什么是人工智能,它能解决什么问题?

作为人工智能概论的第一章,本篇的主题将探讨“什么是人工智能”,以及“人工智能能解决什么问题?都有什么实际用处”。

在本篇内容中,我们将从以下几个主题开始了解人工智能:

  • 什么是人工智能?
  • 人工智能的两大类型。
  • 人工智能的主要应用。

什么是人工智能,它能解决什么问题?

什么是人工智能?

你是否认为人工智能是近几年才突然冒出来的概念?

其实不然,“人工智能”一词其实早在1956年就由达特茅斯大学(Dartmouth)教授约翰·麦卡锡(John McCarthy)首创。

在发展初期,人们一直认为计算机的能力永远无法与人类大脑匹敌,但事实证明并非如此。

那时候我们并没有足够的数据和计算能力,但随着大数据的出现和CPU能力的大幅升级,现在回头再看,人工智能已然成为了可能。

或许不久之后,我们就能看到人工智能不再那么人工,而会更加智能。

说了这么多,到底什么是人工智能?

其实这个问题,每个人都能有不同的理解。在笔者看来,人工智能本质上是计算机对人类智能的模拟。人工智能的发展之路其实就是对人类大脑的探索之路。它要求计算机需要像人脑一样懂得自我学习、推理,并在学习过程中进行自我纠正。

我们可以发现,让计算机自我学习是达到人工智能的必经之路。这也是为什么机器学习深度学习这么火爆的原因,机器学习和深度学习就是实现计算机自我学习的目前已知的最好方法。

什么是人工智能,它能解决什么问题?

人工智能的两大类型

人工智能大致可以分为两类:

  • 狭义人工智能
  • 广义人工智能

狭义人工智能:

狭义人工智能也称为弱人工智能,指的是仅限于一个狭义领域内,以等于或高于人类的智能程度解决问题或执行任务的AI。

这里“狭义”的意思是,它主要针对某一类特定的任务而设计和训练的,所以人工干预的成分比较大。我们熟知的苹果的Siri、还有亚马逊的Alexa等虚拟助手使用的都是狭义人工智能。

虽然它也称为“弱人工智能”,这并不意味着它是低效的或类似的东西。相反,它非常擅长日常工作,无论是体力上的还是脑力上的狭义人工智能正逐步威胁并取代世界各地的许多人类工作。

广义人工智能:

广义人工智能,也称为强人工智能,是一个具有类似人类认知能力的系统,当系统面临一个不熟悉的任务时,它的智能无需在人类的干预下即可找到解决方案。

这些技术旨在复制或超越人类的智能能力,如风险分析和其他的认知能力。目前研究人员正在坚持不懈地应对创建强人工智能的难题,深度学习似乎让我们看到一丝曙光,但是目前对于如何实现这一壮举并没有清晰的计划,我们想要达到这一目标还很遥远。

人工智能的主要应用

如今,人工智能的应用几乎无处不在,如人脸识别、智能翻译系统、邮件垃圾邮件过滤、银行欺诈检测系统等等。

相信在未来,人工智能可以让我们的生活变得更加美好,现阶段它的应用才刚刚开始而已。

接下来笔者将介绍人工智能发展以来实际的应用以及这些应用所解决的问题。

第一个人工智能系统“深蓝”

在90年代末,IBM开发出了第一款国际象棋计算机“深蓝”。它是第一个在常规时间下赢得国际象棋比赛的计算机象棋系统。

1996年2月10日,“深蓝”首次战胜世界冠军,只在六场比赛的第一场中击败了加里·卡斯帕罗夫。

比赛过后,“深蓝”便进行了大规模升级,并在第二年1997年5月再次与卡斯帕罗夫比赛并击败了卡斯帕罗夫。

如今,你手机上的免费国际象棋游戏中的人工智能都比“深蓝”更快、更好。

人工智能协助救援

通常情况下,在遇到自然灾害时,救援人员需要检查航拍视频来确定人们可能被困在哪里。然而,检查大量的照片和无人机拍摄的画面是非常费时费力的。

在这种状况下,时间就是生命,任何一分一秒都要正确,因为对受害者来说,这很可能是生与死的区别。

在美国的德州农工大学开发的人工智能系统,可以在两小时内检查大量镜头并寻找到失踪的人。

智能农业

智能农业

美国已经开始将人工智能应用到农业管理上。

人工神经网络可以很好地提供智能农业解决方案。它首先可以对土壤和农作物产量进行全面监测,然后提供预测分析模型,再跟踪和预测可能影响未来产量的各种因素和变量,最终通过预测模型提出让产量最大化的解决方案,让农业的管理更加科学、智能化。

例如,位于柏林的农业科技初创公司PEAT就开发了一种名为Plantix的基于深度学习算法的应用程序,它可以识别土壤中的缺陷和营养缺乏。

他们的算法可以将特定的叶子模型与特定的土壤缺陷、植物病虫害联系起来,由此产生更科学有效的管理决策。

人工智能手术

人工智能机器人在医疗领域的应用也十分迅速。

现在的机器人可以为医生提供了更大的精确度和控制能力。这些机器可以帮助医生进行手术,积极地影响了手术体验,缩短了患者的住院时间,并且还降低了医疗成本。

同样,思维控制的机械臂和大脑芯片植入物已经开始帮助瘫痪患者恢复行动能力和触觉。

总的来说,机器学习和人工智能正在帮助医生,并改善患者的整体体验。

总结

人工智能简单来说是计算机对人类大脑的模拟,以此来协助人类工作。本文列举了几个人工智能的发展应用,长远来看,人工智能的应用领域还在无限拓宽,并且我们也不知道在未来它还能创造哪些奇迹。

如果现阶段你对人工智能、机器学习、深度学习等概念比较模糊,建议您阅读《人工智能、机器学习和深度学习有什么区别?》了解。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:什么是人工智能,它能解决什么问题? - Python技术站

(0)
上一篇 2023年5月25日
下一篇 2022年11月22日

相关文章

  • Keras速查_CPU和GPU的mnist预测训练_模型导出_模型导入再预测_导出onnx并预测

    需要做点什么 方便广大烟酒生研究生、人工智障炼丹师算法工程师快速使用keras,所以特写此文章,默认使用者已有基本的深度学习概念、数据集概念。 系统环境 python 3.7.4tensorflow 2.6.0keras 2.6.0onnx 1.9.0onnxruntime-gpu 1.9.0tf2onnx 1.9.3 数据准备 MNIST数据集csv文件是…

    Keras 2023年4月6日
    00
  • 一文搞懂RNN(循环神经网络)基础篇

    神经网络基础 神经网络可以当做是能够拟合任意函数的黑盒子,只要训练数据足够,给定特定的x,就能得到希望的y,结构图如下: 将神经网络模型训练好之后,在输入层给定一个x,通过网络之后就能够在输出层得到特定的y,那么既然有了这么强大的模型,为什么还需要RNN(循环神经网络)呢? 为什么需要RNN(循环神经网络) 他们都只能单独的取处理一个个的输入,前一个输入和后…

    2023年4月8日
    00
  • pytorch 配置详细过程

    torch github 项目多方便,api好调用 cpu版本 装torch 安装最新版本的就可以。 torchvision 要版本对应算法:torchvision版本号=torch版本号第一个数字-1.torch版本号第二个数字+1.torch版本号第三个数字 所以我的就是: pip install torchvision==0.14.1 -i https…

    2023年4月6日
    00
  • Tensorflow–基本数据结构与运算

    Tensor是Tensorflow中最基础,最重要的数据结构,常翻译为张量,是管理数据的一种形式 一.张量 1.张量的定义 所谓张量,可以理解为n维数组或者矩阵,Tensorflow提供函数: constant(value,dtype=None,shape=None,name=”Const”,verify_shape=False) 2.Tensor与Nump…

    2023年4月7日
    00
  • 实用教程!使用YOLOv3训练自己数据的目标检测

    点击我爱计算机视觉标星,更快获取CVML新技术 YOLOv3是当前计算机视觉中最为流行的实时目标检测算法之一。 昨天LearnOpenCV网站博主又发福利,post了一个清晰明了的教程,一步一步示例,如何使用快速实时的YOLOv3算法,训练某种特定类别目标的检测器。 作者收集了将近1000张雪人的图片,训练了一个雪人检测器,先来看看效果吧 全部代码可在文末下…

    2023年4月8日
    00
  • keras中TimeDistributed的用法

    TimeDistributed这个层还是比较难理解的。事实上通过这个层我们可以实现从二维像三维的过渡,甚至通过这个层的包装,我们可以实现图像分类视频分类的转化。 考虑一批32个样本,其中每个样本是一个由16个维度组成的10个向量的序列。该层的批输入形状然后(32, 10, 16)。 可以这么理解,输入数据是一个特征方程,X1+X2+…+X10=Y,从矩阵…

    2023年4月8日
    00
  • 循环神经网络 (Recurrent Neural Network)的训练

    训练一个神经网络就是训练该网络的各个参数(各个连接的权重)。   训练的思想大致为: 1. 用训练样本的真实值和预测值的差异建立目标函数。显然,目标函数值越小越好。当训练样本给定之后,目标函数实为各个参数(各个连接)的函数。 2. 最小化目标函数,得对应于相应训练样本的可使目标函数最小的参数。用这些参数来建模去预测别的样本。   最小化目标函数一般采用梯度下…

    2023年4月6日
    00
  • 卷积神经网络-吴恩达深度学习课程第四课

      时间:2021/02/16   一.卷积神经网络 1.1 计算机视觉 卷积神经网络一般应用于计算机视觉领域,由于有的时候图片的像素点很多,导致神经网络输入特征值的维数很多。   1.2 边缘检测示例 如下图所示,原图是一个6*6*1的矩阵,卷积核是一个3*3*1的矩阵,经过卷积后得到一个4*4*1的矩阵。   下图展示了垂直边缘检测的原理:   1.3 …

    2023年4月5日
    00

评论列表(2条)

合作推广
合作推广
分享本页
返回顶部