究竟什么是人工智能？機器學習是什么意思？那么 GAN 又如何呢？在這里，您將找到常用技術術語的清晰定義。

任何思考計算機未來的人都不能忽視人工智能。那些思考計算機過去的人也沒有——在古希臘人中已經可以找到思考機器的夢想。

但傳說的日子似乎已經結束：如今，人工智能無處不在。但實際上我們今天所說的人工智能是什么？它是如何工作的？

（1）什么是人工智能？

人工智能的創(chuàng)始人之一約翰麥卡錫將人工智能描述為“制造智能機器的科學和技術”，即研究人員和工程師的活動領域。

今天，該術語通常指的是這些智能機器：人工智能代表具有智能行為的計算機系統(tǒng)。這里的智能意味著：您解決通常需要智能的任務，例如理解和說語言、圖像識別、決策或翻譯。

根據(jù)歐盟專家組的說法，人工智能系統(tǒng)是“人工設計的軟件（可能還有硬件）系統(tǒng)，通過數(shù)據(jù)采集感知環(huán)境，收集結構化或解釋非結構化數(shù)據(jù)，從中得出結論，從而在復雜的物理或數(shù)字尺度上發(fā)揮作用?；蛱幚韽倪@些數(shù)據(jù)中獲得的信息，并決定適當?shù)拇胧﹣韺崿F(xiàn)指定的目標。人工智能系統(tǒng)既可以使用符號規(guī)則，也可以學習數(shù)字模型，還能夠分析他們過去的行為對環(huán)境的影響，并相應地調整他們的行為?！?/p>

弱/窄人工智能

與人類不同，人工智能通常只在高水平上學習和完成一項任務。因此，這樣的人工智能被稱為弱人工智能或窄人工智能。在他們的專業(yè)范圍內，他們現(xiàn)在往往優(yōu)于人類。當前所有的人工智能系統(tǒng)都是弱人工智能。

通用/強AI

目前還不存在具有類人智能的人工智能，可以將其思想應用于許多不同的任務。但這是人工智能研究的主要目標。這樣的人工智能被稱為通用人工智能。常見但由于其哲學淵源而不太清楚的是術語強或真正的人工智能。在德語中，偶爾也能找到翻譯為通用人工智能。

超級人工智能

如果通用人工智能發(fā)展到各方面都超過人類，那么一個超級人工智能（Artificial Super Intelligence）就出現(xiàn)了。對于許多 AI 警告者來說，ASI（稱為奇點）的出現(xiàn)標志著人類可能的終結。另一方面，一些人工智能專家希望超級人工智能能夠解決人類面臨的氣候變化、貧困和疾病等重大問題。

（2）人工智能的應用領域

根據(jù)管理咨詢公司麥肯錫的說法，人工智能革命的大部分經濟影響尚未到來。但人工智能應用程序已經可以在工業(yè)和最終用戶中找到，由已經可用的人工智能功能驅動。

目前的人工智能技術大致可以分為四個領域：基礎技術、行業(yè)應用、終端用戶，這里重點是輔助，還有娛樂領域和藝術領域。

支持技術是機器視覺和自然語言處理、數(shù)字助理、機器人過程自動化和先進的機器學習。在這一領域，學術和工業(yè)研究定下基調并進一步發(fā)展人工智能。

在工業(yè)領域，人工智能軟件有助于供應鏈管理、維護、研發(fā)以及銷售和營銷。在線零售或搜索引擎等高科技行業(yè)使用人工智能算法更好地了解客戶并向他們展示合適的產品和搜索結果。亞馬遜使用人工智能來運營完全沒有收銀員的雜貨店。

最終消費者每天都使用數(shù)字助理，例如谷歌的 Assistant 或亞馬遜的 Alexa，并通過面部識別解鎖他們的智能手機。人工智能還改進了現(xiàn)有服務，例如視頻游戲的圖形計算或視頻和舊照片的升級。與此同時，藝術家們發(fā)現(xiàn)了人工智能的創(chuàng)造能力，特別是在使用 deepfakes 和底層 GAN 技術進行圖像生成和修改。

（3）如何創(chuàng)建人工智能

有不同的方法來創(chuàng)建人工智能。基本上，可以區(qū)分兩種不同的方法：

所謂的“Good, Old-Fashioned AI”（GOFAI）主導了 AI 研究直到 1980 年代后期，并力求強 AI。理念：人類思維由包含我們對世界知識的各個概念的邏輯組合組成。

SHRDLU是最早嘗試理解自然語言的人工智能程序之一。人工智能創(chuàng)建于 1968 年至 1970 年間，可以移動幾何對象并在請求時提供有關它們的信息。

所謂的專家系統(tǒng)就是從這個想法中產生的，它將關于世界的簡單信息打包成符號類別，并在邏輯結論中使用這些信息。

GOFAI 沒能滿足 AI 的厚望——第一個 AI 冬天破了。研究經費被削減，項目被取消。例如，如今，此類 AI 已用于流程自動化。

機器學習/機器學習/深度學習

當前人工智能研究的寵兒是機器學習，尤其是深度學習。

機器學習創(chuàng)建了使用數(shù)據(jù)來學習如何執(zhí)行任務的計算機系統(tǒng)。軟件不是由開發(fā)人員以編程代碼的形式逐行給出指令，而是在第一次推送后繼續(xù)獨立編寫代碼并對其進行優(yōu)化以獲得更好的結果。

該研究學科目前最受歡迎的是所謂的深度學習：使用多層神經網(wǎng)絡進行機器學習，以不斷提高的準確性識別數(shù)據(jù)中的模式，從而學習人類偏好、識別物體或理解語言。

機器學習驅動了大量當前的人工智能服務。不管是谷歌、Netflix 還是 Facebook：學習算法提出建議、改進搜索引擎并讓語言助手提供答案。

人工神經網(wǎng)絡

人工神經網(wǎng)絡的靈感來自于人類大腦的基本圖像：一種算法創(chuàng)建不同層的連接神經元或節(jié)點，它們相互交換信息。神經網(wǎng)絡的數(shù)學起源于 1943 年。

在最簡單的情況下，該架構由輸入層、中間隱藏層和輸出層組成。輸入信號由中間神經元最初隨機生成的值進行修改，并傳遞到輸出層。

一個簡單的人工神經網(wǎng)絡。一個圓圈對應一個人工神經元，一個箭頭表示一個神經元的輸出與另一個神經元的輸入的連接。圖片：Glosser.ca，彩色神經網(wǎng)絡，CC BY-SA 3.0。

現(xiàn)在可以將輸出與輸入進行比較——預測是否正確？根據(jù)結果，修改中間神經元的值，并用新的輸入重復該過程。隨著多次重復，預測變得越來越精確。

簡而言之：神經網(wǎng)絡是自我優(yōu)化的算法。

深度學習

深度學習或深度學習是具有多個隱藏層的神經網(wǎng)絡的機器學習。

這些復雜的神經網(wǎng)絡最遲在 2012 年開始了他們的勝利之旅，當時這樣的網(wǎng)絡以壓倒性優(yōu)勢贏得了ImageNet圖像分析競賽。

深度神經網(wǎng)絡的每一層都可以分析自己的圖像信息：邊界、紋理和圖案直至對象。

深度學習是近年來人工智能熱潮的原因，尤其是在圖像識別、自動駕駛和深度造假方面。

更快的處理器和專用的人工智能芯片（如谷歌的 TPU）以及用于訓練機器的大量數(shù)據(jù)使深度學習的突破成為可能。

生成對抗網(wǎng)絡 (GAN)

GAN 由兩個相互增強的神經網(wǎng)絡（代理）組成。兩者都使用共同的數(shù)據(jù)集進行訓練，例如照片。

一個代理創(chuàng)建與記錄類似的內容，另一個將其與原始記錄匹配。將其識別為偽造品會迫使偽造代理改進其內容 - 直到它看起來屬于訓練數(shù)據(jù)集。

經過足夠多的重復，一個偽造大師出現(xiàn)了：GAN 創(chuàng)造了看似真實的人、深度偽造、街道或假模型。他們寫詩，創(chuàng)作音樂，創(chuàng)作昂貴的藝術品，將復古游戲變成高清版本。自 2014 年推出以來，它們一直在穩(wěn)步改進。

黑匣子和可解釋的人工智能

機器學習有一個關鍵的缺點：通常不清楚 AI 究竟是如何得出結果的。深度神經網(wǎng)絡非常復雜，以至于不清楚各個層和神經元在 AI 處理中的作用。

因此，人工智能系統(tǒng)通常被稱為黑盒：一個位于輸入和輸出之間的黑色、不透明的盒子。

數(shù)據(jù)在前，結果在后。兩者之間發(fā)生的事情尚不清楚 - 這是黑匣子。圖形：馮克勞斯-自己的作品，CC-BY-SA 4.0，鏈接

可解釋人工智能研究部門的研究人員正試圖深入研究這個黑匣子。他們希望使完整的人工智能系統(tǒng)，或者至少是個人結果，對人們來說是可以理解的。

微軟、IBM、谷歌或 Facebook 等科技公司也在開發(fā)旨在揭示人工神經網(wǎng)絡復雜性的軟件工具。AI 研究員 Iyad Rawhan 即將呼吁建立一門研究智能機器行為的新學科。

（4）人工智能訓練：這就是人工智能的訓練方式

培訓屬于人工智能，如數(shù)學公式中的占位符。但是你如何學習和訓練完全取決于人工智能。我將向您介紹一些在AI 訓練中使用的學習方法。

監(jiān)督學習

在監(jiān)督學習中，人工智能在其訓練數(shù)據(jù)正在準備的意義上受到監(jiān)督。舉個例子：如果一個AI要識別照片中的物體，在訓練之前，所有的貓、汽車、樹等都被標記在訓練照片上。

人工為 AI 訓練準備的圖像示例。圖片：Samasource

這個標記過程（“標記”）非常耗時，但卻是成功監(jiān)督訓練的基礎——由于大量的人類準備工作，人工智能知道要尋找哪些模式。

監(jiān)督學習是目前廣泛使用的大多數(shù)人工智能的背后，例如自動駕駛、人臉識別或在線搜索。這些標簽通常由低工資工人設置，近年來已成為一個全球性行業(yè)。

無監(jiān)督或自監(jiān)督學習/無監(jiān)督學習

無監(jiān)督學習是人工智能研究的希望。與監(jiān)督學習相比，數(shù)據(jù)的準備過程并不耗時：AI 接收大量沒有標簽的數(shù)據(jù)，并獨立搜索數(shù)據(jù)中的模式。

該方法有兩個優(yōu)點：首先，準備充分、廣泛的數(shù)據(jù)集很少。其次，人工智能可以發(fā)現(xiàn)對人類隱藏的數(shù)據(jù)中的聯(lián)系。

用人工智能研究員Yann LeCun的話來說是這樣的：“如果說智能是一個餡餅，那么大部分餡餅就是無監(jiān)督學習，結冰的是監(jiān)督學習，而最重要的是強化學習?！?/p>

與此同時，自我監(jiān)督學習這一術語也得到了傳播。根據(jù)觀點，這是無監(jiān)督學習的特殊變體或同義詞。LeCun 已經宣布，今后他將只談論自學習而不是無監(jiān)督學習。

在自監(jiān)督學習中，部分訓練數(shù)據(jù)通常會被保留，AI 必須對其進行預測，例如句子中的下一個單詞。這迫使他們學習有關數(shù)據(jù)的重要細節(jié)，例如語義表示。

例如，自我監(jiān)督學習用于AI 擴展，并在過去 1.5 年中實現(xiàn)了語言 AI 的重大進步。OpenAI 使用強大的GPT-2 算法的學習方法。而微軟已經用它訓練了迄今為止最大的語言 AITuring-NLG。

強化學習

強化學習依賴胡蘿卜加大棒：只要 AI 成功完成任務，就會獲得獎勵。如果她錯過了目標，她要么一無所獲，要么受到懲罰。

通過這種反復試驗的方法，人工智能在從初學者到專業(yè)人士的許多領域通過反復試驗發(fā)展，例如在圍棋和國際象棋、Dota 2、星際爭霸 2或撲克中。最近所有的成功都依賴于所謂的深度強化學習，強化和深度學習的結合。

遷移學習

遷移學習是指將學習到的 AI 技能應用于新的但相關的問題的訓練方法。一個例子是谷歌的圖像識別人工智能 Inception，研究人員使用它來檢測肺癌。

從長遠來看，遷移學習可能會導致人工智能從孤立的人才轉向更大的靈活性。因此，對遷移學習的研究是對通用人工智能的重要貢獻。

模仿學習

模仿學習使用演示作為AI 的培訓材料。例如，在電子游戲中，這可以是人類玩家在游戲中奮力拼搏的記錄，也可以是機器人通過觀察人類動作進行學習的記錄。

AI 很久沒有玩過雅達利經典的《蒙特祖瑪?shù)膹统稹罚瑫r通過模仿學習將 AI定位到人類游戲動作中來實現(xiàn)。

與強化學習相比，模仿學習的一個優(yōu)勢是更大的靈活性：在某些情況下，獎勵很難定義或實現(xiàn)。純粹的試錯法不會讓人工智能更進一步。這就是人類演示的幫助，人工智能可以從中學習。

少鏡頭學習

在 AI 成功識別數(shù)據(jù)模式之前，通常需要無數(shù)示例。所謂的 one-shot 和few-shot 學習方法可以幫助 AI學習一項新技能，類似于人類，使用更少的示例甚至只是一個示例。

英偉達的人工智能可以讓人跳舞、傳遞面部表情和生成街景。全能者只需要幾個例子，比如幾張新聞主播的照片。|視頻：英偉達

在實踐中，人工智能無需大量培訓即可學習新任務。例如，三星研究人員僅通過幾個例子就設法交換了人們的面孔。以色列的一個研究小組甚至更進一步，開發(fā)了一種無需事先進行面部訓練即可進行實時深度偽造的方法。

對抗性學習

人工智能系統(tǒng)通常容易受到所謂的“對手示例”的攻擊。專門從事圖像分析的 AI 可以通過最少的操作圖像來欺騙。人眼看不到的輕微像素偏移或某種水印通常就足夠了?？梢晲阂獯a，如果你愿意的話。

然后，人工智能會識別出槍而不是烏龜，印有特殊印花的 T 恤可以防止人臉識別，或者自動駕駛汽車突然加速，因為它掃描了路標上的危險貼紙。

對抗性學習的研究領域試圖使 AI 系統(tǒng)對像素攻擊更具魯棒性。通常，用于此目的的系統(tǒng)是使用上述有害對手示例進行訓練的。這就是他們學會不愛上他們的方式。

當然，就像在許多其他網(wǎng)絡安全場景中一樣，眾所周知的貓捉老鼠游戲在這里發(fā)生：如果一個安全漏洞被關閉，一個新的漏洞就會被打開。

（5）人工智能在數(shù)字化中的作用

為了理解人工智能在數(shù)字化中的作用，必須首先澄清數(shù)字化這個術語。在德語中它具有雙重含義，在英語中通過“數(shù)字化”和“數(shù)字化”這兩個詞更清楚地分開。

“數(shù)字化”是將紙質文件、縮微膠卷、照片或錄音等模擬值/數(shù)據(jù)（自動）轉換為適當?shù)臄?shù)字格式。

這使得數(shù)據(jù)可用于“數(shù)字化”過程：通過使用數(shù)字技術和數(shù)字化數(shù)據(jù)來啟用、改進或轉換業(yè)務模型和流程，并使用數(shù)據(jù)處理方法將其轉換為可用知識。今天用德語談論數(shù)字化的人通常指的是這個過程。

從這個意義上說，數(shù)字化進一步導致了數(shù)字化轉型：業(yè)務或其他組織流程、能力和模型的深刻轉型，以便能夠充分利用新的數(shù)字技術。

人工智能技術在這個過程中扮演著三重角色：例如，今天，它有助于通過圖像和語音分析將模擬數(shù)據(jù)數(shù)字化。它還可以分析大量數(shù)據(jù)——即“大數(shù)據(jù)”——并識別其中的模式。為此，它通常接受數(shù)字化數(shù)據(jù)的訓練、識別圖像、處理自然語言、在預測分析領域進行預測、通過聊天機器人與客戶和員工互動或在云邊緣創(chuàng)建智能機器。

人工智能為數(shù)字化轉型做出了重大貢獻：新市場被打開，舊流程消失或發(fā)生根本性變化，既定市場結構崩潰。如果沒有人工智能算法，就不會有谷歌、Facebook、Netflix、優(yōu)步和亞馬遜——至少不是我們所知道的公司形式。

物聯(lián)網(wǎng) (IoT)被認為是經濟和社會數(shù)字化的關鍵驅動力和一部分。物聯(lián)網(wǎng)擴展了互聯(lián)網(wǎng)的經典全球通信網(wǎng)絡，例如終端用戶的智能設備或工業(yè)設備的智能傳感器，作為“通信伙伴”集成到全球網(wǎng)絡中。它們提供大量以前未開發(fā)的數(shù)據(jù)，并將其提供給 AI 軟件進行評估和控制。

借助工業(yè)物聯(lián)網(wǎng) (IIoT)，所有機器、產品和流程都可以聯(lián)網(wǎng)：缺少的材料自動訂購，工件無縫流向下一臺機器，理想地在錯誤發(fā)生之前檢測到 - 過程控制變得更加透明和更容易由于廣泛的自動化，控制，同時更高效。這應該可以降低成本并實現(xiàn)具有高度靈活性的快速流程。

除了工業(yè)物聯(lián)網(wǎng)之外，機器人技術在生產中的需求也特別大：自動化需要付出很多努力才能在生產線中規(guī)范和安裝機器人。然而，每個機器人都是專家，其感知、運動和操作技能嚴重受限。自動化不靈活，成本高昂，必須進行精確校準，僅對生產大量標準化產品的大公司才值得。

人工智能已經可以讓更靈活、更好地感知環(huán)境的機器人投入運行。這是通過所謂的協(xié)作機器人實現(xiàn)的——小型且廉價的機械臂，可以編程并與人一起工作。這種開發(fā)使生產更加靈活：協(xié)作機器人可以在工作站上臨時使用，然后重新編程并在另一個位置繼續(xù)工作。這使得該技術對于以前無法負擔經典自動化的公司來說很有趣。

然而，工業(yè) 4.0 的主要目標是更智能、更靈活、更專注的機器人。他們應該能夠像人類一樣靈活地識別和處理對象 - 從而自動化生產過程的所有階段。

“Lights-Out-Factory”應該使許多產品成為可能，這是一個完全自主的工廠，無需人工干預 - 因此不需要任何照明。對于這些機器人，需要在人工智能研究方面取得進展，特別是在物體識別和強化學習方面，這應該能讓機器人快速學習新任務。

（6）人工智能：好處與風險

當前的 AI 應用程序本質上是統(tǒng)計方法，可以在存在大量數(shù)據(jù)且某些不準確性不會造成致命后果的地方使用。在這些情況下，人工智能可以提供巨大的附加值：對于谷歌、百度或 Facebook 等使用人工智能來組織搜索結果或新聞提要的公司，或者對于使用人工智能來解鎖智能手機、排序照片或翻譯文本的最終消費者。

在需要更高準確性的情況下，當前的人工智能技術已達到極限：幾年前就曾承諾通過自動駕駛汽車帶來的移動性革命，但由于低級自動駕駛輔助系統(tǒng)的錯誤導致事故仍然發(fā)生。

在其他情況下，系統(tǒng)的不準確性被簡單地忽略了：人工智能監(jiān)控在全球范圍內呈上升趨勢，各國使用不準確的面部識別人工智能來打擊犯罪或監(jiān)控示威活動。在種族偏見數(shù)據(jù)集上訓練的人工智能系統(tǒng)會就是否應該保釋提出建議。銀行中的類似系統(tǒng)決定誰有權獲得貸款。

在忽略不準確性和預加載的情況下，就會出現(xiàn)基于機器的算法無誤的印象。這有時會使受影響的人難以對決定提出異議。無論是更準確的 AI 系統(tǒng)解決這些問題還是只是創(chuàng)建新問題，我都在本文中討論了AI 監(jiān)控的優(yōu)缺點。

深度造假與失業(yè)

AI-fake 視頻 - 所謂的deepfake- 正在越來越多地傳播。目前，該技術似乎主要用于娛樂和色情。該技術偶爾會被騙子和間諜使用。

然而，美國政界人士警告稱，2020 年美國大選中會出現(xiàn)大量深度偽造，因此Facebook或Twitter等大型社交媒體平臺希望識別甚至刪除政治深度偽造。

另一個人工智能幽靈是大規(guī)模自動化：美國前總統(tǒng)候選人安德魯·楊甚至呼吁提供基本收入，以武裝美國社會應對他擔心的與人工智能相關的大規(guī)模失業(yè)。

目前，自動化似乎暫時進展緩慢 - 然而，人工智能技術有可能取代那些傳統(tǒng)上幸免于自動化的人。其中包括行政、律師事務所、媒體以及創(chuàng)意領域的職位，尤其是在設計領域。

人工智能：經濟奇跡還是我們的終結？

通用人工智能將人工智能的優(yōu)勢和風險轉移到存在主義上：這將是對幾乎所有生活領域的大規(guī)模干預，也是社會、經濟、教育、醫(yī)學和研究的一場革命。

它可能成為一種超級智能，可以為我們做任何工作，解決任何問題，并徹底改變民主。這些潛力可能會驅動人工智能研究人員，直到他們的愿景實現(xiàn)——或者直到有證據(jù)表明他們的努力是不可能的。Deepmind 或 OpenAI 等 AI 實驗室正在尋找一種通往 Super AI 的方法，有朝一日，它可以通過許多專門的單個 AI 項目繞道而行，將許多單獨的組件組裝成一個大型神經網(wǎng)絡。

這些嘗試讓那些將 GKI（更不用說超級智能）視為潛在生存威脅的人感到擔憂。例如，哲學家Nick Bostrom和 AI 研究員Stuart Russel警告說，人類將被過度智能的 AI 消滅。如果你想以一種有趣的方式理解 Bostrom 的推理，你應該看看這個回形針模擬器。

AI 先驅 Yann LeCun 和神經生物學家 Anthony Zader 則比較輕松：兩位專家認為 AI 缺乏必要的殺人本能——壓倒性的機器根本對人類的終結毫無興趣。兩人得到認知研究員史蒂文平克的支持，他認為博斯特羅姆的恐懼是反烏托邦的胡說八道。