在没有任何先知先觉的前提下，让我们看看什么是人工智能（AI），它的历史、过去和现在在集体想象中是如何存在的？此外，我们将看到人工智能如何在一个单一的定义中汇集了彼此完全不同的方法，它的功能层次是什么？而且，目前在各个应用领域中使用的人工智能的主要技术是什么，这也是它的特点。

人工智能一直远不止是一门技术，它是一门融合了多门科学贡献的学科，其与人类智能的类比所产生的魅力令人无法抗拒。一方面，一个人本能地被其潜力以积极的方式拖累，但不利的一面是人工智能可以取代人类这一事实引起的恐惧，特别是在就业方面，这使得目前人类从事的那些任务变得过时了。

这种能够同时投射光和影的未来愿景必须在人工智能完全朝着投机方向发展之前得到规范，这与我们社会的福祉和发展几乎不相吻合，而最终总是加剧这些不平衡。在我们这个时代更常见的是，想想 Covid-19 大流行的后果。

人工智能代表了一些有用的、必要的、已经广泛使用的、同时仍有待发现和应用的东西，以及案例的所有优点和缺点，这些都源于我们决定实施其技术的方式。。考虑人工智能的时机不能再推迟了。有必要关注它的发展，认识到它在创新中日益增长的作用已经在帮助改变我们永远的交流、工作和生活的方式。

什么是人工智能？

“AI”一词最早出现在 1955 年，最引人注目的是当年 8 月 31 日，当时美国约翰·麦卡锡和其他一些著名的计算机先驱向洛克菲勒基金会提交了一份拨款申请，用于“在达茅斯进行一项夏季研究的拟议项目人工智能 ”。

在当时，13,500 美元无疑是一个可观的数额。并且，这只是一项持续研究的第一步。直到今天，人们花费了数十亿美元，人工智能在许多方面仍然被认为是一种新兴技术，永远注定要追求这种计算能力能够运行几十年前在许多情况下编写的一系列算法。

正如可以预料的那样，有无数的定义和分类试图解释什么是人工智能，部分原因是它非常受欢迎，部分原因是多学科方法，在综合的背景下，倾向于使人工智能的观点占上风视图或它发现最大兴趣的方面。因此，任何对全知定义的尝试都将被视为失败的事业。

为了采用一个完整且最近发布的定义，我们从欧盟委员会开展的工作中获得启示，该委员会于 2018 年任命了一个独立研究小组，该小组确定了定义人工智能的一些基本点：

• 这些由人类以软件（也可能是硬件）形式设计的系统在物理或数字维度上起作用，并且在给定复杂目标的情况下，通过获取结构化数据来感知其环境，属于人工智能或不是，解释它们并推理知识或处理从中获得的信息，决定为实现给定目标而采取的最佳行动

• 人工智能系统可以使用逻辑规则或学习数值模型，还可以通过分析其先前行为对环境的影响来调整其行为。

• 作为一门科学学科，人工智能包含多种方法和技术，例如机器学习（其中深度学习和强化学习是具体示例）、机械推理（包括规划、编程、知识表示和推理、研究和优化）和机器人技术（包括控制、感知、传感器和执行器，以及将所有其他技术集成到网络物理系统中）

虽然严谨，但不可否认的是，像刚刚描述的这样的科学衍生文本起初可能在形式上有点扭曲，但在实质上，它将人工智能表达为一组极其多样化的技术系统，能够独立行动以满足具体目标。

现在让我们退后一步，试图了解对人工智能的所有兴趣从何而来，从它的诞生和它的感知传播开始，甚至在技术之前。

作为一门科学学科，“人工智能”包括不同的方法和技术，例如“机器学习”——或机器学习——深度学习和强化学习是具体的例子。

作为一门科学学科，“人工智能”包括不同的方法和技术，例如“机器学习” ——或机器学习——深度学习和强化学习是具体的例子。

它是如何诞生的：人工智能的历史

人工智能与人类智能和机器人技术的频繁关联，创造了一种远远超出其技术表现和具体应用的现象，影响着各个层面的集体想象。

早在作为实用技术出现之前，从 1950 年代开始，人工智能实际上是叙事和文学辩论的主角，媒体不断出现。除此之外，她作为女主角在数百万观众面前的无数电影经历证明了这一点。

人工智能本身就是一种无形的东西，需要通过物理表现来表示。这可以解释人工智能与机器之间的频繁关联，特别是人形机器人或由神秘而迷人的合成意识驱动的自动机。

人与机器之间的关系在我们的历史中是不变的。公元前三世纪，希腊科学家和作家拜占庭的菲洛发明了菲隆的自动仆人，这是一个人形机器人，通过当时极其复杂的机制，将酒倒入杯中。

它通过管子和弹簧工作，完全不知道电子和计算是什么，但它已经服务于实际用途。哲学紧随其后，开始质疑人造生命的可能性。

在 17 世纪，托马斯霍布斯的《利维坦》设想了人类生命与机器的人工生命之间的类比，将器官与能够使自动机运动的设备进行了比较。在 18 世纪，朱利安-奥夫雷-德-拉梅特里的文章家庭机器人将人定义为一种机制，只是比其他机制更复杂，其灵魂由身体本身决定，也是一种复杂性可以解释的机制随着科学研究的进步。

正是这种将人类智能同化为人工智能的愿景，具有在机器中复制人脑机制的可能性，例如，受到控制论和科幻小说图像的启发。这场辩论至今仍伴随着一系列启发性的灵感。

在艺术和文化方面，人工智能与科幻小说类型之间的关系一直非常密切，无论是在文学作品中，还是在经常改编菲利普 K 迪克或艾萨克阿西莫夫等作家的剧本的电影中，他们都启发了标志性的我，机器人，由他职业生涯中最好的威尔史密斯之一扮演。

受人工智能启发的电影现在数以百计，具有里程碑意义，例如《大都会》（1927 年）、2001 年。《太空漫游》（1968 年）、《创》（1982 年）、《银翼杀手》（1982 年）、《终结者》（1984 年）、《黑客帝国》（1999 年）、 AI 人工智能 (2001)、少数派报告 (2002)、Her (2013) 和令人惊讶的 Ex Machina (2015)。

从技术的角度来看，人工智能的最初愿望可以在 19 世纪找到，当时英国数学家阿达-拉芙蕾丝开始研究查尔斯-巴贝奇 的可编程机器。没有什么可以与我们现在所理解的计算机相媲美，而是旨在处理写在穿孔卡片上的算法的机械设备，读取为可执行指令。

巴贝奇本人透露了“[……]在机器程序的工作中，旨在计算伯努利数，洛夫莱斯还设法识别出我犯的一个非常严重的错误”。仅仅一百年后，也就是 1953 年，当阿达-拉芙蕾丝关于 巴贝奇 分析引擎的笔记发表时，这一陈述的含义才得到证实和更加清晰，其中描述了计算伯努利数的算法，它仍然被认为是历史上第一个计算机程序。

Alan Turing（阿兰-图灵）被认为是计算机科学和人工智能之父，也是 1950 年发表在 Mind 上的同名测试的作者，该测试基于人类与计算机之间的对话。

因为这个算法，Lovelace，也被称为拜伦勋爵的女儿，被公认为计算机史上第一位程序员。而且它不是流派规范，以前没有人写过类似的东西。

同样引人入胜的是“模仿游戏”的故事，能够激发同名电影，获得八项奥斯卡奖提名，本尼迪克特康伯巴奇解释了数学家艾伦图灵，致力于解密纳粹用来生成他们的恶魔机器之谜秘密消息。为了完成这一惊人的壮举，图灵使用了一些机器，这些机器是他本人早在 1936 年就设计的，在演变成我们现在所认为的计算机之前，这些机器会以他的名字命名。

图灵被许多人认为是计算机科学和人工智能之父，同时也是 1950 年在 Mind 上发表的基于人与计算机之间对话的同名测试的作者。当人无法成功地确定他的对话者是人还是计算机时，根据图灵的说法，我们就在一台具有智能行为的机器面前。

由于非常不幸的私人生活，拉夫莱斯和图灵联合起来，使两人都在年轻时就死亡，他们是计算机路径的主要发起者之一，在 20 世纪下半叶，人工智能将成为我们今天还是明白的。。

我们今天仍然理解的人工智能的进化路径在 1943 年奠定了基础，当时麦库洛赫和 皮特斯认为神经元的功能能够再现我们甚至在计算机中发现的一阶逻辑（AND 和 OR）的基本元素，甚至建立人工神经元模型的理论。

1949 年，当唐纳德·赫布发现神经元如何通过相互放电进行交流时，人们注意到了计算机和人脑之间的相似之处，学习和记忆由此产生。人和机器从未如此接近。

1958 年，我们见证了 AI 历史上的另一个里程碑，当时弗兰克-罗森布拉特提出了感知器，实际上是神经网络的第一个示例，其输出是通过输入的加权生成的。

很快，包括马文·明斯基在内的其他研究人员的批评和进化建议的主题，感知器最重要的优点是激发和激发对真正神经网络的研究，以及产生强大的媒体回声，能够吸引全球对人工智能的兴趣。

当时的报纸惊呼起来，暗示着感知者有朝一日能说、看、写，到现在还很正常，甚至可以复制并完全意识到自己的行为。它运行得有点过头了，但对人工智能产生的期望是开始将必要的资金转移到它的账户的基础，以发展到下一个发展阶段。

1958 年对于编程语言来说也是人工智能的神奇之年，这对于开发应用程序至关重要。前面提到的 John McCarthy 编写了Lisp，这是一种采用逻辑方法的 AI 编程标准。次年轮到机器学习，由Arthur Samuel在与跳棋游戏的自动学习有关的出版物中提出。第一次有人谈论为算法提供数据，因此它可以学习并自动执行精确的操作。

自 50 年代以来，出现了交替命运的阶段，定义了人工智能的夏季和冬季，因为随着重大发现的出现，计算限制导致了减速和幻想破灭，这项技术还没有准备好体现人类数学的天才。算法。

特别是，发生这种情况是因为人们的期望通常集中在能够模仿和复制人类智能的人工智能的发展上。我们将看到这个目标对资源的要求仍然非常高，而且远非最终的解决方案，在回忆起 1969 年Shakey是如何建造的之前，我们将看到第一个能够独立移动的机器人，这要归功于 Lisp 程序，尽管它可以执行微不足道的操作IT综合体，国内运营。

那是浪漫的 70 年代的黎明，当时 Robert Kowalski、Marten Van Emdem 和 Alain Colmerauer（实施它）创建了Prolog（法语 PROgrammation en LOGique 的缩写）一种新的 AI编程语言，采用逻辑方法，能够提供计算机研究得到了相当大的推动，让人产生一种幻觉，即一个能够模仿人类推理的人工智能系统即将到来，一个新的时代终于来临了。

尽管今天仍在使用许多算法的承诺和编写，但事情与预期不同，导致幻想破灭，导致漫长的冬天，至少持续到 2000 年代初，当时计算系统的发展开始使这些直觉成为可能五十年前注定要保持这样的状态。其余的是最近的历史。

分类：弱人工智能、强人工智能

尽管搜索人工智能的冲动始于模仿人类智能的愿望，但随着时间的推移，已经形成了两种截然不同的方法和应用链，尽管是从共同的假设开始的。这就是弱人工智能（或受限人工智能）和强人工智能（或通用人工智能）的情况。

为了掌握强人工智能和弱人工智能的区别，简单介绍一下人工智能应该能够执行的人类智能的功能，特别是：

以人为本，类似于人类在相同情况下会做的事情。

人性化思考，用认知功能解决问题。

理性地、合乎逻辑地思考，就像人在推理中所做的那样。

理性行事，在现有信息的基础上努力争取最好的结果。

这个品种描述了如何模仿人不是一个独特的操作，而是可以向各种方法拒绝，这正是那些产生弱人工智能和强人工智能的研究和应用路线的那些，也让我们明白为什么第一个是现在很普遍，而第二个目标要实现起来要困难得多。

什么是弱人工智能？

弱（或受限）人工智能是指旨在解决复杂性不同的特定问题的系统。它的范式是解决问题，因为模拟了人类认知的一些解决能力，但没有声称理解和复制人类大脑能够做的所有事情的功能。

基于弱人工智能的应用程序依靠机器学习来创建能够自主模拟场景并协助人类决策执行某些操作的系统。

无论是了解在超市订购多少商品，而不是计划工厂的维护或在电子商务门户上建议购买，目标始终是最好地给出实际需求的答案可能的方式。可能的方式，这并不总是与人类在相同情况下会做的事情一致。

考虑到这一点，基于弱人工智能的应用程序非常适合向人类建议做出什么决定，为他们提供更多信息来支持他们的选择。

强大的人工智能，它是关于什么的？

强（或通用）人工智能是指能够以完全自主的方式运行的系统，而不管上下文和分配给它们的任务如何。这种方法与针对弱 AI 提出的方法完全不同，因为问题和解决方案之间没有直接联系。

解决问题不是问题的关键，而是培养一种自主的良心，它不会时不时地假装模仿类似于人类的思维过程，而是旨在培养一种没有特定需求的通用智能，因此在任何情况。

如果说弱人工智能的目标是理性地行动和思考，那么强人工智能则更侧重于人类行动和理性思考。如果弱人工智能有问题，它会尝试理性地预测该人在特定环境下会做出什么选择，而强人工智能则基于逻辑推理，并使用可用数据来生成他们从中得出的上下文知识。要采取的行动。

弱人工智能会根据具体情况采取行动，只解决由此产生的问题。强人工智能一般从游戏规则出发，试图解决由此产生的所有问题。

举一个实际的例子，让我们想象一下国际象棋游戏。弱AI会专注于击败特定对手，通过分析尽可能多的动作来寻找对策，检查他当时玩过的所有游戏，而强AI不会提出特定对手的问题，构成目标是成为最强的棋手。

他会从了解游戏规则开始，刻苦训练，变得越来越熟练，击败任何对手。无论多么基本，这种观点上的差异使我们了解强人工智能比弱人工智能提出了一种更加雄心勃勃的方法，并且在其具体应用中，这涉及到极高的资源支出。

虽然它的潜力在很大程度上仍然只能想象，但强大的人工智能已经产生了切实的成果。它的主要支持者是所谓的人工智能实验室，由技术巨头资助，以实现影响深远的发现，能够彻底改变他们所指的领域。

这就是Deepmind（谷歌）的案例，AlphaFold 的作者之一，一个能够解决蛋白质折叠计算的系统，一个能够开启分子生物学领域新时代的发现，对医学和药理。

另一个参考的 AI 实验室是OpenAI（微软），它以开发GPT-3（生成式预训练变压器 3）而闻名，这是一种基于人工智能的语言模型，能够以一种形式上无法区分的方式处理文本和图像，而人类会做的。

《纽约时报》发表了一篇文章，一半由真正的记者撰写，一半由基于 GPT-3 的机器人撰写。结果不允许对两位作者进行任何区分。不可能确定谁写了某些段落而不是其他段落。图灵测试可以说是完美通过了。

术语“弱人工智能”（或受限）是指旨在解决复杂性不同的特定问题的系统。它的范式是解决问题，因为模拟了人类认知的一些解决能力。

它是如何工作的？

在尝试了解人工智能的想法之后，是时候了解它的工作原理了，以便更全面地了解其潜力并继续研究其活动背后的技术。

人工智能的功能是由四个不同的功能级别定义的，能够用尽所需执行的操作：

理解：通过学习和模拟数据与事件之间的关联性赋予的能力，人工智能可以通过这种能力，例如识别文本、图像、视频、音频和语音，以根据特定请求处理特定信息

推理：由于使用了一系列适当编程的数学算法，人工智能系统能够以逻辑方式和完全自主地连接收集的数据

学习：它由能够分析数据输入以返回正确输出的人工智能系统给出。机器学习系统就是这种情况，它使用特定技术从给定的信息上下文中学习，以执行某些功能。

交互：它由 HMI 系统（人机交互）提供，其中 AI 在与人类的交互中发挥着重要作用。NLP（自然语言处理）给出了这种功能级别最常见的例子之一，它是基于人工智能的技术园区，它允许您使用自然语言在人与机器之间创建语言关系，就像它发生的那样。最先进的聊天机器人案例

人工智能技术

弱人工智能和强人工智能之间的区别是正确表达主要人工智能技术的基础。正如我们在历史前提中所看到的，这些是二十世纪五七十年代开始谈论的话题，即使要进行重大传播也需要几十年的时间，等待摩尔定律运行，直到它产生了能够提供执行必要计算所需的能力的计算系统。

在等待量子计算在商业应用中成为现实的同时，主要的技术飞跃来自于 GPU（图形处理单元）市场的引入，该处理器最初是为图形渲染而构想的，其并行计算性质也很合适。应用领域，包括人工智能系统和加密货币挖掘。

因此，让我们快速回顾一下当前可用的一些主要人工智能技术，从机器学习和深度学习之间的实质性差异开始，特别是它们所基于的学习模型。

机器学习

对于机器学习是指基于人工智能机器学习系统，能够获得的各种信息（输入）列车逐渐变得在独立执行任务（输出），即越来越多精通机器，而不预先进行编程以运行它。ML 系统以其学习、犯错和从错误中逐步改进的能力而著称，直到它在能够完全自主地产生的模拟中变得越来越精确。

机器学习系统的学习模型多种多样，主要基于三类算法：

教学监督：系统通过输入和输出之间的相关性学习，从中学习如何做出决定

没有教学监督：学习是通过结果分析进行的，输入和输出之间没有直接关系，但只停留在允许映射某些决策结果的输出的基础上，在与 ML 系统相同的上下文中它们被称为提供解决方案

具有增强：强化学习是一个择优的学习方法，因为只有当它获得的结果符合在其评估预期AI被奖励。强化学习允许您改进 ML 系统的训练，因为它能够从根本上教授如何区分正确决策和错误决策

深度学习和神经网络

如果说机器学习是所谓弱人工智能的典型工具，那么深度学习就是强人工智能的参考学习技术。根据前面描述的理论概念前提，深度学习由受人脑功能启发的学习模型组成。

它不是像 ML 那样严格基于输入和输出之间关系的训练方法，而是使用输入来模拟人脑行为的系统。

这在任何方面都不足为奇，如果我们考虑一下有多少计算机技术无疑是受到自然界中实际存在的一些生物模型的结构的启发。算法设法复制合作机制的方式，例如鸟类的飞行，是非常令人着迷的。

该神经网络是网络结构的人工神经元，帮助您实现典型的人类认知的复杂的动作，比如看，说话，感觉和思考。这些现在是计算机科学中完全历史化的概念，因为人工神经元是由 McCulloch 和 Pitts 在 1943 年提出的，而神经网络是由 Rosenblatt 在 1958 年提出的。

的深度学习是基于所谓的深神经网络，其特征在于计算的许多层，基于大量水平的，如需要庞大的计算工作，以获得类似的神经连接的情形然而，人类大脑在很大程度上仍然未知。

由于重点往往放在保证输出的计算能力的发展上，因此在创建输入时也必须给予足够的重视，这要归功于从移动设备收集大量数据的能力，通常是从所有由于我们很容易接受各种设备上存在的应用程序的使用政策，我们每天都与之交互的互连设备，即使是完全无意识的方式。

日益数字化的现实转化为收集、存储、分析和处理数据的巨大潜力。数据科学从未被要求在基于人工智能的应用程序中发挥重要作用。

深度学习是基于所谓的“深层神经网络”，其特点是计算的多层次的基础上，大量层次的，如需要庞大的计算工作量，以获得类似的神经连接的情况下的人类大脑。

NLP - 自然语言处理（自然语言识别和处理）

自然语言处理是一个复杂的应用，它基于人工智能，但也基于计算机科学和语言学。它是所谓的强人工智能最广泛的表达方式之一，它完美地体现了这一点，这要归功于它不是为了解决特定方面的问题，而是在广义上学习人类的语言交流，与哪些基于 AI 的应用程序是交互调用。

理解一门语言是一件非常复杂的事情，因为它不仅是一个知道如何管理词汇、语法和句法规则的问题，而且还包括知道如何正确地将演讲语境化，以便真正理解一个词的含义。陈述。

NLP 学习方法显然基于深度学习系统，旨在模拟人们理解对话内容的方式。

一个NLP系统是基于一系列的尝试找出并解决人类语言的所有含糊不清的步骤。分阶段对于降低输入数据中的错误风险至关重要。在 NLP 学习方法的主要阶段中，我们发现了标记化（将文本分成空格、单词、标点符号、句子等）、形态和词汇分析、句法分析、NER（命名实体识别）、语义分析和语音分析。

自 2000 年代初以来，自然语言处理的研究一直很活跃，但自 2013 年以来已经能够达到可观的成熟度，当时神经网络随着与以数字方式表示自然语言相关的技术的深入而传播，其中每个单词都是“转换的” ”转化为由向量空间模型管理的实数向量，神经网络架构专门用于解决自然语言的识别和处理。

NLP 现在是许多应用程序不可或缺的一部分，从自动翻译到自动识别(OCR)，再到聊天机器人/虚拟助手，再到为出版物自动生成复杂文本，再到营销中用于分析所谓用户的情绪（情绪分析）。

从文本的理解和处理来看，NLP系统已经非常成熟，但要打造能够充分发挥通用人工智能潜力的智能系统，还有很多工作要做。

到目前为止，我们已经看过一些科幻电影。想想她，华金·菲尼克斯与电脑建立了真正的浪漫关系，电脑的操作系统能够完美地理解语言交流，并用斯嘉丽·约翰逊非常感性的声音表达自己。

计算机视觉和图像识别

人工视觉最吸引人的方面之一是基于图像识别，即模拟人脑如何处理从眼睛接收到的信息，而不是眼睛本身的功能。

目标是了解您所看到的。为了实现这一结果，需要能够处理图像的各个像素的学习方法，换句话说，将它们转换为数字。

使用基于卷积神经网络的深度学习技术的计算机视觉能够模拟大脑视觉皮层的行为来处理大量图像数据集，以便准确识别和上下文化从“应用程序”实时识别的图像。

有很多基于计算机视觉的例子。最受欢迎的是面部识别技术，被许多应用程序使用，包括解锁移动设备的过程，而不是访问授权。

在计算机视觉的应用中，还有面部识别技术，例如，用于解锁移动设备的程序，而不是用于授权访问。

在工业领域，计算机视觉例如用于质量控制，而自动驾驶则使用它来识别标志、其他车辆、行人以及汽车在行驶过程中可能遇到的所有潜在障碍。还有许多B2C 营销应用程序，也与增强现实技术合作。

可解释的人工智能

所谓的可解释人工智能（ExplainableAI）——也称为“可解释人工智能”或“XAI”——是一门新兴学科（尤其是在机器学习领域特别相关），旨在澄清（实际上是解释）关于算法的所谓“黑匣子”中发生的事情。简而言之，可解释人工智能是一组技术和工具，可以帮助人类理解基于人工智能技术（尤其是机器学习和深度学习）的自治系统如何生成某些输出并做出某些决策。

深入探讨可解释人工智能的话题，建议阅读《可解释人工智能：它是什么，原理和例子是什么》一文

以人为本的人工智能

所谓的可解释人工智能需要一种新的解决方案设计方法，这是现在所谓的以人为中心的人工智能方法的一部分 ，也就是说，用于设计基于人工智能的技术的协作模型考虑了各个方面例如伦理学和其他典型的行为学科和人文科学。

Human Centered AI 的创建旨在为人机交互提供一种新的、以人类为中心的方式，特别是寻找新的方法，以确保技术解决方案旨在让人们以合乎道德、负责任和透明的方式做出更多决策。知情，进行更有效的分析（但也是可以理解和解释的），以及更好的数字体验。

为了加深以人为中心的人工智能的主题，我们建议阅读文章“以人为中心的人工智能：以人为中心的人工智能”。

生成式人工智能

在人工智能的新兴应用中（Gartner 已将其列入 2022 年的技术趋势，旨在推动从现在到 2024 年的数字化转型业务），生成式人工智能（或生成式人工智能）能够生成合成数据并支持人类的创造能力和活动。

与生成式 AI相关的技术包括允许机器学习系统（使用主题数据集进行适当训练）生成人工内容和各种合成数据的技术。

多媒体行业、医疗保健、艺术和设计领域以及新产品的生产代表了生成式人工智能应用目前越来越广泛的领域。

要了解有关 Generative AI 的更多信息，我们建议阅读文章“艺术、设计和生产：超越 deepfake 的 Generative AI”。

人工智能的例子和应用

它分析数据以提供有用信息的能力使人工智能成为许多业务领域的宝贵盟友，在工业环境和家庭中都有大量投资，想想与家庭自动化相关的应用程序。

为了在这片可能性的海洋中成功定位，参考米兰理工大学人工智能数字创新观察站开发的解决方案分类是有用的，该分类确定了八种不同类型的应用，根据使用目的：

智能数据处理：其特点是能够分析特定数据以推断信息并执行相应操作的算法。例如，它们用于预测分析（数据分析以提供对未来趋势的预测）和欺诈检测（识别与预期模型相关的不合规元素）

虚拟助手/聊天机器人：聊天机器人使用NLP 技术基于语音或文本交互执行操作并为用户提供服务。它们的用途非常广泛，从客户服务系统到电子商务门户的虚拟助手。NLP 技术允许最先进的聊天机器人应用程序除了存储收集的信息外，还可以理解对话的语气，例如通过实施与其连接的 CRM 系统的数据集

建议：基于以直接或间接信息形式获得的用户行为，人工智能应用程序能够将销售系统与建议消费者引导其完成购买的应用程序集成。因此，它们可以提高转化率并优化客户旅程的效率，从而影响客户的决策过程

图像处理：基于图像识别的计算机视觉技术可以自动识别物体、人和动物，以支持许多应用，从视频监控到工业质量控制中的异常模式检测

自动驾驶汽车：人工智能使支持自动驾驶汽车系统成为可能。自动驾驶在汽车领域大行其道，但也影响到其他自动驾驶交通工具，支持海、河、空航行

智能对象：或智能对象，智能对象对无需人类用户直接输入即可执行操作的设备进行分类。集成的人工智能系统，通常与智能传感器相关联，允许智能对象通过对特定事件的反应，根据周围环境的条件做出决策

语言处理：包括通过自然语言处理技术 (NLP) 理解文本和口头交流的所有应用程序

自主机器人：得益于基于人工智能技术的系统指令，机器人可以在没有用户直接命令的情况下移动和行动，这要归功于其识别周围环境并与周围环境交互的能力。自主机器人在工业制造环境、物流和民用/家庭应用中越来越普遍

以下是当今已经成功使用人工智能的主要行业和应用。

制造业的人工智能

工业 4.0的范式通过与自主和协作机器人相关的应用，以及集成到其他使能技术应用中的功能，广泛使用人工智能技术，并且正在成为数字工厂中越来越普遍的常数。

例如，预测分析系统可以重新定义维护流程，从预防性编程转向更有效的预测性维护。

如果在传统流程中，以预防方式采取行动涉及不合理的成本、不必要的干预，以及无法以某种方式预测线路故障，则基于机器学习技术的预测方法允许在实际分析实时由安装在系统上的传感器收集的数据流，以检测与正确操作模型有关的任何异常。

因此，用于传感的智能传感器和用于数据分析的人工智能应用程序的联合作用使公司仅在真正需要时才进行干预。

基于人工智能技术的预测分析提供的一个重要资源是知道如何分析和处理大量数据，创建计算范围远远超出人类可能性的关系。

这些系统不会直接取代维护经理的决策，而是通过有针对性的信息来支持他们，这要归功于能够实时检测任何关键性的自动报告。

基于人工智能技术的预测分析所提供的巨大资源来自于知道如何分析和处理大量数据，创建计算范围远远超出人类可能性的关系。

大规模配送的人工智能

在最广泛的预测分析应用程序中，我们发现了采购预测，它允许您调整大型零售行业的自动订单系统。超市就是这种情况，货架上有数千种不同的产品，其中许多很容易腐烂（就新鲜食品而言）。

基于商店经理估计的订单，无论多么可靠，都不可避免地会产生高估（浪费和不经济）或低估（对客户期望的失望和收入损失）。

另一方面，对消费数据的分析允许机器学习系统根据内生（实际消费数据产品的产品）和外生（一年中的时间、天气、一天中的时间、偶然事件的发生率）因素得出估计，等）建议订购数量和何时下订单，以限制在货物仓库中的昂贵停留。

人工智能用于医疗保健和健康

医疗健康领域一直是新兴技术的沃土，人工智能当然也不例外，应用种类繁多。一个非常明显的案例是关于残疾人的支持。

声音系统能够有选择地处理信号，例如，让交流受限的人能够以可理解的方式表达自己，促进社会融合的过程，从心理学的角度来看具有明显的优势。

人工智能还可以明确优化医疗保健，例如通过引入机器人系统来支持所有临床阶段。想想手术援助，而不是减轻 Covid-19 病房中医务人员和护理人员工作的能力，而不是强迫操作员进行漫长的穿衣和脱衣过程，也许是在受感染的环境中收集一个简单的物体。

由于治疗方法的普遍改进，能够了解和分析大量数据和变量的事实可以优化常规，做出更明智的决定，以减少不必要的住院治疗和相关治疗费用。

在医学研究领域，数据的分析和处理也是促进新发现、开发新药和开发新疗法的基础。

用于医疗诊断的人工智能

图像识别系统允许分析通过诊断获得的数据，以识别人眼永远无法检测到的信息，而不管人脑的分析能力如何，人脑永远无法拥有汽车的计算潜力。

这种方法可以提供相当大的帮助，特别是在早期诊断的背景下，在许多病理（包括肿瘤）以明显的、宏观的或有症状的方式表现出来之前就识别它们的发作。

同样在这种情况下，将与多个变量相关的信息关联起来的能力是决定性的，它模拟了超出医生分析理解的场景，以支持他的决定。

基于相同的概念，人工智能变得越来越相关的另一个领域与罕见疾病的研究有关。使用机器学习对数据进行分析可以让医生在诊断、预后和治疗方面更加精确，根据每位患者的临床病史，以特定的方式确定解决决定性病理所需的治疗方法。

在医疗领域采用人工智能系统的一个优势是建立通用数据库，这远远超出了单一医疗机构的知识范围。例如，这允许对其他医生在类似情况下做出的决定提供实时建议，而无需激活直接通信。

跨学科和自动协作自然各有利弊，尤其是涉及隐私的法规，在处理个人数据的情况下特别严格，以及如果系统不正确，可能会遇到错误的数据和决策被正确训练以学习正确的解决方案。在大多数情况下，问题不在于数据分析，而在于系统获取的数据的质量。

用于家庭自动化的人工智能

家庭自动化是建筑行业 (AEC) 中增长最快的应用之一。智能家居自动化包括互连系统，通过与本地物联网设备（相机、恒温器、灯具、音频系统）的交互，您可以通过单一管理软件来管理房屋的房间，能够控制监控、温度、照明和声音， 等等。）。

多亏了互联网，用户即使不在家里也可以手动调整互连系统，但智能家居自动化系统也能够根据用户的行为自动进行设置。

当我们离开家时能够关闭百叶窗的系统的情况，而不是能够根据实际使用和与电价相关的条件优化消耗的电源插座。

同样，冰箱可以配置为智能食品储藏室，为即将用完的产品自动配置订单。家庭自动化领域的潜在例子几乎是无穷无尽的。

汽车行业的人工智能

我们已经看到人工智能如何在支持自动驾驶系统方面发挥决定性作用，能够调节导航并识别路径上的所有危险情况，以帮助我们并防止事故发生。

但最新一代的汽车要多得多。它们是互连技术的集中，能够在船上收集数十个计算处理器，这些处理器能够处理集中式服务甚至在本地提供给操作系统的信息。

互连系统的持续数据交换使得可以引入其他环境中诞生的技术，例如语音通信和与虚拟助手的交互。多亏了这些应用程序，运输时刻不再是自我参考的，而是与每个用户一天的流程完美结合。

用于导航系统 (GPS) 的人工智能

基于 GPS 的导航应用程序给出了应用于交通的人工智能的一个具体示例，该应用程序允许人工智能系统检测移动设备在某个位置的存在。

这一广泛传播的功能使导航服务能够实时提供交通状况，并在特定地点附近出现危急情况时建议可能的替代路线。

这是非常有用的信息，不仅可以用于规划旅行路线，还可以用于安排您的一天，并在交通状况有所改善时预计以后上路的任何其他承诺。毕竟，借助基于 GPS 的导航系统的实时更新，我们可以随时在智能手机上查看状况。

用于视频游戏的人工智能

人工智能一直是视频游戏的结构部分，因为它们调节我们被召唤与我们的化身互动的 NPC（非玩家角色）的行为。

计算机和控制台不断增长的处理能力使开发人员能够编写越来越可信和现实的交互。人工智能技术即使在开发阶段也能保证充足的支持，从而远远超出最终游戏的应用能力。

允许您管理大量 3D 资产以自动和程序化生成开放世界游戏环境的系统就是这种情况，而无需对其进行完全建模。

在智能家居自动化包括通过一个单一的管理软件管理家庭领域的互联系统。

电子商务（和销售）的人工智能

基于人工智能技术的推荐系统可以实现越来越吸引用户的电子商务应用程序，用户可以通过销售建议获得更大的信心并完成购买过程。

更笼统地说，销售流程的自动化使品牌能够采用更有效的商业策略来转换潜在客户并留住现有客户，从而使他们的利润越来越高。

用于营销（和销售）的人工智能

人工智能使得支持许多营销操作成为可能，从战略的定义和活动的设计开始，这要归功于情绪分析，即拦截消费者趋势和期望的能力，这要归功于对通过跟踪交互获得的行为数据的分析。网络和移动应用程序。

在操作层面，人工智能能够支持的主要功能之一是与产品配置器相关，它可以由机器学习系统进行虚拟辅助，能够通过应用程序获取的数据分析用户行为，从而提出在线配置建议与他的期望。

这是一个极其跨技术的领域，我们在这里发现越来越多的交互式实时 3D 渲染、推荐、聊天机器人和增强现实。

人工智能客户服务

客户服务是聊天机器人的特权行动领域，能够用尽工单管理和最常见问题 (FAQ) 的答案，而不必求助于人工操作员。

人工智能系统能够利用语音和文本功能与客户互动，并且由于与企业 CRM的集成，它们有助于为每个客户形成个性化的历史记录，其中包括其所有的帮助请求和过程。下面到达疑难解答。

这些数据对于通过同一个 CRM 进行交互的公司其他部门的分析和运营非常有用。销售部门可以亲自联系客户，确保所获得的服务令人满意，而设计部门可以获取一系列反馈，以不断改进品牌提供的产品和服务。

用于视频监控和公共安全的人工智能

识别人工智能系统图像的能力允许从不同的角度开发智能视频监控应用程序。例如，可以通过识别敏感位置（例如银行、公共办公室）附近是否存在可疑人物来完成此操作。

犯罪者的图像被输入到警方的数据库中，并用于构建机器学习应用程序的数据集，通过自动识别来自监控摄像头的实时图像来识别他们。

另一种预防系统是通过对特定地点的运动的识别来给出的，这可以通过对运动流的分析得出。如果在原地人们倾向于以某种方式移动，则异常的检测实际上可能与嫌疑人的存在同时发生，嫌疑人在附近徘徊以计划犯罪活动。

这些应用程序的目的是创建有动机的警报，以允许安全人员在有实际需要时进行干预。此类系统还用于预防和管理自然灾害（如地震、飓风和洪水）时的危机。

带有板载人工智能算法的视频监控摄像机具有多种应用，包括分析框架场景内的运动。

用于反欺诈系统的人工智能

异常模式的检测允许基于 AI 的反欺诈系统防止出现意外情况，一个反复出现的例子来自银行交易的安全性，通过电子支付流程。

如果使用信用卡执行的常规操作涉及非常精确的计算机序列，则与此操作正常性的偏差可能表明企图诈骗。如果安全系统检测到此类异常，它可以因此激活预防性阻止程序，或者在不太相关的情况下，警告用户可能存在对其服务的未经授权的访问，以便它可以验证上述操作是否确实已完成由他。

当授权服务检测到正确的登录设置，但来自与经常使用的位置或设备不同的位置或设备时，这种情况经常发生。

用于信息和新闻业的人工智能

数字记者已经成为现实，这要归功于人工智能系统能够处理一种与现实生活中的作家所开发的语言完全无法区分的语言。

目前有几个信息网络使用这些软件，特别是在处理基于客观数据的简单新闻时，例如体育结果，而不是在金融信息的情况下在证券交易所当天的报告。

迄今为止，人工智能系统能够在这个与日常工作密切相关的领域非常有效地运行，但它们还不能在新闻编辑方面做出重要贡献。换句话说，他们写得非常好，并且完美地关联了所描述的内容，但不知道他们所写内容的逻辑意义。

这使得它们在大量数据的选择和分析方面非常有效，例如起草报告，但如果目标对应于深度文章或新闻项目的撰写，则存在问题，其中新闻的工作批评是最重要的是写作阶段的上游。

至少从这个角度来看，记者和分析师，至少目前，可以安全地工作。从积极的角度来看，人工智能系统在数据分析和写作中的存在实际上可以优化这些专业的工作。

使用这些工具的记者可以将大部分时间花在批判性分析上，而让软件自动完成非常耗时的任务，例如阅读和编写长文本。