究竟什么是人工智能（AI）？

　　人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

　　機器，特別是計算機系統對人類智力過程的模仿被稱為人工智能，專家系統、自然語言處理、語音識別和機器視覺是人工智能應用的幾個典型應用。

　　人工智能是如何工作的？

　　隨著圍繞 AI 的熱情不斷增長，企業一直在爭先恐后地展示他們的商品和服務如何包含 AI。他們所說的人工智能通常只是人工智能的一個組成部分，比如機器學習。AI 需要專門的硬件和軟件來編寫和訓練機器學習算法。目前沒有一種編程語言能夠成為 AI 的代名詞，但有少數是比較突出的，包括 Python、R 和 Java。

　　人工智能系統通常會消耗大量標記的訓練數據，評估數據的相關性和模式，然后使用這些模式來預測未來狀態。通過學習數百萬個實例，給出文本聊天示例的聊天機器人可以學會與人類進行逼真的對話。相比之下，圖像識別程序可以學習識別和描述照片中的項目。

　　學習、推理和自我糾正是人工智能編程關注的三個認知功能。

　　學習過程——人工智能編程的這個組成部分涉及收集數據和制定將數據轉換為可用信息的規則。這些規則稱為算法，算法教計算機設備如何逐步執行特定任務。

　　推理過程——人工智能編程的這一領域與選擇最佳方法來實現給定結果有關。

　　自我校正程序——人工智能編程的這一功能旨在不斷微調算法并確保它們提供最準確的結果。

　　了解各種類型的人工智能分類

　　由于人工智能研究旨在使計算機模仿人類的功能，因此人工智能系統可以復制人類技能的程度被用作人工智能分類的標準。因此，可以根據機器在多樣性和性能方面與人類的比較情況，將人工智能分為幾類之一。

　　在這樣的系統中，能夠執行更多類似人類功能并具有相當能力水平的人工智能被認為是更先進的。相比之下，功能和性能受限的 AI 被認為更直接且進化程度更低。

　　基于這個標準，人工智能通常分為兩類。一種分類是基于人工智能和支持人工智能的機器人與人類思維的相似性，以及它們“思考”甚至“感覺”像人類的能力。根據這個分類系統，有四類人工智能或基于人工智能的系統：反應性機器、有限記憶機器、心智理論和自我意識人工智能。

　　反應式機器沒有內存并且是特定于任務的。如深藍，這是 1990 年代擊敗加里卡斯帕羅夫的 IBM 國際象棋軟件。深藍可以識別棋盤上的棋子并做出預測，但由于缺乏記憶，它無法利用過去的經驗來影響未來的經驗。

　　有限的記憶——因為這些人工智能系統有記憶，它們可能會利用以前的經驗來指導未來的判斷。這就是自動駕駛汽車的一些決策機制是如何創建的。

　　心理理論是心理學中使用的一個詞。當應用于人工智能時，這表示機器具有理解情緒的社交智能。這種人工智能可以預測人類行為并推斷人類意圖，這是人工智能系統成為人類團隊不可或缺的成員的必備能力。

　　自我意識——這一類的人工智能系統有一種自我感覺，這賦予了他們意識。具有自我意識的機器知道他們目前的狀況。目前，這種形式的人工智能還不存在。

　　不過，在技術術語中更常用的替代分類方案是將技術分類為：人工狹義智能 (ANI)、人工通用智能 (AGI) 和人工超智能 (ASI)。

　　狹義人工智能 (ANI)

　　這種形式的人工智能涵蓋了所有現存的人工智能，包括迄今為止構建的最復雜和最有能力的人工智能。狹義人工智能是指人工智能系統只能獨立完成一項工作，同時表現出與人類相似的技能。這些機器只能完成它們的設計目標，賦予它們有限或狹窄的能力范圍。根據上述分類，這些系統涉及所有反應性和有限記憶的人工智能。ANI 甚至包括最先進的人工智能，它采用機器學習和深度學習來訓練自己。

　　通用人工智能 (AGI)

　　人工智能代理完全像人類一樣學習、感知、理解和運作的能力被稱為通用人工智能。通過模仿我們的多功能能力，人工智能系統將具有與人類同等的能力。這些系統將能夠獨立構建大量能力，并跨領域建立聯系和概括，從而顯著減少培訓時間。

　　超級人工智能 (ASI)

　　人工超級智能 (ASI) 的誕生無疑將標志著人工智能研究的巔峰，因為 ASI 將成為地球上最具競爭力的智能形式。除了模仿人類智力之外，由于內存大大增加，數據處理和分析速度更快，決策能力更強，ASI 在它們執行的所有方面都將更加出色。AGI 和 ASI 的進步將導致一種稱為奇點的場景。雖然擁有如此強大的工具可供我們使用很誘人，但這些設備可能會危及我們的生存，或者至少危及我們的生活方式。

　　機器學習和深度學習有什么區別？

　　機器學習是人工智能 (AI) 的一個子集或應用，它允許系統從經驗中學習和成長，而無需編碼到該級別。機器學習使用數據來學習并獲得正確的結果。機器學習涉及創建讀取數據并利用它從自身學習的計算機軟件。

　　深度學習是機器學習的一個子集，包括人工神經網絡和循環神經網絡。它使用算法及其方法來解決任何復雜的問題。算法的構建方式與機器學習相同。但是，還有更多層的算法。該算法的網絡被稱為人工神經網絡。用更簡單的術語來說，它模擬了人類的大腦工作模式，因為大腦中的所有神經網絡都是相連的，這就是深度學習的概念。

　　簡單統計學習、傳統機器學習和具有各種隱藏層的神經網絡的能力和數據量之間的關系

　　下表將機器學習與深度學習進行了比較：

　　機器學習 深度學習

　　1 機器學習是深度學習的超集 深度學習是機器學習的一個子集

　　2 機器學習數據與深度學習數據有很大不同，因為它使用結構化數據。 深度學習的數據格式有很大不同，因為它使用了神經網絡 (ANN)。

　　3 機器學習是人工智能發展的下一步 深度學習是機器學習發展的下一步。本質上，它指的是機器學習的深度

　　4 機器學習中使用了數千個數據點 數百萬個數據點構成大數據

　　5 輸出：數值，例如分數分類。 從數字到自由文本和聲音等自由格式特征的任何內容都是可以接受的。

　　6 各種自動化算法用于將輸入轉換為模型函數并預測未來的行動。 為了分析數據特征和關系，使用了通過處理層發送數據的神經網絡。

　　7 數據分析師發現算法來評估數據集中的某些變量。 一旦實施，算法本質上是在數據分析中自我描述的。

　　8 機器學習通常用于在競爭中保持領先并學習新技能。 深度學習用于解決具有挑戰性的機器學習問題。

　　https://www.researchgate.net/figure/Relationship-between-the-capabilities-and-amount-of-data-of-simple-statistical-learning_fig1_340134117

　　全球人工智能市場規模

　　2021 年，全球人工智能 (AI) 市場價值870.4 億美元，預計到 2030 年將達到15,971 億美元，2022 年至 2030 年的復合年增長率為 38.1%。全球 COVID-19 大流行非同尋常且令人震驚，與大流行前的水平相比，這項技術在所有領域的需求都高于預期。據估計，與 2019 年相比，2022 年全球市場將增長150% 。

　　https://www.edureka.co/blog/ai-vs-machine-learning-vs-deep-learning/

　　成長因素

　　技術創新一直是大多數行業的重要組成部分。近年來，數字技術和互聯網的日益普及極大地促進了全球人工智能產業的發展�？萍季揞^在研發方面的巨額支出正在不斷推動各個行業的技術進步。汽車、醫療保健、銀行和金融、制造、食品和飲料、物流和零售等多個最終用途領域對人工智能技術的需求不斷增長，這可能會在未來幾年推動全球人工智能市場。

　　眾多醫療設備的日益普及以及新型電動汽車的自動駕駛能力正在顯著推動全球人工智能市場的發展。全球數字化趨勢正在對市場增長產生有利影響。包括谷歌、微軟、IBM、亞馬遜和蘋果在內的全球頂級 IT 巨頭正在加大力度推進和開發不同的人工智能應用。預計科技巨頭在改善人工智能訪問方面的努力將在預測期內推動全球人工智能市場的增長。

　　在過去五年中，醫學和醫療保健吸引了全球最多的人工智能私人投資(289 億美元)

　　https://www.precedenceresearch.com/artificial-intelligence-market

　　人工智能重要的市場發展

　　Advanced Micro Devices 和 Oxide Interactive 于 2020 年 4 月達成戰略合作，為云游戲市場開發圖形技術。

　　2019 年 12 月，英特爾完成了對以色列深度學習公司 Habana Labs 的收購，以提升其人工智能產品組合。

　　2019 年 9 月，IBM 宣布與位于法國的醫學影像公司 Guerbet 合作，創建基于人工智能的癌癥監測和診斷系統。

　　垂直領域的主要人工智能推動者

　　汽車行業：人工智能幾乎被用于全球汽車制造過程的各個方面。通過機器人組裝車輛的第一批螺母和螺栓，或者在使用機器學習和視覺來安全導航交通的自動駕駛汽車中，可以看到人工智能發揮其魔力。

　　以下是創新機械和人工智能技術如何提高汽車行業效率的一些探索者：

　　Motional

　　Refraction AI

　　Optimus Ride

　　Waymo

　　Zoox

　　AutoX

　　SapientX

　　CarVi

　　https://www.researchandmarkets.com/reports/5402710/in-cabin-automotive-ai-market-a-global-and

　　計算機視覺：全球的計算機視覺公司正在通過讓深度學習和機器學習“讓計算機看到”來推動人工智能的發展與應用。雖然 AI 愿景越來越受到關注，但不僅僅是大型 IT 公司在嘗試尖端 AI 技術。相反，一些計算機視覺初創公司和小公司為人工智能的廣泛落地和使其應用向公眾開放做出了重大貢獻。

　　以下是 2022 年的一些計算機視覺巨頭：

　　SenseTime

　　MegVii

　　viso.ai

　　NAUTO

　　Verkada

　　Tractable

　　Airobotics

　　Hawk-Eye Innovations

　　https://www.researchandmarkets.com/reports/5350928/ai-in-computer-vision-market-with-covid-19-impact

　　醫療保健：醫療保健中的人工智能是指使用復雜的算法和軟件或人工智能 (AI)，在分析、解釋和理解復雜的醫療保健數據時模仿人類認知。前十大最佳人工智能醫療保健公司預計將引領全球醫療保健人工智能市場，預計到2025 年將達到 280 億美元。

　　以下是在醫療AI領域的領先企業：

　　Subtle Medical

　　NetBase Quid

　　BioSymetrics

　　Sensely

　　InformAI

　　Owkin

　　Binah.ai

　　Oncora Medical

　　https://www.researchandmarkets.com/reports/5451294/global-ai-in-healthcare-market-2021-2027-by

　　神經網絡：是模擬人類如何發現模式、發展新能力和解決問題的經驗數學模型。當超過電閾值時，哺乳動物大腦中的一個神經元被激活并“激發”另一個神經元。主要代表企業如下：

　　Google

　　IBM

　　Intel

　　Microsoft

　　Qualcomm

　　OpenAI

　　NeuralWare

　　機器人技術：隨著工作性質的發展，自動化方法也在發展。RPA、認知和人工智能可以使企業運營更具創新性和效率。主要代表如下：

　　Miso Robotics

　　Piaggio Fast Forward

　　UiPath

　　Brain Corp

　　Hanson Robotics

　　Starship Technologies

　　Elroy Air

　　Neurala

　　Sea Machines

　　語音處理：語音和語音識別技術支持對各種設備和設備進行非接觸式控制，為自動翻譯提供輸入并創建可打印的聽寫。語音識別設備可以識別并響應語音指令。代表企業如下：

　　Nuance Communications

　　Google LLC

　　Amazon.com

　　Apple

　　IBM Corporation

　　Microsoft Corporation

　　Baidu

　　iFLYTEK

　　Sensory

　　LumenVox LLC

　　自然語言處理：提供自然語言處理的公司使用人工智能和語言來閱讀和分析內容。NLP 企業處于使用人工智能技術更好地理解語言的最前沿。NLP 模型可以成功地總結數十萬行文本，同時發現語言的細微之處。主要領先代表如下：

　　Google Cloud

　　AWS

　　IBM Corporation

　　Microsoft

　　Intel

　　SoundHound

　　機器學習 (ML)：機器學習 (ML) 是一種人工智能 (AI)，它支持軟件在預測結果方面變得越來越準確，而無需專門設計。這些 IT 巨頭通過其流行的云平臺提供 AI 和 ML，從而推動行業發展，允許企業將 AI 整合到應用和系統中，而不會產生內部開發的成本。主要的代表企業如下：

　　Amazon Web Services

　　Google Cloud Platform

　　IBM Cloud

　　Microsoft Azure

　　Alibaba Cloud

　　Salesforce AI

　　硬件：預計專用 AI 硬件分配的帶寬將是普通 CPU 的 4-5 倍。這是必需的，因為由于并行處理，AI 應用需要處理器之間更高的帶寬才能獲得最佳性能。領先的AI硬件代表企業如下：

　　IBM

　　Nvidia

　　Intel

　　Google Alphabet

　　Advanced Micro Devices (AMD)

　　SambaNova Systems

　　Cerebras Systems

　　Graphcore

　　Groq

　　Mythic

　　關于人工智能的有趣和令人驚訝的統計數據和事實

　　人工智能是世界上發展最快的技術之一，預計到2027 年將達到 2700 億美元的市場價值。預計到2030 年將達到 15.7 萬億美元。如今，77% 的人已經在以某種方式使用機器的人工智能功能，但只有 33% 的人意識到這一點。

　　在 COVID-19 流行期間，人工智能的就業人數急劇增加。工作場所的人工智能技術從2015 年的 10% 增加到 2021 年的 37%。人工智能的使用在銀行業增加了 37%，在零售行業增加了 27%，在 IT 行業增加了 20%。據 83% 的公司稱，構建和部署人工智能算法對其戰略目標至關重要。

　　人工智能在各個行業的采用

　　AI 現在主要用于企業分析 (33%)、安全 (25%)以及銷售和營銷 (16%)。然而，40% 的企業表示實施新技術的最重要原因是改善客戶體驗。54% 的部署 AI 的組織看到了生產力的提高。然而，80% 的企業高管表示生產力還有提升空間。44% 的使用 AI 技術的組織報告運營費用較低。在客戶服務業務中，人工智能可以將通話時間縮短 70%，從而節省 40% 到 60% 的成本。

　　在銷售部門使用人工智能可以將潛在客戶提高 50% 以上。28% 的企業使用人工智能進行營銷。然而，84% 的營銷人員認為人工智能 (AI) 比任何其他技術都更重要。到 2025 年，農業機器人業務價值將達到 206 億美元。總計62 億美元將用于無人機或無人駕駛飛行器 (UAVs)(Unmanned Aerial Vehicles)。預計到2024 年，人工智能在教育中的使用價值將達到 60 億美元。到 2027 年，80% 的零售公司希望以某種方式采用人工智能。

　　可穿戴設備和人工智能

　　到 2025 年，可穿戴 AI 產業價值將達到 1800 億美元。到 2027 年，僅手表可穿戴 AI 應用預計將達到963.1 億美元，比 2020 年增長 19.6%。到 2022 年底，市場上將有超過 7.8 億臺智能穿戴設備。預計到 2025 年，美國將擁有最大的可穿戴技術市場份額(35%)，其次是拉丁美洲(20%)。

　　自動駕駛汽車中的人工智能

　　現在有 25 個國家在研究自動駕駛汽車。到 2021 年，全球自動駕駛汽車市場預計將超過540 億美元。自動駕駛汽車業務正以每年 36% 的速度增長。到 2030 年，預計將有超過 800,000 輛汽車上路。自動駕駛汽車可以將出租車等待時間減少多達 88%。到 2050 年，無人駕駛汽車行業可能會將道路事故減少約 90%。

　　機器人中的人工智能

　　2020 年，全球有 1200 萬臺機器人。汽車行業使用了 42% 的機器人。到 2025 年，工業機器人業務預計價值338 億美元，比 2016 年增長 61%。到 2025 年，35% 的工業機器人將是協作的，旨在與人類員工一起工作。生命和制藥行業是機器人技術最激進的用戶之一，在 2020 年至 2021 年期間增長了 70%。每次使用 Kiva 協作機器人開設倉庫時，亞馬遜可節省約 2200 萬美元。

　　語音搜索中的人工智能

　　僅在美國就有大約 110 個數字語音和虛擬助手。亞馬遜 Echo 設備數量為 5300 萬臺，占語音助手市場的 30%。谷歌智能助理控制著 17% 的市場。55% 的客戶表示，使用語音識別 AI 工具的主要動機是免提管理他們的設備。到 2024 年，預計將有84 億名助手使用各種小工具，這比世界上目前的人口還要多。Google Assistant 是最準確的語音助手，準確率高達 98%。亞馬遜的 Alexa 有 93% 的準確率，而蘋果的 Siri 有 68% 的準確率。

　　用于網絡安全的人工智能

　　到 2027 年，人工智能網絡安全領域的價值將達到 463 億美元，比 2020 年增長 23.6%。每 39 秒，網上就會發生一次網絡數據攻擊，每天識別出超過 300,000 件惡意軟件。到 2021 年，全球超過 65% 的組織將遭受網絡數據攻擊。然而，其中只有 12% 實施了基于 AI 的安全分析。如果沒有人工智能，61% 的公司認為很難檢測到數據安全漏洞。

　　醫療保健中的人工智能

　　38% 的醫療保健公司使用人工智能來協助醫療診斷。2020 年，約有 100 種不同的 AI 開發小工具獲得了藥用認證。放射學、心臟病學和血液學是最受歡迎的專業。2020年，醫療手術機器人的使用價值將超過46億美元。預計到 2027 年，這一數字將增長17.4%。斯坦福大學創建了一種機器學習算法，可以準確預測住院病人的死亡率。

　　預計到 2027 年，醫療保健將擁有最智能的人工智能研究和使用設備。據估計，到 2022 年，無需人幫助即可工作的醫療保健機器的成功率將達到 75%。到 2026 年，人工智能有可能為臨床醫療保健業務節省超過1500 億美元。