什麼是人工智慧?獲得這個問題的答案取決於你問誰。
早在上世紀50年代，人工智慧行業先驅Minsky和McCarthy將人工智慧描述為由機器執行的任何任務，這些任務在以往需要人類智能才能完成。
這顯然是一個相當寬泛的定義，這就是有時人們針對某種技術是否真是人工智慧進行爭論的原因。
如今對「智能」的定義更為具體。谷歌公司人工智慧研究人員、機器學習軟體庫Keras的創建者Francois Chollet曾表示，智能與系統在新環境中適應和即興發揮的能力有關，能夠概括其知識並將其應用於不熟悉的場景。
他說：「智能是指在以前沒有準備好的任務方面獲得新技能的效率。智能本身並不是技能，不是能做什麼，而是學習新事物的能力和效率。」
這是人工智慧的一個定義。在這個定義中，現代人工智慧驅動的系統(例如虛擬助手)將被描述為具有「狹義人工智慧」的特徵。在執行有限的一組任務(如語音識別或計算機視覺)時，概括其訓練的能力。
通常情況下，人工智慧系統至少會表現出與人類智能相關的以下某些行為：計劃、學習、推理、問題解決、知識表示、感知、運動和操縱，在某些程度上還包括社會智能和創造力。
人工智慧的用途是什麼?
如今，人工智慧幾乎無處不在，例如推薦人們應該在網上購買的物品，了解對虛擬助手(例如亞馬遜的Alexa和蘋果的Siri)所說的內容，識別照片中的人物和內容，識別垃圾郵件，或者檢測信用卡欺詐。
人工智慧有哪些不同類型?
人工智慧可以分為兩大類：狹義人工智慧和通用人工智慧。
如上所述，狹義的人工智慧是人們目前在計算機中看到的一切：已經被訓練或學會如何執行特定任務的智能系統。
這種機器智能在蘋果iPhone上的Siri虛擬助手的語音和語言識別、自動駕駛汽車的視覺識別系統、或根據人們過去購買的商品推薦可能喜歡的產品的推薦引擎中都可以明顯地看出。與人類不同的是，這些系統只能學習或被教授如何完成定義的任務，這就是它們被稱為狹義人工智慧的原因。
狹義人工智慧能做什麼?
狹義人工智慧有大量應用程式：無人機的視頻饋送、對基礎設施(如輸油管道)進行視覺檢查、組織個人和企業日曆、響應簡單的客戶服務查詢、與其他智能系統協調執行這些任務包括在合適的時間和地點預定酒店、幫助放射線醫師發現X光片中的潛在腫瘤、在線標記不當內容、從物聯網設備收集的數據中檢測電梯的磨損，以及通過衛星生成世界3D模型圖像等。
這些學習系統的新應用一直在湧現。顯卡設計廠商Nvidia公司最近推出了一種基於人工智慧的Maxine系統，它可以讓人們進行高質量的視頻通話，並且不用考慮其網際網路連接速度。該系統通過不通過網際網路傳輸完整的視頻流，而是以實時再現通話者的面部表情和動作並且與視頻不可區分的方式，將通話所需的帶寬減少了10倍。
但是，儘管這些系統具有尚未開發的潛力，但有時對該技術的期望卻超過了現實。自動駕駛汽車就是一個很好的例子，自動駕駛汽車本身就得到了人工智慧驅動的系統(例如計算機視覺)的支持。電動汽車生產商特斯拉公司執行長埃隆·馬斯克(Elon Musk)最初提出的汽車自動駕駛系統將從有限的輔助駕駛能力升級為「全自動駕駛」的時間表如今有些落後，作為其測試計劃的一部分，全自動駕駛選項最近才推出專業駕駛程序。
通用人工智慧可以做什麼?
通用人工智慧截然不同，它是一種在人類身上發現的適應性智能，是一種靈活的智能形式，能夠學習如何執行完全不同的任務，從理髮到構建電子表格，或者基於積累的經驗對各種各樣的主題進行推理。這種人工智慧在電影中更為常見，例如電影《終結者》中的Skynet，但現在已經不存在了——人工智慧專家們對它在什麼時候能成為現實存在嚴重的分歧。
人工智慧研究人員Vincent CMüller和哲學家Nick Bostrom在2012年對四組專家進行的一項調查顯示，到2040年至2050年，通用人工智慧(AGI)的開發機會將達到50%，到2075年將上升到90%。該小組甚至進一步預測，所謂的「超級智能」在通用人工智慧(AGI)實現約30年後就可以出現。
然而，人工智慧專家最近的評估更為謹慎。現代人工智慧研究領域的先驅者，如Geoffrey Hinton、Demis Hassabis和Yann LeCun表示，鑑於對現代人工智慧領域的領導者持懷疑態度，以及現代狹義人工智慧系統與通用人工智慧(AGI)的本質迥然不同，因此幾乎沒有理由擔心通用人工智在不久的將來能為社會帶來影響。
也就是說，一些人工智慧專家認為，鑑於人們對人腦的了解有限，這樣的預測是非常樂觀的，並且相信通用人工智慧(AGI)的出現還需要數百年的時間。
人工智慧發展的最新裡程碑是什麼?
雖然現代狹義人工智慧可能僅限於執行特定任務，但在它們的專業領域內，這些系統有時能夠表現出超人的表現，而這種特質通常是人類固有的。
雖然沒有太多的技術突破，但也有一些亮點：谷歌公司在2009年表示，豐田普銳斯汽車採用其開發的自動駕駛技術有可能完成10次以上每次100公裡路程的測試，讓無人駕駛汽車技術向前邁進。
2011年，IBM Watson在美國智力競賽節目《危險邊緣》中獲勝，擊敗了該節目有史以來最好的兩位人類選手，成為全球頭條新聞。為了獲勝，Watson採用自然語言處理和分析技術對海量數據進行處理，以回答人類提出的問題，通常其處理的速度不到1秒鐘。
2012年，另一項突破性進展預示著人工智慧有能力處理許多以前認為對任何機器來說過於複雜的新任務。那一年，AlexNet系統在ImageNet大規模視覺識別挑戰賽中取得了決定性的勝利。在圖像識別比賽中，與競爭對手相比，AlexNet的錯誤率降低了一半。
AlexNet的表現證明了基於神經網絡的學習系統的力量，這種機器學習模型已經存在了幾十年，但由於對體系結構的改進和摩爾定律使並行處理能力的飛躍，最終實現了它的潛力。機器學習系統在執行計算機視覺方面的能力也成為當年的頭條新聞，谷歌訓練了一個可以識別貓的圖片的機器學習系統。
另一個引起人們關注的機器學習系統的應用案例是2016年Google DeepMind 公司的AlphaGo 戰勝了一位圍棋冠軍。圍棋是一款古老的中國棋類遊戲，其複雜性讓計算機系統困擾了幾十年。這是因為圍棋每回合大約有200步，而西洋棋只有20步左右。在圍棋比賽的過程中，其每一步動作有太多可能性，因此從計算的角度來看，預先搜索每一個動作以確定最佳步驟的成本太高。取而代之的是，AlphaGo通過在3000萬個圍棋遊戲案例中模仿人類專家的動作，並將其輸入深度學習神經網絡來訓練如何玩這個遊戲。
訓練這些深度學習網絡可能會花費很長時間，隨著系統逐漸完善其模型以取得最佳結果，需要攝取和迭代大量數據。
然而，最近谷歌公司使用AlphaGo Zero(一種「完全隨機」遊戲的系統)改進了訓練過程，然後從結果中學習。Google DeepMind公司執行長Demis Hassabis表示，還將推出新版本的AlphaGo Zero，該版本已經掌握如何下西洋棋的遊戲。
人工智慧技術不斷實現新的裡程碑：OpenAI訓練的人工智慧系統在在線多人遊戲Dota 2的一對一比賽中擊敗了世界頂級玩家。
2020年，人工智慧系統似乎獲得了像人類一樣寫作和交談的能力，其中包括人們可以想到的任何話題。
這個系統名為Generative Pre-training Transformer 3，簡稱GPT-3，是一個神經網絡，它使用開放式網絡上數十億篇英語文章進行訓練。
在OpenAI對其進行測試後不久，人們就開始對GPT-3的能力產生興趣，其能力幾乎可以生成涉及該主題的任何文章，這些文章乍一看往往很難與人類撰寫的文章區分開來。類似的結果也出現在其他領域，它能夠令人信服地回答廣泛主題的問題。
但是，儘管許多GPT-3生成的文章具有真實感，但進一步的測試發現，其生成的句子並不符合要求，提供表面上看似合理但混亂的陳述，有時甚至是胡言亂語。
人們對使用模型的自然語言理解作為未來服務的基礎仍有相當大的興趣，並且可以選擇開發人員通過OpenAI的beta API來構建軟體。它還將被納入未來通過微軟的Azure雲平臺提供的服務中。
人工智慧潛力最顯著的例子可能是在2020年末，基於Google關注的神經網絡AlphaFold 2證明了這一結果。
該系統可以查看蛋白質組成部分(胺基酸)的能力，並得出了蛋白質的3D結構可能對疾病的理解和藥物開發的速度產生深遠影響的結論。在蛋白質結構預測的關鍵評估競賽中，AlphaFold 2能夠以與晶體學相媲美的準確性確定蛋白質的3D結構，而晶體學是令人信服地對蛋白質建模的黃金標準。
與需要數月才能獲得結果的晶體學不同，AlphaFold 2可以在數小時內對蛋白質進行建模。蛋白質的3D結構在人類生物學和疾病中起著如此重要的作用，這種加速已被預示為醫學界的裡程碑式突破，更不用說在生物技術中使用酶的其他領域中的潛在應用。
什麼是機器學習?
事實上，到目前為止提到的所有成就都來自機器學習，機器學習是人工智慧的一個子集，近年來在該領域取得的成就佔了絕大多數。如今人們談論人工智慧時，通常都是在談論機器學習。
簡而言之，當前的機器學習技術正在實現某種復興，簡單來說，機器學習是計算機系統學習如何執行任務的方法，而不是通過編程來了解如何執行任務的方法。對機器學習的描述可以追溯到1959年，當時它是該領域的先驅Arthur Samuel發明的，他開發了世界上第一個自學習系統之一，即Samuel 跳棋程序。
為了自學習，這些系統被輸入大量的數據，然後用這些數據來學習如何執行特定的任務，例如理解語音或為照片添加說明。這個數據集的質量和大小對於建立一個能夠準確執行其指定任務的系統非常重要。例如，如果正在構建一個機器學習系統來預測房價，那麼培訓數據應不僅僅包括房地產面積，還應包括其他顯著因素，如臥室數量或花園面積。
什麼是神經網絡?
機器學習成功的關鍵是神經網絡。這些數學模型能夠調整內部參數以更改其輸出。在訓練期間，向神經網絡饋送數據集，該數據集教給它一些特定數據時應該輸出的內容。具體來說，可能會向網絡饋送介於0到9之間的數字的灰度圖像以及一串二進位數字(0和1)，這些二進位數字指示每個灰度圖像中顯示了哪個數字。然後將對網絡進行訓練，調整其內部參數，直到以高準確度對每個圖像中顯示的數字進行分類。然後，可以使用這個經過訓練的神經網絡對0到9之間數字的其他灰度圖像進行分類。1989年，Yann LeCun發表了一篇論文展示了神經網絡的應用，美國郵政局已經採用神經網絡技術識別手寫的郵政編碼。
神經網絡的結構和功能基於大腦中神經元之間非常鬆散的聯繫。神經網絡由互連的算法層組成，這些算法層將數據相互饋送，並且可以通過修改數據在這些層之間傳遞時的重要性來進行訓練，以執行特定任務。在訓練這些神經網絡的過程中，當數據在各層之間傳遞時，附加在數據上的權重將會不斷變化，直到神經網絡的輸出非常接近期望值，此時神經網絡將「學習」如何執行特定任務。期望的輸出可以是從正確地標記圖像中的水果到根據其傳感器數據預測電梯何時可能發生故障的任何事情。
機器學習的一個子集是深度學習，在深度學習中，神經網絡被擴展成具有大量多層網絡，這些網絡使用大量的數據進行訓練。正是這些深度神經網絡推動了計算機執行語音識別和計算機視覺等任務的能力的當前飛躍。
神經網絡有多種類型，各有優缺點。遞歸神經網絡(RNN)是一種特別適合於自然語言處理(NLP)的神經網絡，它可以理解文本和語音識別的含義，而卷積神經網絡則植根於圖像識別，其用途與推薦系統和自然語言處理(NLP)一樣多樣。神經網絡的設計也在不斷發展，研究人員改進了一種更有效的深度神經網絡形式，稱為長短期記憶(簡稱LSTM)，這是一種用於自然語言處理(NLP)等任務和預測股市的遞歸神經網絡(RNN)構，使其運行速度足夠快，可以在谷歌翻譯等按需系統中使用。
其他類型的人工智慧有哪些?
人工智慧研究的另一個領域是進化計算，它借鑑了達爾文的自然選擇理論，並發現遺傳算法經歷了幾代人之間的隨機變異和組合，從而試圖發展出針對給定問題的最佳解決方案。
這種方法甚至被用來幫助設計人工智慧模型，有效地利用人工智慧來幫助構建人工智慧。這種使用進化算法來優化神經網絡的方法被稱為神經進化，隨著智能系統的使用越來越普遍，特別是對數據科學家的需求往往供不應求的情況下，在幫助設計高效的人工智慧方面可以發揮重要作用。Uber公司的人工智慧實驗室展示了這項技術，該實驗室發表了關於使用遺傳算法訓練深層神經網絡以解決強化學習問題的論文。
此外還有專家系統，在這種系統中，計算機被編入規則，允許它們根據大量輸入做出一系列決定，使計算機能夠模仿人類專家在特定領域的行為。駕駛飛機的自動駕駛系統就是這些基於專家系統的一個例子。
是什麼推動了人工智慧的復興?
如上所述，近年來，人工智慧研究的最大突破是機器學習領域，尤其是在深度學習領域。
這在某種程度上是由於數據的易用性驅動的，而更重要的是，並行計算能力的爆炸式增長，在此期間，越來越多的圖形處理單元(GPU)集群用於訓練機器學習系統。
這些集群不僅為訓練機器學習模型提供了功能強大得多的系統，而且它們現在作為雲服務在網際網路上廣泛使用。隨著時間的推移，全球主要的科技公司(如谷歌、微軟和特斯拉)已經開始使用專門為運行和培訓的機器學習模式量身定做的晶片。
谷歌公司的Tensor Processing Unit(TPU)就是這些定製晶片的一個例子，它的最新版本加快了使用谷歌TensorFlow軟體庫構建的有用機器學習模型從數據中推斷信息的速度，以及它們接受訓練的速度。
這些晶片不僅用於訓練DeepMind和Google Brain的模型，還用於支持谷歌翻譯和谷歌照片中的圖像識別的模型，以及允許公眾使用谷歌的TensorFlow Research構建機器學習模型的服務。這些晶片的第三代產品於2018年5月在谷歌公司的I/O會議上發布，此後被封裝到稱為Pod的機器學習引擎中，該引擎可以每秒執行超過10萬億次浮點運算(100 petaflops)。這些正在進行的TPU升級使谷歌公司可以改善基於機器學習模型的服務，例如將訓練谷歌翻譯中使用的模型所需的時間減少一半。
機器學習的要素是什麼?
如上所述，機器學習是人工智慧的一個子集，通常分為兩大類：有監督學習和無監督學習。
(1)監督學習
訓練人工智慧系統的一種常見技術是通過使用大量帶標籤的例子來訓練它們。這些機器學習系統被輸入大量的數據，這些數據經過注釋以突出感興趣的特徵。這些可能是照片，以表明它們是否包含書面句子或腳註，以表明「低音」一詞是與音樂或魚類有關。一旦經過訓練，系統就可以將這些標籤應用到新數據上，例如剛剛上傳的照片中的一隻狗。
通過示例進行機器教學的過程稱為監督學習，標記這些示例的角色通常是通過Amazon Mechanical Turk等平臺進行僱用在線工作人員執行的。
訓練這些系統通常需要大量的數據，有些系統需要搜索數百萬個例子來學習如何有效地執行任務，在大數據和廣泛數據挖掘的時代，這一點越來越可能。培訓數據集龐大且規模不斷擴大——谷歌公司的開放式圖像數據集約有900萬張圖片，而其標籤視頻存儲庫YouTube-8M連結了700萬個標籤視頻。ImageNet是早期的此類資料庫之一，擁有超過1400萬張分類圖像。經過近5萬人耗費兩年時間的編纂，將其匯集在一起，其中大多數人是通過亞馬遜Amazon Mechanical Turk招募的，他們檢查、分類並標記了近10億張候選圖片。
近年來，生成性對抗網絡(GAN)已被應用於機器學習系統中，這些系統只需要少量的標記數據和大量未標記的數據。
這種方法可以增加半監督學習的使用，在這種情況下，系統可以學習如何使用比當今使用監督學習的訓練系統所需要的少得多的標記數據來執行任務。
(2)無監督學習
相比之下，無監督學習使用不同的方法，即算法嘗試識別數據中的模式，尋找可用於對數據進行分類的相似性。例如，將重量相似的水果或發動機尺寸相似的汽車聚集在一起。
該算法並不是預先設置好挑選特定類型的數據，而是簡單地尋找可以根據相似性進行分組的數據，例如谷歌新聞每天都會將類似主題的報導分組在一起。
(3)強化學習
強化學習的一個粗略的類比是，當寵物表演一個節目時，會給它一個獎勵。在強化學習中，系統試圖根據輸入數據最大化獎勵，基本上要經歷反覆試驗的過程，直到達到可能的最佳結果。
強化學習的一個例子是Google DeepMind的Deep Q網絡，該網絡已被用於在各種經典視頻遊戲中實現最佳人類表現。系統從每個遊戲中獲取像素，並確定各種信息，例如屏幕上物體之間的距離。
通過查看每個遊戲中獲得的分數，系統會建立一個模型，該模型的動作將在不同情況下使分數最大化，例如，在視頻遊戲Breakout的情況下，應將球拍移至其中以攔截球。
該方法還用於機器人技術研究，其中強化學習可以幫助教會自主機器人在現實環境中表現的最佳方式。
哪些公司在人工智慧領域處於領先地位?
隨著人工智慧在現代軟體和服務中扮演越來越重要的角色，全球主要的科技公司都在努力開發強大的機器學習技術，以供內部使用並通過雲服務向公眾出售。
儘管可能是谷歌及其DeepMind AI AlphaFold和AlphaGo系統對公眾的人工智慧意識產生了很大的影響，但每個開創人工智慧研究新局面的公司都有可能成為頭條新聞中的主角。
哪些人工智慧服務可用?
全球主要的雲計算提供商——AWS、微軟Azure和谷歌雲平臺都提供了對GPU陣列的訪問，用於培訓和運行機器學習模型。而谷歌公司還準備讓用戶使用其Tensor處理單元(其定製設計的定製晶片)針對訓練和運行機器學習模型進行優化。
這三家雲計算提供商(基於雲計算的數據存儲)均提供了所有必需的相關基礎設施和服務，能夠存儲訓練機器學習模型所需的大量數據，轉換數據以準備進行分析的服務，可以清晰顯示結果的可視化工具，以及簡化模型構建的軟體。
這些雲平臺甚至還簡化了自定義機器學習模型的創建，谷歌公司提供了一種自動創建人工智慧模型的服務，其名稱為Cloud AutoML。這項拖放服務可建立自定義的圖像識別模型，並且用戶不必具備機器學習方面的專業知識。
基於雲計算的機器學習服務正在不斷發展。亞馬遜公司現在提供了許多產品，旨在簡化機器學習模型的培訓過程，並且最近推出了Amazon SageMaker Clarify，該工具可幫助組織消除培訓數據中的偏見和不平衡，這些偏見和不平衡可能導致受過訓練的模型進行錯誤的預測。
對於那些不想建立自己的機器學習模式，而是想消費人工智慧驅動的按需服務(如語音、視覺和語言識別)的公司來說，微軟Azure在提供的服務範圍方面表現突出，緊隨其後的是谷歌雲平臺，然後是AWS。與此同時，除了提供一般的按需服務外，IBM公司還試圖銷售面向從醫療保健到零售等各個領域的特定行業人工智慧服務，將這些服務組合在IBM Watson旗下，並投資20億美元購買了Weather Channel，以釋放大量數據，以增強其人工智慧服務。
哪家主要的科技公司在人工智慧競賽中獲勝?
每家科技巨頭以及Facebook等其他公司都使用人工智慧來幫助推動各種公共服務：提供搜索結果、提供推薦、識別照片中的人物和事物、按需翻譯、發現垃圾郵件，這些服務清單非常廣泛。
但這場人工智慧戰爭最明顯的表現之一是虛擬助理的興起，比如蘋果的Siri、亞馬遜的Alexa、谷歌的助手和微軟的Cortana。
語音識別和自然語言處理依賴人工智慧，並且需要龐大的語料庫來回答查詢，因此開發這些助手需要大量技術。
不過，雖然蘋果的Siri可能首先嶄露頭角，但谷歌和亞馬遜的助手們後來在人工智慧領域超越了蘋果公司——Google Assistant具有回答各種查詢的能力，而亞馬遜的Alexa具有大量的「技能」由第三方開發人員創建以增加其功能。
隨著時間的推移，這些人工智慧助理的能力在不斷提高，使它們能夠更迅速地回應人們在日常談話中提出的問題。例如，Google Assistant現在提供了一個名為「繼續對話」的功能，用戶可以在最初的查詢中提出後續問題，例如「今天天氣怎麼樣?」，然後是「明天的天氣怎麼樣?」，並且系統了解到後續問題也與天氣有關。
這些虛擬助手和相關服務不僅可以處理語音，還可以使用Google Lens的最新版本來翻譯圖像中的文本，並允許用戶使用照片搜索衣服或家具等商品。
儘管Cortana已經內置在Windows 10中，但最近面臨困境。亞馬遜的Alexa現在可以在Windows 10個人電腦上免費使用，而微軟公司則對Cortana在作業系統中的角色進行了改造，將更多精力放在生產任務上，例如管理用戶的日程安排。而不是在其他助手中找到更多以消費者為中心的功能，例如播放音樂。
•實現目標：結構化數據、語義、機器人技術和人工智慧的未來。
•Adobe推出人工智慧工具來跟蹤全渠道、更快地發現異常。
•IBM公司增加了用於閱讀理解、FAQ提取的Watson工具。
哪些國家在人工智慧領域處於領先地位?
如果有人認為美國科技巨頭在人工智慧領域佔主導地位，那麼這種想法是錯誤的。中國科技廠商阿里巴巴、百度、聯想正在電子商務和自主駕駛等領域大力投資人工智慧。中國正在遵循三步走的計劃，將人工智慧變成該國的核心產業。到2020年底，該產業的價值將達到1500億元人民幣(合220億美元)，目標是到2030年成為世界領先的人工智慧大國。
百度公司已投資開發無人駕駛汽車，該技術由其深度學習算法百度AutoBrain提供支持，經過數年的測試，其阿波羅自動駕駛汽車在測試中行駛了300多萬英裡，在全球27個城市載客超過10萬人。百度公司的創始人預測自動駕駛汽車將在五年內在中國城市中普及。
一些分析師認為，在未來的人工智慧研究方面，中國將比美國更具優勢。
如何開始使用人工智慧?
雖然人們可以為其電腦購買一個中等功能的Nvidia GPU(大約在Nvidia GeForce RTX 2060或更快的地方)，並開始訓練機器學習模型，但嘗試人工智慧相關服務的最簡單方法可能是採用雲服務。
全球主要的科技公司通常提供各種各樣的人工智慧服務，從構建和訓練自己的機器學習模型的基礎設施到允許按需訪問的人工智慧工具(如語音、語言、視覺和情感識別)的網絡服務。
人工智慧將如何改變世界?
(1)機器人和無人駕駛汽車
希望機器人能夠自主行動、理解和導航周圍的世界，這意味著機器人學和人工智慧之間有著天然的重疊。雖然人工智慧只是機器人技術之一，但人工智慧的使用正在幫助機器人進入新的領域，如自動駕駛汽車、送貨機器人，以及幫助機器人學習新技能。在2020年初，通用汽車和本田推出一款電動無人駕駛汽車Cruise Origin,谷歌母公司Alphabet公司的自動駕駛業務部門Waymo最近在亞利桑那州鳳凰城向普通公眾開放了robotaxi服務，其提供的服務覆蓋城市50平方英裡的區域。
(2)虛假新聞
人們正處於擁有可以創建逼真的圖像或以完美音調方式複製某人聲音的神經網絡的邊緣。隨之而來的是巨大的顛覆性社會變革的潛力，例如不再能夠將視頻或音頻素材視為真正的視頻。人們還開始擔憂可能會使用這種技術來盜用人們的圖象。
(3)語音和語言識別
機器學習系統幫助計算機以幾乎95%的準確率識別人們所說的內容。根據微軟公司人工智慧和研究小組發布的報告，他們已經開發出一種系統，能夠像翻譯人員一樣準確地翻譯口語。
隨著研究人員追求99%準確性的目標，人們期望與計算機對話以及更傳統的人機互動形式變得越來越普遍。
與此同時，OpenAI的語言預測模型GPT-3最近引起了業界關注，因為它能夠創建可以被認為是人類所寫的文章。
(4)面部識別和監視
近年來，人臉識別系統的準確性有了突飛猛進的發展，百度公司表示，只要視頻中的人臉足夠清晰，它就可以以99%的準確性匹配人臉。
儘管世界各地的隱私法規各不相同，但這種更具侵入性的人工智慧技術(包括能夠識別情緒的人工智慧)很可能會逐漸變得更為廣泛。
(5)醫療保健
人工智慧最終會對醫療保健產生巨大的影響，幫助放射科醫生在X光片中發現腫瘤，幫助研究人員發現與疾病相關的基因序列，並識別出可能導致更有效藥物的分子。谷歌公司的AlphaFold 2機器學習系統最近的突破有望將開發新藥的關鍵步驟所花費的時間從數月縮短至數小時。
在世界各地的醫院都有人工智慧相關技術的試驗。其中包括IBM的Watson臨床決策支持工具，該工具由Memorial Sloan Kettering癌症中心的腫瘤學家進行了培訓，以及英國國家衛生服務局對Google DeepMind系統的使用，它將幫助發現眼睛異常並簡化篩查患者頭頸部癌症的過程。
(6)強化歧視和偏見
機器學習系統如何整理其訓練數據中反映的人為偏見和社會不平等現象的方式日益引起人們的關注。這些擔憂已通過多個示例證明，即用於訓練此類系統的數據缺乏多樣性會對現實世界產生負面影響。
2018年，麻省理工學院和微軟公司共同發布的一項研究論文發現，大型科技公司出售的面部識別系統在識別膚色較深的人時遭受的錯誤率明顯更高，這一問題歸因於訓練數據集主要由白人組成。
一年後的另一項研究強調，亞馬遜的Rekognition面部識別系統在識別膚色較深的人的性別方面存在問題。
自從這項研究報告發布以來，許多大型科技公司暫時停止了向警察部門提供面部識別系統。
2018年，亞馬遜公司廢棄了一款機器學習招聘工具，該工具將男性求職者視為首選，這是培訓數據差異化導致結果扭曲的另一個例子。如今，正在進行研究以抵消自學系統中的偏見。
(7)人工智慧與全球變暖
隨著機器學習模型和用於訓練它們的數據集的規模不斷擴大，塑造和運行這些模型的龐大計算集群的碳足跡也在增長。世界經濟論壇在2018年發表了一篇論文，主題是數據中心供電和製冷設備對環境的影響。2019年的一項估計是，機器學習系統所需的電力每3.4個月翻一番。
最近，通過發布語言預測模型GPT-3(一個擁有約1,750億個參數的龐大的神經網絡)，人們開始關注訓練強大的機器學習模型所需的大量能源問題。
雖然訓練這些模型所需的資源可能是大量的，而且基本上只有大公司才能具有，但一旦進行良好的訓練，運行這些模型所需的能量就大大減少了。然而，隨著對基於這些模型的服務需求的增長，電力消耗和由此產生的環境影響再次成為一個問題。
一種觀點認為，培訓和運行更大模型對環境的影響需要與潛在的機器學習進行權衡，必須具有顯著的積極影響，例如，在谷歌DeepMind的alphafold2取得突破之後，醫療保健領域可能出現更迅速的進步。
人工智慧會危害人類嗎?
同樣，獲得這個問題的答案取決於你問誰。隨著以人工智慧為動力的系統變得越來越強大，對不利因素的警告也越來越嚴峻。
特斯拉公司執行長埃隆·馬斯克宣稱，「人工智慧是人類文明生存的根本風險」。為了推動更強大的監管監督和開展更多負責任的研究以減輕人工智慧的負面影響，他成立了OpenAI，這是一家非盈利性人工智慧研究公司，旨在促進和發展有利於整個社會的友好人工智慧。著名物理學家史蒂芬·霍金曾警告說，一旦創建了足夠先進的人工智慧，它將迅速發展到遠遠超過人類能力的地步，這一現象被稱為奇點，並可能對人類構成生存威脅。
然而，在一些人工智慧研究人員看來，人類正處於人工智慧爆炸的邊緣，這一觀點似乎很可笑。
微軟公司位於英國劍橋的研究總監Chris Bishop強調了當今狹義人工智慧與通用人工智慧之間的不同。他說，「人們擔心終結者和機器的崛起?這是胡說八道，這樣的討論應該是幾十年後的事了。」
人工智慧會替代人類的工作嗎?
在不久的將來，人工智慧系統取代大部分體力勞動的可能性可能更可信。人工智慧系統替代許多體力勞動人員的可能性也許是更可靠的說法。
雖然人工智慧不會取代所有的工作，但似乎可以肯定的是，人工智慧將改變工作的性質，唯一的問題是自動化將如何快速和深刻地改變工作場所。
人工智慧在各個領域都具有影響呼。正如人工智慧專家Andrew Ng所說：「很多人都在做常規的重複性工作。不幸的是，技術尤其擅長於自動化日常的重複性工作。因此未來幾十年技術失業的風險很大。」
有證據表明哪些工作崗位將被取代。美國現在有27家Amazon Go無需收銀臺的超市，顧客只需從貨架上取下商品走出店門就可以完成交易。這對美國300多萬收銀員意味著什麼還有待觀察。亞馬遜公司在使用機器人提高倉庫效率方面處於領先地位。這些機器人將貨架的物品運送給揀貨人員，揀貨人員選擇要發送的物品。亞馬遜公司在其運營中心擁有超過20萬個機器人，並計劃增加更多機器人。但是亞馬遜公司還強調，隨著機器人數量的增長，這些倉庫中的工作人員也隨之增加。但是，亞馬遜和小型機器人公司正在努力使倉庫中剩餘的體力勞動實施自動化，因此，體力勞動和機器人勞動將繼續齊頭並進並不是假設。
全自動無人駕駛汽車現在還沒有成為現實，但根據一些預測，即使不考慮對快遞員和計程車司機的影響，僅自動駕駛卡車行業就可能在未來十年內替代170萬個工作崗位。
然而，一些容易實現自動化的工作甚至不需要機器人技術。目前有數以百萬計的人從事行政工作，在系統之間輸入和複製數據，追蹤和預訂公司的約會。隨著軟體能夠更好地自動更新系統並標記重要信息，因此對管理員的需求將下降。
與每項技術變革一樣，人工智慧將創造新的工作崗位來替代失去的工作崗位。但是，不確定的是這些新角色是否會迅速為失業者提供就業機會，以及這些失業者是否具有必要的技能或能力來填補這些新興角色。
並非每個人都是悲觀主義者。對於某些人來說，人工智慧是一種可以提高工作能力而不是替代工作人員的技術。不僅如此，而且他們認為沒有必要採用人工智慧，因為人工智慧輔助工作人員比人工智慧系統工作效率更高或更有效，因為他們可以在人工智慧系統提出要求之前，準確地告訴他們客戶想要什麼。人工智慧專家關於人工智慧系統將以多快的速度超越人類的能力有著廣泛的看法。
牛津大學人類未來研究所邀請了幾百位機器學習專家來預測未來幾十年人工智慧的能力。
他們總結出來的未來值得注意的事項包括：到2026年，人工智慧撰寫的文章將被認為是人類所寫的文章、2027年卡車司機被大量裁員、2031年人工智慧在零售業超過人類能力、人工智慧將在2049年寫出暢銷書，到2053年人工智慧將完成外科醫生的工作。
他們估計人工智慧在45年內擊敗人類完成所有任務的可能性相對較高，在120年內實現所有人類工作的自動化。
版權聲明：本文為企業網D1Net編譯，轉載需註明出處為：企業網D1Net，如果不註明出處，企業網D1Net將保留追究其法律責任的權利。