人工智能：完整指南

在過去的 50 年中，人工智能研究領域催生了大量未被公眾認為是 AI 的功能。 我們的大部分在線工作都包括 AI 形式（虛擬代理、模式識別、定向廣告）。 然而，對於沙地未來的困境，迄今為止所做的一切都只是一粒沙子。 為了根據這些進步來定位自己，我們需要獲得有關過程的知識。

企業越來越意識到人工智能可以（並且在未來 - 將是）成功的決定性因素。 目前，這些屬性在數據分析算法中實現，這些算法能夠正確存儲、處理和分析大數據（另一個不斷增長的業務管理領域），但很快將包括產品優化算法和復雜的客戶參與技術。

Shutterstock.com | 塔蒂亞娜·謝佩列娃

在本文中，我們將通過 1)人工智能的起源部分來介紹人工智能的完整指南； 2）人工智能的目標； 3)方法和工具； 4）人工智能問題； 5)在創業中的應用，以及 6) AI 在商業中的實施示例。

人工智能的起源

理念與哲學背景

圍繞人工智能創造的思想基礎可以追溯到埃及和中國文明建造的機器人以及古希臘神話。 將人類屬性應用於物體和抽象思想是人們從獲得意識的那一刻起就對其存在進行推理的方式之一。

隨著邏輯的發展和哲學符號推理領域的出現，可以模擬人類智能的機器的創造在實踐中成為可能。 符號推理指出符號（數字、圖形、計算、統計等）可以用作較長表達式的同義替代品，以解決問題。 這個想法是由托馬斯霍布斯在 16 世紀提出的，他被認為是“人工智能的祖父”。

此外，隨著幾個世紀以來工程學的進步，這兩個領域開始相互關聯。 第一台計算機——分析引擎，是由 Charles Babbage 在 19 世紀設計的（但它直到 1991 年才建成）。 隨著 20 世紀初期技術的不斷進步以及對更好地理解計算過程的日益必要，各種模型和理論論述被創造出來。

圖靈測試

艾倫·圖靈 (Alan Turing) 於 1950 年發表了關於這個問題的基礎工作——計算機和智能論文。 在論文中，他提出了圖靈機模型，通過該模型他討論了可以計算的理論可能性。 為了推斷計算可能性是否擴展到人類智能領域，他創造了圖靈測試。 測試的目的是確定一台機器是否可以讓可疑的審訊者相信它確實是一個人。 測試似乎很簡單——沒有涉及復雜的作業（例如創作原創藝術）； 為了通過，計算機必須能夠與人類進行閒聊並顯示對給定上下文的理解。 從人類的角度來看，這聽起來很簡單，但事實證明，要實現這樣的結果極其困難，而且迄今為止還無法實現。 主要問題是與 20 世紀中葉的硬件技術相關的問題——儲藏室問題掩蓋了未來軟件實現的問題。

研究人員仍在嘗試創建能夠通過圖靈測試並在一年一度的圖靈比賽中展示的軟件。 Leobner 的 100,000 美元現金獎金仍在等待第一個軟件被證明具有感知能力。

人工智能 - 研究領域

基於哲學、邏輯、數學、控制論、神經科學和信息技術的進步，人工智能研究領域於 1956 年在達特茅斯學院的一次會議上誕生。 專家約翰·麥卡錫 (John McCarthy) 和馬文·明斯基 (Marvin Minsky) 在未來 50 年創造智能機器的廣泛努力中成為知名人士。

自然地，為了創造智能，人們必須知道什麼是智能。 然而，智力作為人類（和一些動物）的一種屬性的抽象定義，表現在邏輯、推理、經驗學習、知識的運用、創造力和無數其他方面，不能簡單地轉化為符號並產生有知覺的東西。機械。

計算機國際象棋和專家系統

科學家們採用了不同的方法和方法來建立人工智能。 其中一種方法是國際象棋軟件的發展。 由於通過蠻力技術更容易實現高效率 - 這意味著計算機根據最小成本的原則計算解決方案算法，以便在一定數量的未來移動中可能造成最大損害 - 國際象棋軟件做到了不是專注於構建有感知力，而是專注於大型數據庫的高級搜索技術和可持續硬件。

另一方面，開發了專家系統，以便為不同行業提供專家協助。 通過創建一個熟練的知識數據庫並結合機器學習軟件——這使機器能夠對給定的數據進行預測並提供諮詢； 以及交互軟件（基於自然語言開發）——科學家們擴展了他們“智能機器”的特性。 這些成就現在用於導航系統、醫學和商業。

人工智能的冬天

在對 AI 研究領域的最初興奮之後，很快就很明顯，要取得紮實的結果需要比預期和宣布的更多的時間。 在 ALPAC 和 Lighthill 報告顯示 AI 項目進展不理想（自然語言軟件的問題，進展緩慢）之後，投資流被終止——第一個 AI 寒冬始於 1974 年，一直持續到 1980 年代初英國政府鼓動人工智能項目是對日本在邏輯編程方面的努力的回應。 然而，1987年，由於通用計算機市場的崩潰和資金的減少，第二次人工智能寒冬出現並持續了五年。

在“冬天”期間，人工智能研究以不同的名稱繼續進行，這些名稱將成為未來該領域的子類別——進化編程、機器學習、語音識別、數據挖掘、工業機器人、搜索引擎等等。

人工智能現在在哪裡？

人工智能研究領域取得了許多如今被視為“普遍”的進步——指定和個性化的搜索引擎結果、智能個人助理軟件——Siri、谷歌翻譯、車輛導航系統、各種機器人技術增強等等。

一些顯著的成就包括：

• 1997 年，IBM 的 Deep Blue 成為第一台在與國際象棋冠軍加里·卡斯帕羅夫 (Garry Kasparov) 的國際象棋比賽中獲勝的計算機。
• IBM 的問答系統 Watson 在 2011 年對抗熟練對手的 Jeopardy 測驗中獲勝。
• 聊天機器人尤金·古斯特曼 (Eugene Goostman) 在 2014 年說服了圖靈測試陪審團的一名成員，認為這是一名來自烏克蘭的 13 歲男孩。然而，尤金以 33% 的比例通過了最低限度的定罪。 這樣的結果本質上並不認為是圖靈測試的通過，因為它主要依賴於外部條件（來自非英語國家的孩子閒聊不足可以原諒，而母語成人則不會已經）。 在 2015 年的過程中，Eugene 的開發人員有望捍衛他們的勝利並證明他們發明了有感知的軟件（他們很可能沒有）。

從上述所有內容可以看出，很明顯，人工智能的難題在過去五十年中並沒有取得太大進展。 因此，專家預測至少需要 50 年的試驗和錯誤才能模仿人類智能。 一個主題太廣泛和復雜，無法在短時間內解決。 然而，迄今為止在探索過程中取得的進步極大地影響和塑造了我們生活的世界。

人工智能的目標

人工智能努力的“最終”目標是創造一種智能機器，能夠推理、計劃、解決問題、抽象思考、理解複雜的想法、快速學習和從經驗中學習（這是人類智能的公認定義）。 在實踐中，這種人工模擬的智能是為了體現一種廣泛而深刻的理解周圍環境的能力，從而在無限可能的情況下弄清楚該怎麼做。 為了在環境中充分定位自己，人工智能需要具有社會智能（意味著它必須能夠感知並正確應對可理解宇宙的廣泛抽象特徵和屬性——例如情感）。 為了以最佳方式管理問題，它需要能夠在其功能中發揮創造力。 所有所述屬性都歸因於人工智能研究的長期目標——通用智能。

然而，為了實現這樣的目標，科學家們必須專注於作為其構建塊的各種複雜概念，無論是單獨的還是相關的。 未來智能機器的構建者需要在他們的工作中實施對現有智能係統（主要是人類）的實證研究以及對可能的智能係統（及其機制和表示）的理論探索和分析結果。 這些因素對於解決與現有智能係統相關的問題以及設計新的智能或半智能機器至關重要。 從本質上講，這意味著必須全面了解任務的複雜性，因為將努力僅限於一個領域（例如，工程），這些努力不會提供令人滿意的結果。 如果不檢查鳥類，就不可能建造飛機。

演繹、推理、解決問題

在人工智能研究的初期，推理過程是通過逐步模仿人類解決謎題或邏輯推理的過程而引發的。 然而，這種方法在很大程度上依賴於當時相當有限的計算資源和計算機內存。 這些問題指出了模仿人類直接判斷過程而不是刻意推理的必要性。 即時判斷可以被看作是直覺的、潛意識的知識，它控制著故意行為的方向。

AI 嘗試通過以下組合來達到即時判斷的目標：

• Embodied Agents （可以與環境交互並呈現為三維虛擬模擬/真實機器人身體的自主實體）；
• 感覺運動技能（通過傳感器感知環境並以運動技能做出反應的組合——例如，機器人感知到一個人正在接近並伸出一隻手作為問候——機器人通過與人握手做出反應）；
• 神經網絡（模擬神經系統中的結構和過程，尤其是人腦：從輸入計算值；機器學習；模式識別；自適應性）；
• 統計方法（解決特定問題的數學方法）。

知識表示

為了模擬人類，人工智能需要整合關於對象、它們的屬性、類別和彼此之間關係的大量知識。 此外，它必須實現情境和狀態、原因、結果和抽象思想。 AI 領域使用本體論方法來表示知識——也就是說，知識是在一組概念中假設的，這些概念的關係在域內定義。

問題

• 不可能的真/假陳述——凡事都有例外；
• 人類知識的廣度使得創建綜合本體幾乎不可能；
• 必須結合潛意識和亞象徵形式的知識。

解決方案

• 統計人工智能——某些問題的數學解決方案；
• 定位人工智能——系統作為自主實體通過與環境的交互發展基本行為；
• 計算智能——計算機理解了足夠多的概念，因此它能夠自己提供更多的本體（例如通過互聯網）。

自動化規劃

人工智能必須能夠在多維空間中構建複雜和優化的解決方案，並實現這些策略/行動序列。 換句話說，智能代理需要能夠可視化潛在的未來（預測分析），設定行動目標（決策）並以最大化流程效率（價值）的方式執行。

這些目標將在離線（對於已知環境）和在線（對於意外環境）進行處理。 科學家們仍然必須處理不可預測的場景​​問題——當機器被期望做出智能反應時。

機器學習

機器學習是算法的構建和研究，允許人工智能係統根據輸入的數據和通過它獲得的知識做出預測和決策。

它可以專注於：

• 輸入流中的無監督模式識別（例如，從電子郵件系統中的非垃圾郵件中定義垃圾郵件）；
• 輸入數據中的監督（編程）分類和關係形成（例如將垃圾郵件和非垃圾郵件引導到系統中的不同類別）。

機器學習用於信息技術的各個領域，例如垃圾郵件過濾（上面提到的示例）、光學字符識別、搜索引擎個性化、計算機視覺和數據挖掘（預測分析）。

機器學習算法的進一步增強應歸功於機器的整體計算智能。

自然語言處理

自然語言處理和生成是人工智能研究領域處理的核心問題之一。 難怪圖靈測試圍繞機器認真對話（至少表面上）的能力展開——一台能夠理解上下文中的口頭或書面文字並能夠做出相應反應的機器，其特徵可以被描述為一個智能實體（因為它涉及抽象屬性——社會智能、知識、感知、解決問題等）。

機器感知

機器感知代表輸入解釋的能力，類似於人類通過感官的感知過程。 試圖解決的重要問題是綜合感知、傳輸到實體的智能核心和響應系統（即機器感知在工程和計算特性上都遇到困難）。

• 視覺——根據外界高維的圖像收集信息，並轉化為給定問題的算法/解決方案（目前機器可以進行面部識別和審美判斷，但未來的發展道路還很長）；
• 聽力——處理音樂或語音等音頻數據的能力（目前：語音識別、語音翻譯）；
• 觸摸– 處理表面特性和靈巧性的能力，以便有效和智能地與環境交互。

機器人

機器人技術的目標將工程學與人工智能研究相結合，並圍繞以下問題展開：

• 對像操作；
• 導航;
• 本土化;
• 映射；
• 運動規劃。

人工智能的方法和工具

方法

從 1950 年代人工智能研究的出現開始，通過在不同行業和學術界實施知識，已經採取了多種方法。 這些方法的發展是為了應對它們每個人在實現目標——通用智能方面所表現出的缺點。 當人工智能研究在人工智能的冬天失去資金時，方法的解體是獲得持續研究投資的唯一途徑。 從今天的觀點可以得出的結論是，所有這些方法對於人工智能的巨大復雜性都是必不可少的，並且所有這些方法都對該過程做出了巨大貢獻（無論過程本身可能多麼緩慢或缺乏令人振奮的進步） .

連通性

結合神經學、信息技術和控制論的技術和知識，科學家們在 1950 年代實現了對基本智能的模擬。 這種方法在接下來的十年中被放棄，只是在 1980 年代重新出現。

成就

• 感官處理；
• 神經網絡的行為；
• 監管系統的知識。

象徵主義

該方法指出，人類智能只能通過操縱符號來模擬。 它也被稱為“優秀的老式人工智能”——GOFAI，並在 1960 年代在高智能模擬方面取得成功——僅限於有限的演示程序。

成就

• 專家系統

認知模擬

認知模擬方法體現在為獲得人類解決問題技能的知識而進行的心理測試中。 結果將被正式化，以便開發能夠模擬人類智能這些特性的程序。

成就

• 人工智能研究的基礎——機器學習、自然語言處理等。

邏輯

邏輯方法的代表認為，人類智能本質上來自抽象推理和解決問題，因此可以用邏輯技術來處理。

成就

• 知識表示；
• 自動化規劃；
• 機器學習；
• 邏輯編程。

反邏輯

邏輯方法的反對者表示，沒有任何一般原則可以捕捉智能行為的複雜性。

成就

• 指出邏輯方法在機器視覺和自然語言處理方面缺乏效率

知識

隨著專家系統的出現和操作系統存儲容量的增加，基於知識的方法開始在人工智能研究中得到高度應用。

成就

• 實施到專家系統中；
• 一般智力的關鍵要素之一。

抽象的

抽象方法源於解決人類智能的亞符號和直覺幽靈的必要性，以便為人工智能問題提供最佳解決方案。

成就

• 計算機感知；
• 機器人技術；
• 機器學習；
• 模式識別。

位於

定位或新穎的人工智能方法側重於基本工程問題，並拒絕符號方法的排他性。 目標是構建一個可以存在於真實環境中的現實機器。

成就

• 運動技能;
• 感官技能；
• 計算機感知。

統計

統計方法使用可衡量和可驗證的數學工具，並將它們與經濟學相結合，以解決特定的問題。 這種方法因無視一般情報目標而受到批評。

成就

• 成功解決特定問題

工具

人工智能研究領域在尋求實現的過程中遇到了無數的問題。 但是，它實施了多種方法，通過這些方法可以成功解決問題。

搜索和優化方法

尋找許多可能的解決方案，消除那些不太可能導致特定（或總體）目標的解決方案並選擇最佳途徑可能是解決問題的有效方法。 推理、規劃和機器人算法是在基於優化的搜索技術的幫助下創建的。

數學優化理論是通過以智能猜測開始尋找解決方案並逐步完善（也稱為“爬山”：選擇景觀中的隨機點並以隨機移動向山頂前進）而形成的。

進化計算遵循“適者生存”的原則——假設一系列猜測，通過細化一些猜測，從而出現最佳解決方案。

作為解決方法的邏輯

邏輯用於解決有關自動規劃和機器學習以及邏輯編程的問題。 它用於通過真/假屬性確定有效性，表達關於對象、它們的屬性和關係的事實，這對於知識表示中的本體至關重要。

其他方法

• 用於數據流過濾和預測分析的概率算法；
• 分類器和統計學習方法；
• 人工神經網絡;
• 編程語言（根據人工智能子類別的特定需求而有所不同）。

人工智能問題

大多數人工智能領域的研究人員表示，機器的通用智能將在未來 50 年內實現。 雖然我們無法證實這樣的說法，但進步將會發生，並將徹底改變世界似乎是有道理的。 因此，必然會出現各種問題。

首先，人工智能係統具有大大超越人類的數據處理和預測分析能力。 為了實現最佳性能，它們在某種程度上是自主的，由一組精心選擇的規則控制以達到某種目標。 然而，由於他們的自主性，他們可能會在與用戶不平衡的情況下執行——如果在編程中沒有解決潛在的問題，系統會承擔它——如果它服務於目標（並且人類不可能預測所有可能的情況和足夠的算法）。 必須通過提供明確的安全標準來解決該問題，以便在發生錯誤時將損害降至最低。 此外，適當的責任歸屬是人工智能努力需要解決的問題。

此外，隨著通用智能的出現，人類必須定義道德系統，他們將根據這些系統構建人工智能係統，以及他們將自己定位於人工智能係統的道德規則。 人工智能中的倫理問題是不可能複雜的——如何定義一個系統是否被編程為行為和聲稱有知覺或有知覺？

此外，誰將負責通用人工智能的決策？ 雖然我們都被介紹了人工智能技術將帶來的積極和先進的機會——疾病的終結、太空旅行、工作減少等，但我們似乎忘記了人類有能力為獲得權力和金錢而進行大規模破壞。 顯然，必須制定一些關於人工智能係統使用的規定。

人工智能在創業中的應用

大數據和專業分析

在過去幾年中，技術能力（主要是存儲和計算能力）呈指數級增長，數據的湧入急劇增加。 今天，公司可以以結構化和非結構化（圖片、視頻）的形式收集和處理大數據，並對其進行分析，從而獲得有關業務戰略的寶貴見解。 大數據管理的問題之一是缺乏能夠理解大數據並將其付諸實踐的專家。 已經提出了各種軟件解決方案來簡化流程——例如專家系統和預測分析。 顯然，這些都是人工智能研究的產物。

然而，隨著算法的發展，它們對數據管理的影響也會隨之變化。 機器學習是一種基於數據的預測和決策算法，當與自然語言處理相結合時，它可以提供有關業務戰略（廣告、客戶關係、培訓員工）的可用（和有價值的）信息和解決方案，其總體目標是提高生產力和客戶參與度（滿意度）、市場競爭力和增長。

產品和服務的優化

人工智能算法不僅將在企業管理領域實施，還將在產品效率和可取性方面實施。 例如，割草機將能夠在沒有人類參與的情況下割草。 此外，他們將能夠執行專業和個性化的建設性任務，例如不拔花。 所有這些都將有助於提高客戶滿意度，因為它代表了客戶對最大化效率和價值的時間和精力要求的持續指數減少。

人工智能在商業中的實施示例

除了 IBM 自成立以來在人工智能方面的重大努力外，谷歌和 Facebook 等大公司也不得不關注人工智能的可能性，因為海量數據以及復雜的管理和戰略定義流程。 下面我們就來看看這三家公司，以及他們在AI上的糾葛。

IBM

除了 IBM 在深藍國際象棋算法和復雜的 Watson 系統等 AI 技術方面的努力公開獲得的重大成功之外，實際好處還在於他們的技術掌握的屬性及其在業務中的實施。 深藍算法根據國際象棋規則設法處理基於最大化效率的大量預測分析，並表明通過明確制定目標，無需（因為不可能）手動覆蓋可能的解決方案 - 計算機它是自主完成的，並且僅限於編程的目標，以一種即使是國際象棋冠軍也無法超越該過程的方式進行優化。

Watson 系統是作為一種實時問答算法開發的，它設法感知和處理自然語言，推理正確答案並以自然語言生成它們——在離線操作時贏得了 Jeopardy 測驗。 它是在機器學習的基礎上創建的，因為手動將大量知識的本體實施到其中是一種耗時且可能無效的方法。

這些進步對於業務戰略而言極為重要，因為它們優化了相關內容的廣泛處理並實現了建設性的溝通，以便根據這些分析過程提出見解並執行決策。

目前，IBM 專注於在基於雲的環境中實施他們的算法，並為醫療保健、商業和教育創建數據庫。

谷歌

谷歌一直在使用人工智能功能對其搜索引擎進行個性化和規範，開發了谷歌翻譯，這是一個足夠的自然語言處理和生成工具（除了缺乏上下文和子符號含義的問題），並實現了一個神經管理其龐大數據庫的網絡策略。 這些神經策略旨在識別模式並以極快的速度做出決策。 此外，還包括機器學習算法，這意味著系統通過經驗學習，從而更有效地執行。

Facebook

Facebook 個人資料是結構化和非結構化數據的大熔爐：朋友列表、喜歡的頁面、加入的群組。 為了優化客戶體驗，Facebook 實施人工智能來識別個人用戶的行為模式（在 Facebook 域上，以及一般的在線），並根據特定的傾向和興趣提供優惠。 他們正在努力創建一個能夠與用戶交互並立即提供有價值信息的智能代理。

考慮到摩爾關於技術和知識指數增長的理論，我們可以預測，科幻小說對未來的描述實際上指日可待，特別是如果我們考慮到目標的複雜性。 儘管在 AI 實現方面存在許多問題，以及關於 AI 的各種幽靈的道德難題，但進展正在發生，並將帶來許多積極的特徵。 在業務中，它將啟用為個人用戶設計的策略——提高他們的滿意度並為企業創造利潤。 它將在醫學、可持續經濟、減貧和教育方面產生更深遠的影響。 我們應該只希望進步將永遠服務於其利他的目的。