人工智能的定义英语(人工智能知识科普)

究竟什么是人工智能？机器学习是什么意思？那么 GAN 又如何呢？在这里，您将找到常用技术术语的清晰定义。

任何思考计算机未来的人都不能忽视人工智能。那些思考计算机过去的人也没有——在古希腊人中已经可以找到思考机器的梦想。

但传说的日子似乎已经结束：如今，人工智能无处不在。但实际上我们今天所说的人工智能是什么？它是如何工作的？

（1）什么是人工智能？

人工智能的创始人之一约翰麦卡锡将人工智能描述为“制造智能机器的科学和技术”，即研究人员和工程师的活动领域。

今天，该术语通常指的是这些智能机器：人工智能代表具有智能行为的计算机系统。这里的智能意味着：您解决通常需要智能的任务，例如理解和说语言、图像识别、决策或翻译。

根据欧盟专家组的说法，人工智能系统是“人工设计的软件（可能还有硬件）系统，通过数据采集感知环境，收集结构化或解释非结构化数据，从中得出结论，从而在复杂的物理或数字尺度上发挥作用。或处理从这些数据中获得的信息，并决定适当的措施来实现指定的目标。人工智能系统既可以使用符号规则，也可以学习数字模型，还能够分析他们过去的行为对环境的影响，并相应地调整他们的行为。”

弱/窄人工智能

与人类不同，人工智能通常只在高水平上学习和完成一项任务。因此，这样的人工智能被称为弱人工智能或窄人工智能。在他们的专业范围内，他们现在往往优于人类。当前所有的人工智能系统都是弱人工智能。

通用/强AI

目前还不存在具有类人智能的人工智能，可以将其思想应用于许多不同的任务。但这是人工智能研究的主要目标。这样的人工智能被称为通用人工智能。常见但由于其哲学渊源而不太清楚的是术语强或真正的人工智能。在德语中，偶尔也能找到翻译为通用人工智能。

超级人工智能

如果通用人工智能发展到各方面都超过人类，那么一个超级人工智能（Artificial Super Intelligence）就出现了。对于许多 AI 警告者来说，ASI（称为奇点）的出现标志着人类可能的终结。另一方面，一些人工智能专家希望超级人工智能能够解决人类面临的气候变化、贫困和疾病等重大问题。

（2）人工智能的应用领域

目前的人工智能技术大致可以分为四个领域：基础技术、行业应用、终端用户，这里重点是辅助，还有娱乐领域和艺术领域。

支持技术是机器视觉和自然语言处理、数字助理、机器人过程自动化和先进的机器学习。在这一领域，学术和工业研究定下基调并进一步发展人工智能。

在工业领域，人工智能软件有助于供应链管理、维护、研发以及销售和营销。在线零售或搜索引擎等高科技行业使用人工智能算法更好地了解客户并向他们展示合适的产品和搜索结果。亚马逊使用人工智能来运营完全没有收银员的杂货店。

最终消费者每天都使用数字助理，例如谷歌的 Assistant 或亚马逊的 Alexa，并通过面部识别解锁他们的智能手机。人工智能还改进了现有服务，例如视频游戏的图形计算或视频和旧照片的升级。与此同时，艺术家们发现了人工智能的创造能力，特别是在使用 deepfakes 和底层 GAN 技术进行图像生成和修改。

（3）如何创建人工智能

有不同的方法来创建人工智能。基本上，可以区分两种不同的方法：

所谓的“Good, Old-Fashioned AI”（GOFAI）主导了 AI 研究直到 1980 年代后期，并力求强 AI。理念：人类思维由包含我们对世界知识的各个概念的逻辑组合组成。

SHRDLU是最早尝试理解自然语言的人工智能程序之一。人工智能创建于 1968 年至 1970 年间，可以移动几何对象并在请求时提供有关它们的信息。

所谓的专家系统就是从这个想法中产生的，它将关于世界的简单信息打包成符号类别，并在逻辑结论中使用这些信息。

GOFAI 没能满足 AI 的厚望——第一个 AI 冬天破了。研究经费被削减，项目被取消。例如，如今，此类 AI 已用于流程自动化。

机器学习/机器学习/深度学习

当前人工智能研究的宠儿是机器学习，尤其是深度学习。

机器学习创建了使用数据来学习如何执行任务的计算机系统。软件不是由开发人员以编程代码的形式逐行给出指令，而是在第一次推送后继续独立编写代码并对其进行优化以获得更好的结果。

该研究学科目前最受欢迎的是所谓的深度学习：使用多层神经网络进行机器学习，以不断提高的准确性识别数据中的模式，从而学习人类偏好、识别物体或理解语言。

机器学习驱动了大量当前的人工智能服务。不管是谷歌、Netflix 还是 Facebook：学习算法提出建议、改进搜索引擎并让语言助手提供答案。

人工神经网络

人工神经网络的灵感来自于人类大脑的基本图像：一种算法创建不同层的连接神经元或节点，它们相互交换信息。神经网络的数学起源于 1943 年。

在最简单的情况下，该架构由输入层、中间隐藏层和输出层组成。输入信号由中间神经元最初随机生成的值进行修改，并传递到输出层。

一个简单的人工神经网络。一个圆圈对应一个人工神经元，一个箭头表示一个神经元的输出与另一个神经元的输入的连接。图片：Glosser.ca，彩色神经网络，CC BY-SA 3.0。

现在可以将输出与输入进行比较——预测是否正确？根据结果，修改中间神经元的值，并用新的输入重复该过程。随着多次重复，预测变得越来越精确。

简而言之：神经网络是自我优化的算法。

深度学习

深度学习或深度学习是具有多个隐藏层的神经网络的机器学习。

这些复杂的神经网络最迟在 2012 年开始了他们的胜利之旅，当时这样的网络以压倒性优势赢得了ImageNet图像分析竞赛。

深度神经网络的每一层都可以分析自己的图像信息：边界、纹理和图案直至对象。

深度学习是近年来人工智能热潮的原因，尤其是在图像识别、自动驾驶和深度造假方面。

更快的处理器和专用的人工智能芯片（如谷歌的 TPU）以及用于训练机器的大量数据使深度学习的突破成为可能。

生成对抗网络 (GAN)

GAN 由两个相互增强的神经网络（代理）组成。两者都使用共同的数据集进行训练，例如照片。

一个代理创建与记录类似的内容，另一个将其与原始记录匹配。将其识别为伪造品会迫使伪造代理改进其内容 – 直到它看起来属于训练数据集。

经过足够多的重复，一个伪造大师出现了：GAN 创造了看似真实的人、深度伪造、街道或假模型。他们写诗，创作音乐，创作昂贵的艺术品，将复古游戏变成高清版本。自 2014 年推出以来，它们一直在稳步改进。

黑匣子和可解释的人工智能

机器学习有一个关键的缺点：通常不清楚 AI 究竟是如何得出结果的。深度神经网络非常复杂，以至于不清楚各个层和神经元在 AI 处理中的作用。

因此，人工智能系统通常被称为黑盒：一个位于输入和输出之间的黑色、不透明的盒子。

数据在前，结果在后。两者之间发生的事情尚不清楚 – 这是黑匣子。图形：冯克劳斯-自己的作品，CC-BY-SA 4.0，链接

可解释人工智能研究部门的研究人员正试图深入研究这个黑匣子。他们希望使完整的人工智能系统，或者至少是个人结果，对人们来说是可以理解的。

微软、IBM、谷歌或 Facebook 等科技公司也在开发旨在揭示人工神经网络复杂性的软件工具。AI 研究员 Iyad Rawhan 即将呼吁建立一门研究智能机器行为的新学科。

（4）人工智能训练：这就是人工智能的训练方式

培训属于人工智能，如数学公式中的占位符。但是你如何学习和训练完全取决于人工智能。我将向您介绍一些在AI 训练中使用的学习方法。

监督学习

在监督学习中，人工智能在其训练数据正在准备的意义上受到监督。举个例子：如果一个AI要识别照片中的物体，在训练之前，所有的猫、汽车、树等都被标记在训练照片上。

人工为 AI 训练准备的图像示例。图片：Samasource

这个标记过程（“标记”）非常耗时，但却是成功监督训练的基础——由于大量的人类准备工作，人工智能知道要寻找哪些模式。

监督学习是目前广泛使用的大多数人工智能的背后，例如自动驾驶、人脸识别或在线搜索。这些标签通常由低工资工人设置，近年来已成为一个全球性行业。

无监督或自监督学习/无监督学习

无监督学习是人工智能研究的希望。与监督学习相比，数据的准备过程并不耗时：AI 接收大量没有标签的数据，并独立搜索数据中的模式。

该方法有两个优点：首先，准备充分、广泛的数据集很少。其次，人工智能可以发现对人类隐藏的数据中的联系。

用人工智能研究员Yann LeCun的话来说是这样的：“如果说智能是一个馅饼，那么大部分馅饼就是无监督学习，结冰的是监督学习，而最重要的是强化学习。”

与此同时，自我监督学习这一术语也得到了传播。根据观点，这是无监督学习的特殊变体或同义词。LeCun 已经宣布，今后他将只谈论自学习而不是无监督学习。

在自监督学习中，部分训练数据通常会被保留，AI 必须对其进行预测，例如句子中的下一个单词。这迫使他们学习有关数据的重要细节，例如语义表示。

例如，自我监督学习用于AI 扩展，并在过去 1.5 年中实现了语言 AI 的重大进步。OpenAI 使用强大的GPT-2 算法的学习方法。而微软已经用它训练了迄今为止最大的语言 AITuring-NLG。

强化学习

强化学习依赖胡萝卜加大棒：只要 AI 成功完成任务，就会获得奖励。如果她错过了目标，她要么一无所获，要么受到惩罚。

通过这种反复试验的方法，人工智能在从初学者到专业人士的许多领域通过反复试验发展，例如在围棋和国际象棋、Dota 2、星际争霸 2或扑克中。最近所有的成功都依赖于所谓的深度强化学习，强化和深度学习的结合。

迁移学习

迁移学习是指将学习到的 AI 技能应用于新的但相关的问题的训练方法。一个例子是谷歌的图像识别人工智能 Inception，研究人员使用它来检测肺癌。

从长远来看，迁移学习可能会导致人工智能从孤立的人才转向更大的灵活性。因此，对迁移学习的研究是对通用人工智能的重要贡献。

模仿学习

模仿学习使用演示作为AI 的培训材料。例如，在电子游戏中，这可以是人类玩家在游戏中奋力拼搏的记录，也可以是机器人通过观察人类动作进行学习的记录。

AI 很久没有玩过雅达利经典的《蒙特祖玛的复仇》，同时通过模仿学习将 AI定位到人类游戏动作中来实现。

与强化学习相比，模仿学习的一个优势是更大的灵活性：在某些情况下，奖励很难定义或实现。纯粹的试错法不会让人工智能更进一步。这就是人类演示的帮助，人工智能可以从中学习。

少镜头学习

在 AI 成功识别数据模式之前，通常需要无数示例。所谓的 one-shot 和few-shot 学习方法可以帮助 AI学习一项新技能，类似于人类，使用更少的示例甚至只是一个示例。

英伟达的人工智能可以让人跳舞、传递面部表情和生成街景。全能者只需要几个例子，比如几张新闻主播的照片。|视频：英伟达

在实践中，人工智能无需大量培训即可学习新任务。例如，三星研究人员仅通过几个例子就设法交换了人们的面孔。以色列的一个研究小组甚至更进一步，开发了一种无需事先进行面部训练即可进行实时深度伪造的方法。

对抗性学习

人工智能系统通常容易受到所谓的“对手示例”的攻击。专门从事图像分析的 AI 可以通过最少的操作图像来欺骗。人眼看不到的轻微像素偏移或某种水印通常就足够了。可视恶意代码，如果你愿意的话。

然后，人工智能会识别出枪而不是乌龟，印有特殊印花的 T 恤可以防止人脸识别，或者自动驾驶汽车突然加速，因为它扫描了路标上的危险贴纸。

对抗性学习的研究领域试图使 AI 系统对像素攻击更具鲁棒性。通常，用于此目的的系统是使用上述有害对手示例进行训练的。这就是他们学会不爱上他们的方式。

当然，就像在许多其他网络安全场景中一样，众所周知的猫捉老鼠游戏在这里发生：如果一个安全漏洞被关闭，一个新的漏洞就会被打开。

（5）人工智能在数字化中的作用

为了理解人工智能在数字化中的作用，必须首先澄清数字化这个术语。在德语中它具有双重含义，在英语中通过“数字化”和“数字化”这两个词更清楚地分开。

“数字化”是将纸质文件、缩微胶卷、照片或录音等模拟值/数据（自动）转换为适当的数字格式。

这使得数据可用于“数字化”过程：通过使用数字技术和数字化数据来启用、改进或转换业务模型和流程，并使用数据处理方法将其转换为可用知识。今天用德语谈论数字化的人通常指的是这个过程。

从这个意义上说，数字化进一步导致了数字化转型：业务或其他组织流程、能力和模型的深刻转型，以便能够充分利用新的数字技术。

人工智能技术在这个过程中扮演着三重角色：例如，今天，它有助于通过图像和语音分析将模拟数据数字化。它还可以分析大量数据——即“大数据”——并识别其中的模式。为此，它通常接受数字化数据的训练、识别图像、处理自然语言、在预测分析领域进行预测、通过聊天机器人与客户和员工互动或在云边缘创建智能机器。

人工智能为数字化转型做出了重大贡献：新市场被打开，旧流程消失或发生根本性变化，既定市场结构崩溃。如果没有人工智能算法，就不会有谷歌、Facebook、Netflix、优步和亚马逊——至少不是我们所知道的公司形式。

物联网 (IoT)被认为是经济和社会数字化的关键驱动力和一部分。物联网扩展了互联网的经典全球通信网络，例如终端用户的智能设备或工业设备的智能传感器，作为“通信伙伴”集成到全球网络中。它们提供大量以前未开发的数据，并将其提供给 AI 软件进行评估和控制。

借助工业物联网 (IIoT)，所有机器、产品和流程都可以联网：缺少的材料自动订购，工件无缝流向下一台机器，理想地在错误发生之前检测到 – 过程控制变得更加透明和更容易由于广泛的自动化，控制，同时更高效。这应该可以降低成本并实现具有高度灵活性的快速流程。

除了工业物联网之外，机器人技术在生产中的需求也特别大：自动化需要付出很多努力才能在生产线中规范和安装机器人。然而，每个机器人都是专家，其感知、运动和操作技能严重受限。自动化不灵活，成本高昂，必须进行精确校准，仅对生产大量标准化产品的大公司才值得。

人工智能已经可以让更灵活、更好地感知环境的机器人投入运行。这是通过所谓的协作机器人实现的——小型且廉价的机械臂，可以编程并与人一起工作。这种开发使生产更加灵活：协作机器人可以在工作站上临时使用，然后重新编程并在另一个位置继续工作。这使得该技术对于以前无法负担经典自动化的公司来说很有趣。

然而，工业 4.0 的主要目标是更智能、更灵活、更专注的机器人。他们应该能够像人类一样灵活地识别和处理对象 – 从而自动化生产过程的所有阶段。

“Lights-Out-Factory”应该使许多产品成为可能，这是一个完全自主的工厂，无需人工干预 – 因此不需要任何照明。对于这些机器人，需要在人工智能研究方面取得进展，特别是在物体识别和强化学习方面，这应该能让机器人快速学习新任务。

（6）人工智能：好处与风险

当前的 AI 应用程序本质上是统计方法，可以在存在大量数据且某些不准确性不会造成致命后果的地方使用。在这些情况下，人工智能可以提供巨大的附加值：对于谷歌、百度或 Facebook 等使用人工智能来组织搜索结果或新闻提要的公司，或者对于使用人工智能来解锁智能手机、排序照片或翻译文本的最终消费者。

在需要更高准确性的情况下，当前的人工智能技术已达到极限：几年前就曾承诺通过自动驾驶汽车带来的移动性革命，但由于低级自动驾驶辅助系统的错误导致事故仍然发生。

在其他情况下，系统的不准确性被简单地忽略了：人工智能监控在全球范围内呈上升趋势，各国使用不准确的面部识别人工智能来打击犯罪或监控示威活动。在种族偏见数据集上训练的人工智能系统会就是否应该保释提出建议。银行中的类似系统决定谁有权获得贷款。

在忽略不准确性和预加载的情况下，就会出现基于机器的算法无误的印象。这有时会使受影响的人难以对决定提出异议。无论是更准确的 AI 系统解决这些问题还是只是创建新问题，我都在本文中讨论了AI 监控的优缺点。

深度造假与失业

AI-fake 视频 – 所谓的deepfake- 正在越来越多地传播。目前，该技术似乎主要用于娱乐和色情。该技术偶尔会被骗子和间谍使用。

然而，美国政界人士警告称，2020 年美国大选中会出现大量深度伪造，因此Facebook或Twitter等大型社交媒体平台希望识别甚至删除政治深度伪造。

另一个人工智能幽灵是大规模自动化：美国前总统候选人安德鲁·杨甚至呼吁提供基本收入，以武装美国社会应对他担心的与人工智能相关的大规模失业。

目前，自动化似乎暂时进展缓慢 – 然而，人工智能技术有可能取代那些传统上幸免于自动化的人。其中包括行政、律师事务所、媒体以及创意领域的职位，尤其是在设计领域。

人工智能：经济奇迹还是我们的终结？

通用人工智能将人工智能的优势和风险转移到存在主义上：这将是对几乎所有生活领域的大规模干预，也是社会、经济、教育、医学和研究的一场革命。

它可能成为一种超级智能，可以为我们做任何工作，解决任何问题，并彻底改变民主。这些潜力可能会驱动人工智能研究人员，直到他们的愿景实现——或者直到有证据表明他们的努力是不可能的。Deepmind 或 OpenAI 等 AI 实验室正在寻找一种通往 Super AI 的方法，有朝一日，它可以通过许多专门的单个 AI 项目绕道而行，将许多单独的组件组装成一个大型神经网络。

这些尝试让那些将 GKI（更不用说超级智能）视为潜在生存威胁的人感到担忧。例如，哲学家Nick Bostrom和 AI 研究员Stuart Russel警告说，人类将被过度智能的 AI 消灭。如果你想以一种有趣的方式理解 Bostrom 的推理，你应该看看这个回形针模拟器。

AI 先驱 Yann LeCun 和神经生物学家 Anthony Zader 则比较轻松：两位专家认为 AI 缺乏必要的杀人本能——压倒性的机器根本对人类的终结毫无兴趣。两人得到认知研究员史蒂文平克的支持，他认为博斯特罗姆的恐惧是反乌托邦的胡说八道。