞生无疑标志着人工智能研究的顶峰，因为ASI将成为地球上最具竞争力的智能形式。除了模仿人类智能之外，ASI将在他们所做的每一件事上做得更好，这要归功于显着增加的内存、更快的数据处理和分析以及更强的决策能力。AGI和ASI的进步将导致一种称为奇点的场景。虽然我们很想拥有如此强大的工具，但这些设备可能危及我们的生存，或者至少危及我们的生活方式。机器学习和深度学习有什么区别？机器学习是人工智能(AI)的一个子集或应用程序，它允许系统从经验中学习和成长，而无需编码到该级别。机器学习使用数据来学习并获得正确的结果。机器学习涉及创建读取数据并使用它来自我学习的计算机软件。深度学习是机器学习的一个子集，包括人工神经网络和递归神经网络。它使用算法及其方法来解决任何复杂的问题。算法的构建方式与机器学习相同。但是，还有更多的算法层。算法网络称为人工神经网络。简单来说，它模仿人脑的工作方式，因为大脑中所有的神经网络都是相连的，这就是深度学习的概念。简单统计学习、传统机器学习和具有各种隐藏层的神经网络的功率和数据量的关系深度学习是机器学习的一个子集2机器学习数据与深度学习数据有很大不同，因为它使用结构化数据。深度学习的数据格式非常不同，因为它使用神经网络(ANN)。3机器学习是人工智能发展的下一步深度学习是机器学习发展的下一步。本质上是指机器学习中的deep4，用几千个数据点和几百万个数据点组成大数据5输出：用于分类的分数等数值。从数字到自由文本和声音等自由形式的特征，任何内容都是可以接受的。6各种自动化算法用于将输入转换为模型函数并预测未来的行动。为了分析数据特征和关系，使用神经网络通过处理层发送数据。7数据分析师发现算法来评估数据集中的某些变量。一旦实现，算法在数据分析中本质上是自描述的。8机器学习通常用于在竞争中保持领先地位和学习新技能。深度学习用于解决具有挑战性的机器学习问题。https://www.researchgate.net/figure/Relationship-between-the-capabilities-and-amount-of-data-of-simple-statistical-learning_fig1_340134117。全球人工智能市场规模2021年全球人工智能(AI)市场价值870.4亿美元，预计到2030年将达到15,971亿美元，2022年至2030年的复合年增长率为38.1%。非同寻常且令人担忧的全球COVID-19与大流行前水平相比，所有部门对该技术的需求都高于预期。据估计，与2019年相比，2022年全球市场将增长150%。https://www.edureka.co/blog/ai-vs-machine-learning-vs-deep-learning/。增长因素技术创新一直是大多数行业的重要组成部分。近年来，数字技术和互联网的日益普及极大地推动了全球人工智能产业的发展。科技巨头在研发上的巨额支出不断推动各行业的技术进步。未来几年，汽车、医疗保健、银行和金融、制造、食品和饮料、物流和零售等多个终端使用领域对人工智能技术的需求不断增长，这可能会推动全球人工智能市场的发展。众多医疗设备的日益普及和新型电动汽车的自动驾驶能力正在显着推动全球人工智能市场。全球数字化趋势正在对市场增长产生有利影响。包括谷歌、微软、IBM、亚马逊、苹果在内的全球顶级IT巨头都在加紧推广和开发不同的人工智能应用。预计科技巨头为改善获取人工智能所做的努力将在预测期内推动全球人工智能市场的增长。在过去五年中，医药和医疗保健吸引了全球最多的人工智能私人投资（289亿美元）。
