什麼是人工智慧？ 人工智慧綜合指南
已發表: 2024-05-07儘管最近有很多炒作，但人工智慧 (AI) 並不是什麼新鮮事。 事實上，它比萬維網早了幾十年。 雖然生成式人工智慧的突然而迅速的出現引起了所有人的關注（這可能是您閱讀本文的原因），但您肯定已經直接或間接接觸過人工智慧很多年了。
對人工智慧的高度概述將揭示其工作的各種方式、它能做什麼和不能做什麼，以及它對商業和社會的現在和未來的影響。 我們還將指出這與 Grammarly 的關係——十多年來，它一直是我們幫助人們寫作的一部分。
目錄
- 什麼是人工智慧？
- 人工智慧如何運作
- 人工智慧的歷史
- 人工智慧的應用
- 人工智慧的好處
- 人工智慧的局限性
- 結論
什麼是人工智慧？
人工智慧是一種模擬人類思維學習和工作方式的技術。
人工智慧與標準電腦程式的不同之處在於它可以使用演算法或邏輯推理來解決問題。 此外，在當今的大多數應用中，它可以在無需人工幹預的情況下學習和適應。 人工智慧領域的主要面向包括機器學習（ML）、自然語言處理（NLP）和神經網路。
人工智慧如何運作
模型是人工智慧的一個具體實例。 例如，ChatGPT 3.5 和 ChatGPT 4 就是兩個 AI 模型。 為了理解人工智慧的主要建構模組，我們將重點放在創建模型的不同概念方法。
基於規則的人工智慧或專家系統
更直接的框架是所謂的基於規則或專家系統：人們以演算法可以理解的邏輯形式寫出特定的指令。典型的客戶支援電話樹是這樣運作的：它被告知對匹配某些參數的輸入給予特定的回應。 Google 的基本 PageRank 演算法是另一個例子，但要複雜得多。
機器學習
如今，大多數人工智慧都使用另一種稱為機器學習(ML) 的方法。 模型不是接受一組硬編碼指令，而是在大量（或大量）內容（模式、關係和其他動態）中學習自己的規則。 這個過程通常稱為訓練模型。 （也可以將規則和機器學習結合起來，稍後我們將討論兩者的相對優勢。）
機器學習有兩類：無監督和監督。有監督的機器學習使用註釋或結構化資料來告訴機器需要學習什麼。無監督機器學習沒有這種明確的指令，因此機器只能自行理解所看到的內容，然後做出預測。
學習不必隨著初始訓練而停止。 透過強化學習，模型可以根據輸出品質的回饋不斷改進。 這種評估可以由人類來完成，但也有許多用於自動化強化學習的技術和演算法。
一旦模型經過訓練，就可以使用了。 輸入通過模型運行並給出輸出，無論是問題的答案、圖像分類、繪製圖形等等。 一些人工智慧（尤其是基於規則的模型）是確定性的，這意味著給定的輸入總是會導致特定的輸出。 但我們現在考慮的大多數問題都是概率性的，這引入了一定程度的隨機性，並解釋了為什麼如果您將完全相同的問題放入 ChatGPT 兩次，您不太可能得到相同的答案。
神經網路和深度學習
好的，但是人工智慧實際上是如何運作的呢？ 這就是事情很快就變得非常技術性的地方。 我們將重點放在當今許多引人注目的人工智慧創新背後的方法，即神經網路。
這些大腦神經元的簡化表示首先進行隨機猜測，將這些猜測與正確答案進行比較，並一遍又一遍地進行小調整，以不斷提高其準確性。
神經網路由層組成。 「底部」是輸入，頂部是輸出，中間是所謂的隱藏層。 從下到上，能力變得越來越抽象。 例如，在影像辨識系統中，較低層可能會辨識顏色或邊緣，而較高層則會感知特定物件。
當神經網路具有多個隱藏層時，稱為深度學習。 今天的深度神經網路通常有很多層，並且通常有具有特定功能的子層。 處理能力的提升引發了創新的爆炸性成長。
自然語言處理
當電腦試圖理解人類書寫和說話的方式時，這就是自然語言處理(NLP)。 基本的拼字檢查只是突出顯示與字典不匹配的單詞，而 Grammarly 使用 NLP 來理解您的寫作並提出適合上下文的建議。
在過去十年左右的時間裡，NLP 經歷了一場革命，您在機器翻譯、文字生成和自動轉錄等工作中肯定經歷過這場革命。 諸如增加註意力（模型在給定時間可以「記住」多少，而不是僅僅逐字處理）和預訓練模型（這樣他們就不必重新學習人類語言是如何工作的）等技術scrap）使機器能夠在許多情況下像人類一樣理解並發出聲音。
生成式人工智慧
生成式人工智慧是人工智慧的一個子集，它可以根據訓練資料產生新內容，例如文字、圖像、音樂甚至程式碼。
與針對特定任務或數據分析而客製化的傳統人工智慧系統不同，生成式人工智慧模型能夠產生通常模仿人類創造的工作的原始輸出。 這些模型基於深度神經網絡，從廣泛的數據集中直覺模式、風格或邏輯。 然後，他們利用這些知識來創造以前不存在的新的、獨特的內容。
生成式人工智慧的使用跨越各個領域，包括娛樂、藝術、文學和軟體開發。 這證明了人工智慧的多功能性及其不斷增長的能力。
回顧一下：人工智慧可以基於規則或機器學習。 機器學習可以是有監督的，也可以是無監督的，隨著時間的推移，強化學習會變得更好。 當今的許多人工智慧模型都是使用多層深度學習的神經網路。 自然語言處理是深度神經網路的輝煌成功故事，創建文字、圖像、程式碼等的模型稱為生成人工智慧。 在這裡，我們將簡要概述人工智慧的歷史。 為了簡潔起見並只專注於開發時間表，我們不會提及這些創新背後的個人。 人工智慧一詞於 1956 年被創造。 第一個神經網路建於 1967 年，但此時的大多數人工智慧研究都是使用符號表示和邏輯來模擬理性思維。 （你可能會遇到半開玩笑的縮寫 GOFAI，意思是好的老式人工智慧。）然而，未實現的期望和有限的計算能力的結合導致了所謂的人工智慧冬天，資金和研究在20 世紀70年代及以後。 在 80 年代，專家系統（我們之前了解的基於規則的人工智慧模型）開始流行，並對許多公司產生了實際影響。 同時，研究人員回歸神經網路並開發了讓它們自我訓練的技術。 憑藉更強的處理能力和更大的數據集，20 世紀 90 年代，機器學習在應用規模上變得實用，人工智慧實現了許多里程碑。 在電影之外，人工智慧第一次廣為人知的成功可能是 1997 年深藍在國際象棋比賽中擊敗加里·卡斯帕羅夫。 儘管取得了這些進展，但就在本世紀第一個十年，許多研究人員和公司仍在用其他術語來掩蓋他們的人工智慧產品和項目，因為它們仍然帶有過度炒作的含義。 諷刺的是，正是這些系統為從垃圾郵件過濾器到 Roombas 等各種設備提供動力，實際上將應用人工智慧的實用價值帶入了日常生活。 2010 年代，人工智慧開始興起並持續至今。 一系列因素匯聚在一起，而不是單一的突破： 在此期間新創建或徹底改革的創新包括谷歌翻譯、Siri 等虛擬助理以及Netflix 和Spotify 等服務上的推薦引擎，更不用說對醫療保健、製造甚至國防等行業產生的許多重要但不太明顯的影響。 那麼，為什麼一旦生成式人工智慧出現，人們對人工智慧的狂熱就會加劇呢？ 最大的區別在於 ChatGPT 和 DALL-E 等模型可以解釋和回應幾乎任何輸入，而不是僅限於某個領域。 這意味著任何具有互聯網連接的人都可以直接與人工智慧模型交互，無需任何特殊培訓，並且人工智慧可以比從頭開始建立新模型更快地投入特定用途。 就其所有功能而言，我們今天看到的人工智慧稱為狹義人工智慧或弱人工智慧。 這意味著技術涵蓋了人類智慧的一部分，但不是全部。 與我們大腦能力相當的機器將被稱為強人工智慧，或通用人工智慧（AGI）。 一旦人工智慧超越人類智能，這就是所謂的人工超級智能（ASI）。 我們離AGI還有多遠？ 這是任何人的猜測。 即使是那些深入參與該領域的人也一次又一次地嚴重低估了創新的步伐。 這些只是人工智慧在當今現實世界應用中的眾多表現形式中的一小部分。 幫助人類把事情做得更好。我們認為 Grammarly 是一個很好的例子：你有想法，有你想說的話的感覺，並且了解觀眾。 我們建議一些方法，讓您的訊息更清晰，並提高其受歡迎的機會。 詳細了解 Grammarly 如何使用生成式 AI 來改善溝通。 幫助殘疾人士。 對於有感官障礙（例如聽力或視力）的人來說，語音轉文字和文字轉語音等技術改變了遊戲規則。 它們使他們能夠接收以前無法訪問的現場和錄製內容，因此他們可以更多地接觸世界的豐富性，而無需依賴某人充當他們的眼睛或耳朵。 自治系統。人工智慧可以將感知與預測相結合，從而更有效率、更安全地完成許多事情，從自動駕駛汽車到下雨時不運行的灑水系統。 由Google創辦的自動駕駛汽車公司 Waymo 報告稱，與人類行駛相同距離相比，受傷事故減少了約 85%。 建議。人工智慧模型會分析用戶行為和人口統計數據，從而對下一個電視節目或您可能想嘗試的蘇打水類型等事物做出有根據的猜測。 視聽處理。例如虛擬助理的語音辨識、基於處理車牌圖片的自動收費，以及過濾錄音或串流中的視覺和音訊雜訊。 邊緣人工智慧。這將人工智慧的力量直接運用到現實世界的設備中，而不是資料中心。 這些往往專注於快速、低能耗處理的特定任務。 例如 iPhone 上的 Face ID 和智慧恆溫器。 大規模加工。 想像一下，如果一個真人必須評估每筆信用卡交易是否有詐欺行為，或是輸入郵寄給國稅局的每張稅表中的每一個數字。 人工智慧的判斷或分類速度比人類更快，而且往往更好。 模式檢測和預測。人工智慧在檢測癌症的能力上開始超越人類； 在一種情況下，它比專業人士高出 13%。 它也非常擅長感知事物何時偏離了公認的模式，例如檢測資料庫中的錯誤。 這種模式發現能力使得人工智慧對於預測（從天氣預報到股市走勢）特別有用。 新穎的見解。從第一個模型開始，人工智慧就為人類從未做過的各種問題提供了答案和方法。 現代的例子涵蓋從鞋子設計到新的物理定律。 加速醫學。從 COVID-19 疫苗到阿茲海默症檢測，人工智慧正在幫助研究人員更快地開發診斷和治療方法。 警覺。人工智慧永遠不會疲倦。 只要設計得當，並提供足夠的電力和處理能力，它就可以持續監控大量數據。 這是自動駕駛汽車碰撞率較低的一個主要原因。 幻覺。 生成式人工智慧可以編造一些東西。 因為這些模型所說的大部分內容都是合理的，所以許多人不會考慮仔細檢查它。 這個問題最近的一個例子是，前律師邁克爾·科恩(Michael Cohen)向他自己的律師發送了一些法律案件的引文，這些案件完全是由谷歌的生成式人工智能(當時稱為巴德(現在稱為雙子座))捏造的。 深度贗品。雖然幻覺是偶然的，但深度偽造是故意的。 惡意行為者（或更無辜的是惡作劇者）可以使用生成式人工智慧來製作圖像、視訊、音訊或文本，這些圖像、視訊、音訊或文字看起來非常接近現實，以至於許多人無法區分。 與人類工作的競爭。許多從事寫作和客戶服務等職位的人將生成式人工智慧視為真正的威脅。 《財富》雜誌報導，人工智慧導致數千個工作崗位流失，並明確表示「肯定低估了這個數字」。 很難知道為什麼會得出特定的結論。對於神經網絡，你無法確切地知道它們為什麼或如何給出特定的輸出——例如，它不能直接追溯到訓練語料庫的某個部分。 在醫療保健或金融等受到嚴格監管的行業中，一些人工智慧是部分或完全採用人類可以評估的基於規則的演算法構建的。 能源消耗。直接測量很困難，但一項研究估計，產生單一影像（例如使用 DALL-E）所消耗的能量與智慧型手機充電週期接近相同的能量，隨著時間的推移，能量會顯著增加。 人工智慧既古老又最近。 儘管這個領域已經存在了近70年，但只是在過去十年，特別是過去幾年，我們許多人才敏銳地意識到它的力量和潛力。 由於神經網路、深度學習、自然語言處理和生成人工智慧等創新，不久前聽起來像科幻小說的工具現在已經唾手可得，並為世界帶來了巨大的改變。 想立即嘗試一些實際操作嗎？ 註冊 Grammarly，了解 AI 如何為您服務。 人工智慧的歷史
1950 年代至 1980 年代：GOFAI 春天，然後是冬天
1990 年代至 2000 年代：普遍存在但未被充分重視
2010 年代至今：人工智慧成為主流
未來：AGI 和 ASI
人工智慧的應用和例子
人工智慧的優點和好處
人工智慧的缺點和局限性
結論