人工智能是一个构建能够推理、学习和行动的打算机和机器的科学领域，这种推理、学习和行动常日须要人类智力，或者涉及超出人类剖析能力的数据规模。
AI 是一个广博的领域，涵盖许多不同的学科，包括打算机科学、数据剖析和统计、硬件和软件工程、措辞学、神经学，乃至哲学和生理学。
在业务利用的操作层面上，AI 是一组紧张基于机器学习和深度学习的技能，用于数据剖析、预测、工具分类、自然措辞处理、推举、智能数据检索等等。
概况来说，人工智能利用打算机和机器，模拟人类思维的问题办理和决策制订能力。
弱 AI 也称为狭义 AI 或人工狭义智能 (ANI)，是专注于实行特界说务的经由演习的 AI。 弱 AI 驱动了我们现在利用的大多数 AI。 “狭窄”可能是对这类 AI 更准确的描述，由于它一点也不弱；它支持一些非常强大的运用，如 Apple Siri、Amazon Alexa、IBM Watson 自动驾驶汽车。
强 AI 由人工常规智能 (AGI) 和人工超级智能 (ASI) 组成。 人工常规智能 (AGI) 是 AI 的一种理论形式，机器拥有与人类等同的智能；它具有自我意识，能够办理问题、学习和方案未来。 人工超级智能 (ASI) 也称为超级智能，将超越人类大脑的智力和能力。 虽然强 AI 仍完备处于理论阶段，还没有实际运用的例子，但这并不虞味着 AI 研究职员不再探索它的发展。 与此同时，ASI 的最佳例子可能来自科幻小说中的人物，如 HAL、超人以及 《2001 太空漫游》中的无赖电脑助手。
人工智能、深度学习与机器学习由于深度学习和机器学习这两个术语每每可互换利用，因此必须注两者之间的细微差别。 如上所述，深度学习和机器学习都是人工智能的子领域，深度学习实际上是机器学习的一个子领域。
深度学习实际上是由神经网络组成的。 深度学习中的“深度”指的是由三层以上的神经网络组成，包括输入和输出，可以被认为是一种深度学习算法。
深度学习和机器学习的不同之处在于每个算法的学习办法。 深度学习可以自动实行过程中的大部分特色提取，肃清某些必需的人工干预，并能够利用更大的数据集。 您可将深度学习视为“可扩展的机器学习”，正如 Lex Fridman 在麻省理工学院的同一次讲座中提到的那样。 经典的或“非深度”的机器学习更依赖于人类的干预进行学习。 人类专家确定特色的层次构造，以理解数据输入之间的差异，常日须要更多构造化数据以用于学习。
“深度”机器学习则可以利用标签化数据集，也称为监督式学习，来确定算法，但不一定必须利用标签化数据集。 它可以原始格式（例如文本、图像）采集非构造化数据，并且可以自动确定区分不同种别数据的特色的层次构造。 与机器学习不同，它不须要人工干预数据的处理，使我们能够以更有趣的办法扩展机器学习。
人工智能的运用和利用场景语音识别
也称为自动语音识别 (ASR)、打算机语音识别或语音到文本，能够利用自然措辞处理 (NLP) 将人类语音转变为书面格式。 许多移动设备 — 如 Siri — 都在其系统中纳入了语音识别功能，以进行语音搜索，或者供应更方便的短信服务。
打算机视觉该 AI 技能使打算机和系统能够从数字图像、视频和其他可视输入中获取故意义的信息，并基于这些输入采纳行动。 这种供应建议的能力将其与图像识别任务区分开来。 打算机视觉由卷积神经网络供应支持，运用在社交媒体的照片标记、医疗保健中的放射成像以及汽车工业中的自动驾驶汽车等领域。
客户做事在线虚拟客服正在取代工人客服为客户做事。 他们回答各种主题的常见问题 (FAQ) ，例如送货，或为用户供应个性化建议，交叉发卖产品，供应用户尺寸建议，改变了我们对网站和社交媒体中客户互动的意见。 示例包括具有 虚拟客服的电子商务站点上的谈天机器人、通报运用（例如 Slack 和 Facebook Messenger）以及虚拟助理和 语音 手常日实行的任务。
建议引擎AI 算法利用过去的消费行为数据，帮助创造可用于制订更有效的交叉发卖策略的数据趋势。 这用于在在线零售商的结账流程中向客户供应干系的附加建议。
数据剖析针对商业智能探求数据中的模式和关系。
网络安全独立自主扫描网络以检测是否存在网络攻击和威胁。
行业运用医疗行业聪慧诊疗聪慧医学影像聪慧康健管理教诲行业远程教诲AI赞助行为检测场景识别线上监考交通畅业交通工具聪慧化出行办法聪慧化道路管理聪慧化物盛行业智能仓储商品自动储存拣选分选制造行业产品智能化研究设计聪慧质检天生设备预测性掩护……人工智能发展史1950 年：阿兰图灵揭橥了“打算机器与智能”。 在这篇文章中，因在二战期间破译纳粹 ENIGMA 密码而有名的图灵，发起回答 “机器能思考吗?”这一问题 并先容了图灵测试，用于确定打算机能否展示出与人类相同的聪慧（或相同聪慧产生的结果）。 自此之后，人们就图灵测试的代价一贯辩论不休。1956 年：John McCarthy 在达特茅斯学院人工智能会议上创造了“人工智能”(AI) 一词，这是人工智能出身的标志。 （McCarthy 后来又发明了 Lisp措辞。） 同年晚些时候，Allen Newell、J.C. Shaw 和 Herbert Simon 创建了有史以来第一个运行 AI 软件程序的机器 “Herbert Simon”。1967 年： Frank Rosenblatt 构建了 Mark 1 Perceptron，这是第一台基于神经网络的打算机，它可以通过试错法不断学习。 就在一年后，Marvin Minsky 和 Seymour Papert 出版了一本名为 《感知器》(Perceptrons) 的书本，这本书既成为神经网络领域的标志性作品，同时至少在一段韶光内，也是反对未来神经网络研究项目的论据。20 世纪 80 年代： 利用反向传播算法演习自己的神经网络在 AI 运用中广泛利用。1997 年： IBM 的深蓝打算机在国际象棋比赛（和复赛）中击败国际象棋天下冠军 Garry Kasparov。2011 年： IBM Watson 在《Jeopardy!》寻衅赛中击败了 Ken Jennings 和 Brad Rutter。2015 年： 百度的 Minwa 超级打算机利用一种称为卷积神经网络的分外深度神经网络来识别图像并进行分类，其准确率高于一样平常的人类。2016 年： 由深度神经网络支持的 DeepMind 的 AlphaGo 程序在五轮比赛中击败了围棋天下冠军 Lee Sodol。 考虑到随着游戏的进行，可能的走法非常之多，这一胜利具有主要意义（仅走了四步之后走法就超过 14.5 万亿种！）。 后来，谷歌以四亿美元的报价收购了 DeepMind。
自出身至今已有60多年景长历史，目前处于爆发期，经历过两次寒冬期
第一次由于算力不敷第二次由于硬件市场崩溃、资金不敷、研究迷茫家当构造层级根本层数据做事通用数据来源：开源数据集平台面向工具：大众是否支持分享：支持，对外开放行业数据来源：各行业企业的内部系统面向工具：企业内部是否支持分享：不支持，不对外开放软件举动步伐云打算平台大数据平台硬件举动步伐芯片（算力支持）传感器（数据采集）技能层开拓框架TensorFlowPyTorchCoffeKeras……算法模型机器学习模型：实现人工智能的主要手段深度学习模型：图像、文本、声音等高维度繁芜数据处理通用技能打算机视觉自然措辞处理智能语音知识图谱运用层人工智能产品智能音箱自动驾驶汽车智能机器大家脸支付……人工智能运用处景：上述1.4和1.5节内容系统架构范例的AI系统架构图如下：
后续针对该部分单独先容，此处不做赘述。
人工智能标准体系人工智能标准化白皮书（2021版）.pdf （第64页开始有部分案例先容）
火出圈的范例： chatGPT
参数数量
演习数据
GPT-1
1.2亿
BookCorpus[8]：是一个包含7000本未出版书本的语料库，总大小为4.5 GB。这些书本涵盖了各种不同的文学流派和主题。
GPT-2
15亿
WebText：一个包含八百万个文档的语料库，总大小为40 GB。这些文本是从Reddit上投票最高的4,500万个网页中网络的，包括各种主题和来源，例如新闻、论坛、博客、维基百科和社交媒体等。
GPT-3
1750亿
一个总大小为570 GB的大规模文本语料库，个中包含约四千亿个标记。这些数据紧张来自于CommonCrawl、WebText、英文维基百科和两个书本语料库（Books1和Books2）。
如何快速体验chatGPT：微软新必应浏览器
【星猿杂谈】：在这里我们共同探索科技新趋势，分享打动人心的影视作品，从人工智能到经典电影，我们追求技能的进步，同时器重故事的力量。欢迎关注我们，在科技与影视的精彩天下中一起遨游，创造更多未知！
#探索与创造#