人工智能（AI）是一项使计算机和机器能够模拟人类学习、理解、解决问题、决策、创造力及自主性的技术。
配备人工智能的应用程序和设备能够识别物体，理解并响应人类语言。它们还能从新信息和经验中学习，并向用户及专家提供详细建议。此外，它们能够自主行动，从而无需人类的智能参与或人工干预（自动驾驶汽车便是一个典型例子）。
然而，在2024年，大多数人工智能研究人员、从业者以及相关报道的焦点，都集中在生成式人工智能（Gen AI）的突破性进展上；这是一种能够生成文本、图像、视频及其他原创内容的各种技术。若要全面理解生成式人工智能，首先必须了解其工具所依托的技术，即机器学习（ML）和深度学习。
机器学习 (Machine Learning)
理解人工智能的一个简单方法，是将其视为一系列在过去70多年间涌现的、相互交织或衍生而来的概念：
人工智能涵盖了机器学习这一领域，它涉及通过训练算法来构建模型，以便根据数据进行预测或做出决策；该领域包含多种技术，使计算机能够从数据中学习并推导出信息，而无需针对特定任务进行显式编程。
机器学习技术或算法种类繁多，包括线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）、K-近邻算法（KNN）、聚类分析等。每种方法都适用于不同类型的问题和数据。
在众多机器学习算法中，最著名的一种被称为神经网络（或人工神经网络）；神经网络的设计模仿了人脑的结构与功能。神经网络由相互连接的节点层（相当于神经元）组成，这些节点协同工作，以处理和分析复杂数据。神经网络非常适合处理涉及识别海量数据中复杂模式与关系的各类任务。
机器学习最简单的形式被称为“监督学习”（Supervised Learning） ，它涉及使用带有标签的数据集来训练算法，以便准确地对数据进行分类或预测结果。在此类学习中，人工将每个训练样本与相应的标签（即预期的输出结果）相关联。其目标是让模型学习训练数据中输入与输出之间的关系，从而能够对未见过的新数据进行输出预测。
深度学习 (Deep Learning)
深度学习是机器学习的一个子集，它利用多层神经网络（即深度神经网络）来高度模拟人脑复杂的决策能力。
深度神经网络包含输入层、至少三个隐藏层（通常多达数百个）以及输出层；这与传统机器学习模型中使用的神经网络不同，后者通常仅包含一两个隐藏层。
这些多层结构实现了无监督学习（Unsupervised Learning） ：它们能够自动从大规模、未标注且非结构化的数据集中提取特征，并针对数据所代表的含义做出预测。
نظرًا لأن التعلم العميق لا يتطلب تدخلًا بشريًا، فإنه يتيح إجراء عمليات التعلم الآلي على نطاق واسع للغاية. وهو مناسب تمامًا لمهام مثل معالجة اللغات الطبيعية (NLP) ورؤية الكمبيوتر، وغيرها من المهام التي تتطلب تحديدًا سريعًا ودقيقًا للأنماط والعلاقات المعقدة ضمن كميات هائلة من البيانات. وتعتمد معظم تطبيقات الذكاء الاصطناعي في حياتنا اليومية على شكل من أشكال التعلم العميق.
深度学习还能够：
- 半监督学习结合了监督学习与非监督学习，利用标注数据和未标注数据来训练人工智能模型，以执行分类和回归任务。
- 自监督学习，它从非结构化数据中生成隐式标签，而非依赖标注数据集来获取监督信号。
- 强化学习，它通过试错和奖励函数进行学习，而不是从隐藏模式中提取信息。
- 迁移学习，即利用从某项任务或数据集获得的知识，来提升模型在另一项相关任务或不同数据集上的性能。
生成式人工智能 (Generative AI)
生成式人工智能（有时被称为“Gen AI”）是指能够根据用户的提示或请求，生成原创且复杂内容（如长篇文本、高质量图像、逼真的视频或音频等）的深度学习模型。
总体而言，生成式模型会对训练数据的简化表征进行编码，然后利用该表征生成与原始数据相似但不完全相同的新作品。
多年来，生成式模型一直被用于统计学中以分析数值数据。然而，在过去十年间，它们已发展到能够分析和生成更为复杂的数据类型。这一发展与三种先进深度学习模型的出现同步：
- 变分自编码器（VAEs）于 2013 年问世，使模型能够根据提示或指令生成多种形式的内容。
- 扩散模型（Diffusion Models）于 2014 年首次出现；它们向图像添加“噪声”直至图像变得无法辨认，随后去除噪声，从而根据提示词生成原创图像。
- Transformer 模型（Transformers）通过序列数据进行训练，旨在生成长序列内容（例如句子中的单词、图像中的形状、视频中的帧或编程代码中的指令）。Transformer 是当今备受瞩目的各类生成式人工智能工具的核心，包括 ChatGPT、GPT-4、Copilot、Gemini 等。
生成式人工智能如何运作
总体而言，生成式人工智能的运作分为三个阶段：
- 训练，以构建基础模型。
- 微调，旨在使模型适应特定应用。
- 生成、评估与进一步微调，以提高准确性。
培训
生成式人工智能始于“基础模型”；这是一种深度学习模型，作为各类生成式人工智能应用的基础。
当今最常见的基座模型是大语言模型（LLM） ，它们最初是为文本生成应用而构建的。不过，也存在用于生成图像、视频、音频或音乐的基座模型，以及支持多种内容类型的多模态基座模型。
لإنشاء نموذج تأسيسي، يقوم الممارسون بتدريب خوارزمية تعلم عميق باستخدام كميات هائلة من البيانات الخام ذات الصلة — غير المهيكلة وغير المُصنَّفة — مثل تيرابايت أو بيتابايت من النصوص أو الصور أو مقاطع الفيديو المأخوذة من الإنترنت. وتُسفر عملية التدريب عن شبكة عصبية تضم مليارات المعاملات (parameters) التي تمثل ترميزات للكيانات والأنماط والعلاقات الموجودة في البيانات، مما يتيح للنموذج توليد المحتوى بشكل مستقل استجابةً للمُوَجِّهات (prompts). وهذا هو النموذج التأسيسي.
这一训练过程需要巨大的算力，耗时漫长，且成本极高。它涉及数千个协同工作的图形处理单元（GPU）以及长达数周的处理时间，总成本通常高达数百万美元。而像 Meta 公司的 Llama-2 这样的开源基础模型项目，则使生成式人工智能开发者能够免去这一步骤及其相关成本。
设置
接下来，需要针对特定的内容生成任务对模型进行调整。这可以通过多种方式实现，包括：
- 微调（Fine-tuning） ，其中包括向模型提供特定于应用场景的标注数据、应用可能接收到的问题或提示词，以及相应的正确答案（并采用所需格式）。
- 基于人类反馈的强化学习（RLHF） ，即由人类用户评估模型输出的准确性或相关性，从而帮助模型实现自我改进。这一过程可以非常简单，例如用户针对聊天机器人或虚拟助手输入或口述修改建议。
生成、评估与进一步微调
开发人员和用户会定期评估生成式应用的输出结果，并持续微调模型——甚至每周一次——以提高准确性或相关性。相比之下，基础模型本身的更新频率较低，可能每一年或十八个月更新一次。
提升生成式人工智能应用性能的另一种方案是“检索增强生成”（RAG） 。这是一项扩展基础模型的技术，通过利用训练数据之外的相关来源来优化处理过程，从而提高输出的准确性或相关性。
人工智能代理与代理式人工智能
人工智能代理（AI agent）是一种自主的人工智能程序，能够无需人工干预，代表用户或其他系统执行任务并实现目标；它通过设计自身的工作流程并利用可用工具（如其他应用程序或服务）来完成这些工作。
代理式人工智能（Agentic AI）是由多个人工智能代理组成的系统，这些代理协同工作，以完成比系统中任何单一代理所能实现的更为复杂的任务或更大的目标。
与那些在预设限制内运行并需要人工干预的聊天机器人及其他人工智能模型不同，人工智能代理（AI Agents）和代理式人工智能（Agentic AI）展现出了自主性、目标导向的行为以及适应不断变化环境的能力。“代理”（Agent）和“代理式”（Agentic）这些术语，指的是这些模型所具备的“代理性”（agency），即它们独立且有目的地采取行动的能力。
我们可以将“智能体”（Agents）视为生成式人工智能之后的自然演进步骤。生成式模型侧重于根据习得的模式来创建内容；而智能体则利用这些内容，与其他智能体及各种工具进行交互，从而做出决策、解决问题并完成任务。例如，生成式人工智能应用或许能根据你的工作日程告诉你攀登珠穆朗玛峰的最佳时机，但智能体不仅能提供这一信息，还能利用在线旅行服务为你预订最佳航班，并安排尼泊尔当地最合适的酒店住宿。
人工智能的益处
人工智能在各行各业及各类应用中带来了诸多益处。其中一些最常见的益处包括：
- 实现重复性任务的自动化。
- 从数据中获取更多、更快的洞察。
- 加强决策过程。
- 更少的人为错误。
- 全天候服务（每周七天，每天24小时）。
- 降低财务风险。
重复性任务自动化
人工智能能够实现日常性、重复性且往往枯燥乏味任务的自动化，涵盖数据收集、录入与处理等数字任务，以及仓库库存拣选和制造流程等实体任务。这种自动化将员工从繁琐工作中解放出来，使他们能够专注于价值更高、更具创造性的工作。
加强决策过程
无论是用于辅助决策还是实现全自动决策，人工智能都能助力企业做出更快速、更精准的预测以及基于数据的可靠决策。当与自动化技术相结合时，人工智能使企业能够在无需人工干预的情况下，实时把握机遇并即时应对危机。
更少的人为错误
人工智能可以通过多种方式减少人为错误，从引导人员按正确步骤执行操作，到在潜在错误发生前发出提示，再到实现无需人工干预的流程全自动化。这一点在医疗保健等行业尤为重要；例如，由人工智能引导的手术机器人能够确保操作的一致性与精确度。
全天候可用性与一致性
人工智能能够全天候持续运行，并始终保持稳定的表现。聊天机器人或虚拟助手等工具可以减轻客户服务或支持人员的工作负担。在物料处理或生产线等其他应用场景中，当人工智能用于执行重复性或枯燥的任务时，有助于维持工作质量和生产水平。
降低物质风险
通过实现动物控制、爆炸物处理以及深海、高空或外太空作业等危险任务的自动化，人工智能可以消除让工人面临受伤甚至更严重后果的风险。尽管自动驾驶汽车及其他车辆尚未尽善尽美，但它们有望降低乘客受伤的风险。
人工智能应用场景
人工智能在现实中的应用多种多样。以下是跨行业应用场景的几个示例，旨在展示其潜力：
客户体验、服务与支持
企业可以部署由人工智能驱动的聊天机器人和虚拟助手，以处理客户咨询、支持工单及其他事务。这些工具利用自然语言处理（NLP）和生成式人工智能技术，理解并回答客户关于订单状态、产品详情及退货政策等方面的提问。
欺诈检测
机器学习和深度学习算法能够分析交易模式并识别异常情况（例如异常消费或不寻常的登录地点），从而发现潜在的欺诈交易。这使企业能够更迅速地应对潜在欺诈行为，并降低其影响。
个性化营销
零售商、银行及其他面向客户的企业可以利用人工智能，打造个性化的客户体验与营销活动，从而提升客户满意度、增加销售额并防止客户流失。
人力资源与招聘
基于人工智能的招聘平台能够简化招聘流程，具体方式包括筛选简历、将候选人与职位描述进行匹配，甚至利用视频分析进行初步面试。
应用程序开发与更新
人工智能代码生成工具和自动化工具能够简化应用程序开发中重复性的编码任务，并加速大规模的旧版应用程序迁移与现代化改造。
预测性维护
机器学习模型能够分析来自传感器、物联网（IoT）设备及运营技术（OT）系统的数据，从而预测何时需要进行维护，并在设备故障发生前对其进行预判。
人工智能的挑战与风险
各机构竞相利用最新的人工智能技术，以获取其诸多益处。这种快速应用固然必要，但人工智能工作流程的采用与维护也伴随着挑战与风险。
数据风险
人工智能系统依赖于数据集，而这些数据集可能容易受到数据投毒、数据篡改、数据偏差或网络攻击的影响，进而导致数据泄露。
模型风险
恶意行为者可能会针对人工智能模型进行窃取、逆向工程或未经授权的篡改。
操作风险
与所有技术一样，模型也容易面临诸如模型漂移、偏差以及治理结构崩溃等运营风险。
道德与法律风险
如果机构在开发和部署人工智能系统时不优先考虑安全与伦理，便面临侵犯隐私及产生偏见结果的风险。
人工智能伦理与治理
人工智能伦理是一个跨学科领域，旨在研究如何在提升人工智能有益影响的同时，降低风险和负面后果。人工智能伦理原则通过治理体系加以落实，以确保人工智能工具和系统保持安全且符合伦理规范。
与人工智能伦理及负责任人工智能相关的常见价值观包括：
可解释性与可理解性 (Explainability and Interpretability)
随着人工智能的发展，人类在理解算法如何得出结果方面面临着挑战。可解释人工智能（XAI）是一系列流程与方法，旨在让用户能够解释、理解算法结果并对其建立信任。
公平与包容 (Fairness and Inclusion)
尽管机器学习本质上是一种统计区分形式，但当这种区分赋予特权群体系统性优势，并使非特权群体处于不利地位时，它便变得不可接受。
稳健性与安全性 (Robustness and Security)
稳健的人工智能能够有效应对异常情况（例如输入数据的畸变或恶意攻击），而不会造成意外损害。
问责与透明度
企业必须落实明确的责任制与治理架构。此外，用户应当能够了解人工智能服务的运作方式，评估其功能，并理解其优势与局限性。
隐私与合规 (Privacy and Compliance)
许多监管框架（包括《通用数据保护条例》即 GDPR）都要求组织在处理个人信息时遵守特定的隐私原则。
弱人工智能与强人工智能
为了在不同复杂程度的背景下界定人工智能的应用，研究人员确定了多种类型的人工智能：
弱人工智能（Weak AI） ：也被称为“狭义人工智能”（Narrow AI），指那些专为执行特定任务而设计的人工智能系统。其典型例子包括 Alexa 和 Siri 等“智能”语音助手，以及社交媒体上的聊天机器人。
强人工智能（Strong AI） ：也被称为“通用人工智能”（AGI），它具备在广泛任务中理解、学习和应用知识的能力，且水平相当于甚至超过人类智能。目前，这一层级的人工智能尚处于理论阶段，尚未出现任何接近这一发展水平的人工智能系统。
人工智能的历史
“能思考的机器”这一概念可追溯至古希腊。然而，自电子计算技术问世以来，人工智能发展历程中的重要事件与里程碑包括：
- 1950年：艾伦·图灵发表了论文《计算机器与智能》。他在文中提出了那个著名的问题：“机器能思考吗？”并提出了一项如今被称为“图灵测试”的测试。
- 1956年：约翰·麦卡锡在首届人工智能会议上提出了“人工智能”这一术语。
- 1967年：弗兰克·罗森布拉特（Frank Rosenblatt）建造了“Mark 1感知机”（Mark 1 Perceptron），这是第一台基于神经网络、能够通过“试错”进行学习的计算机。
- 1980年：利用反向传播算法进行自我训练的神经网络，开始广泛应用于人工智能领域。
- 1997年：IBM的“深蓝”（Deep Blue）计算机击败了时任国际象棋世界冠军加里·卡斯帕罗夫。
- 2011年：IBM Watson 在智力竞赛节目《Jeopardy!》中击败了历届冠军。
- 2015年：百度的“Minwa”超级计算机利用一种特殊的深度神经网络来识别和分类图像，其准确率超过了人类平均水平。
- 2016年：DeepMind开发的AlphaGo程序击败了围棋世界冠军李世石。
- 2022年：OpenAI的ChatGPT等大语言模型（LLM）的出现，给人工智能的性能和潜力带来了巨大的变革。
- 2024年：最新的人工智能趋势表明，人工智能的蓬勃发展仍在持续。能够处理多种数据类型的多模态模型提供了更丰富、更强大的体验；与此同时，较小规模的模型也在取得进展。
既然你已经精通了这个精彩世界的基础知识，现在正是付诸实践的时候。
你准备好将你的文字转化为能俘获人心与思想的声音了吗？
今天就开启您的音频内容之旅。
免费体验“ Makina ”平台，在不到 5 分钟内将前 1000 个字符转换为专业配音！
来源：IBM.COM