人工智能是什么,人工智能相关简介

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。 [1] 2017年12月，人工智能入选“2017年度中国媒体十大流行语”。 [2] 2021年9月25日，为促进人工智能健康发展，《新一代人工智能伦理规范》发布。

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。2021年9月25日，为促进人工智能健康发展，《新一代人工智能伦理规范》发布。

发展阶段

1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。

从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢?科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢?到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。

当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝(DEEP BLUE)计算机战胜了国际象棋大师卡斯帕洛夫(KASPAROV)。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。

2019年3月4日,十三届全国人大二次会议举行新闻发布会，大会发言人张业遂表示，已将与人工智能密切相关的立法项目列入立法规划 。

人工智能的潜在威胁和劣势

话虽如此，人工智能使用的增加无意中伴随着大量潜在风险和不利因素。

人工智能使用不足和过度

一个主要威胁是人工智能的潜在利用不足。这可能会导致错过财政增长机会，并大大降低全球各国的竞争优势——导致进一步降低经济和就业机会，加剧经济停滞。

这可能是由于缺乏公众的信任，以及政府机构的主动性和财政投资的不足。

另一方面，过度使用人工智能也可能造成相当大的问题，并导致社会阶层之间的巨大差距——因为工人必须被机器取代，从而进一步扩大收入差距。

例如，美国国家经济研究局声称，美国工资的变化中有50%至70%是由自动化机器日益取代工人这一事实直接导致的。

世界经济论坛最近的一份报告评估称，“智能机器”在未来几代人中的扩散，可以很容易地成为一种替代工具，使很大一部分现有的人类劳动力被人工智能取代。

确实，当变化发生时，科技巨头本身可能变得无关紧要，他们没有准备好，例如，当我们看到最近谷歌核心Web Vitals的更新，他们可能没有一个容易的任务保持时尚和相关。最后，我们可以看到，创新和鼓舞人心的人工智能商业技术在过去几年中已经融入了我们的全球经济，特别是在网页设计、电子商务和营销领域，毫无疑问将继续存在下去。

人工智能对从社交媒体到医疗保健的方方面面都产生了越来越大的影响。人工智能用于做出信用卡决策，在机场进行视频监控，并通知军事行动。这些技术有可能伤害或帮助他们所服务的人。通过运用伦理视角，我们可以努力识别这些技术可能对人类造成的危害，我们可以设计和建造它们来减少这些危害，或者决定不建造它们。

本课程没有任何先决条件，我们也没有任何编程背景。

您的导师Var Shankar(曾在工业领域从事人工智能道德研究)和Alexis Cook(曾设计和培训人工智能模型)合作构建了这门应用和实践课程。在练习中，您将运行代码来训练和研究AI模型。如果您已经在一个开发AI产品的团队中，并且不知道从哪里开始，我们将提供可行的建议。

本课程涵盖几个主题：

在以人为中心的设计课程中，您将学习如何设计人工智能系统，以确保其满足预期用户的需求。

在偏见课程中，您将确定AI系统如何学会歧视特定群体。

在公平课程中，您将学习量化AI系统中的偏差程度。

在模型卡课程中，您将学习如何使用流行的框架来改进AI模型的公共责任。

随着人工智能领域的发展，人工智能伦理也在不断发展。正如一位明智的朋友曾经告诉我们的，“道德是一场对话。”这门课程可以帮助你开始对话，但不能结束对话。我们没有涵盖的一些主题包括：人工智能对贫富之间的数字技术鸿沟、就业和独裁政府能力的潜在影响，等等。也就是说，在整个课程中，我们建议接下来的步骤，以继续您的学习，并在道德对话继续发展的过程中遵循道德对话。

大家都知道，计算能力的强弱取决于cpu的性能强弱。传统的cpu的运算能力一般用GFLOPS这个单位来表示，即一秒十亿次浮点运算。而当我们提到GPU时，我们则会使用TFLOPS，即一秒万亿次浮点运算，差距立显。在NVIDIA最新的发布会上，他们推出了一款超级计算机，名为DGX Station。其内部包含四块Tesla V100 GPU、NVLink互联技术、128GB的GPU内存和20480个NVIDIA CUDA core，这一切共同造就了500 TFLOPS的超强深度学习能力。想象一下，这台超级计算机的运算能力相当于一万个甚至十万个传统cpu的运算能力。目前，这款超级计算机可以在NVIDIA官网限时抢购，而且买四赠一。

不仅如此，GPU还完美支持整形、单精度以及双精度运算，而且其上还搭载了张量核心，为所有类型的运算提供强大的支持。

即使是一款游戏显卡(rtx-2080ti)，其计算能力也能达到78TFLOPS(如下图)。也就是说，现在任何一款搭载了GPU的电脑都可以用来实现人工智能。

最近比较热门的领域为图像识别、物体检测、自然语言处理。图像识别从几年前的Alexnet，到vgg，再到如今的resnet以及resnext，可以说解决了基本的图像识别问题。而物体检测往往是基于图像识别的，在图像识别的基础上，使用一些相对简单的区域搜索网络，如：fast-r-cnn、faster-r-cnn、yolo、ssd等。以faster-rcnn为例，其主要原理就是在cnn(此处一般选取resnext)后面增加了一个rpn(region proposal network)，用于搜索目标物体，所以r-cnn即rpn-cnn。而对于自然语言处理，其核心技术一般为rnn(循环神经网络，Recurrent Neural Network)。

在此再介绍一些深度学习常用的框架，caffe2(目前基本与pytorch融合，是facebook的开源项目)、tensorflow(google开源)、mxnet(aws)、CNTK(microsoft)。

前面也介绍了硬件对于人工智能的重要意义，因此NVIDIA，作为全球最重要的人工智能硬件厂商，也推出了一些开源项目，比如：cuda、cudnn。上面讲到的那些常用框架也基本上是基于NVIDIA的这些开源项目的。最近，NVIDIA又推出了一个开源项目：rapidsai，号称能解决400G以上数据量的机器学习问题，而400G往往是传统机器学习方法的极限。在rapidsai中，NVIDIA把传统的机器学习算法统统搬到了它的GPU上，因此这些传统算法在性能上的提升是不言而喻的。但目前为止，只实现了以下六个算法：a) Single GPU Truncated Singular Value Decomposition (tSVD), b) Single GPU Principal Component Analysis (PCA), c) Single GPU Density-based Spatial Clustering of Applications with Noise (DBSCAN), d) Single GPU Kalman Filtering, e) Multi-GPU K-Means Clustering, f) Multi-GPU K-Nearest Neighbors。而且在以下几个领域实力还比较薄弱：a) Linear Algebra, b) Statistics, c) Basic Matrix Operations, d) Distance Functions, e) Random Number Generation。rapidsai的使用方式和pandas相差无几，因此上手还是比较容易的，有兴趣的可以去试试，没准你的算法就提速了几百几千倍。

应用场景

计算机视觉：车牌识别、人脸识别、无人驾驶、行为识别等

语音工程：2010 年后，深度学习的广泛应用使语音识别的准确率大幅提升，像 Siri、Voice Search 和 Echo 等，可以实现不同语言间的 交流，从语音中说一段话，随之将其翻译为另一种文字;再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。

自然语言处理：问答系统、机器翻译、对话系统等。

决策系统：决策系统的发展是随着棋类问题的解决而不断提升，从 80 年代西洋跳棋开始，到 90 年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。

大数据应用：分析客户的喜好进行个性推荐，精准营销;分析各个股票的行情，进行量化交易。