

Menurut definisi saintifik yang popular, kecerdasan buatan ialah program komputer yang serupa dengan manusia.
Menurut definisi saintifik yang popular, kecerdasan buatan ialah program komputer yang berkelakuan serupa dengan manusia; singkatan bahasa Inggeris bagi kecerdasan buatan ialah AI, iaitu penyelidikan dan pembangunan teori, kaedah dan teknologi untuk mensimulasikan, memanjangkan; , dan mengembangkan manusia dan kecerdasan Sains teknikal baharu dan sistem aplikasi yang cuba memahami sifat kecerdasan dan menghasilkan mesin pintar baharu yang boleh bertindak balas dengan cara yang serupa dengan kecerdasan manusia.
Persekitaran pengendalian tutorial ini: sistem Windows 10, komputer DELL G3.
Menurut definisi saintifik yang popular, kecerdasan buatan ialah program komputer yang berkelakuan serupa dengan manusia
Kecerdasan Buatan, singkatan bahasa Inggeris ialah AI. Penyeliaan adalah sukar. Ia adalah sains teknikal baharu yang menyelidik dan membangunkan teori, kaedah, teknologi dan sistem aplikasi untuk mensimulasikan, memanjangkan dan mengembangkan kecerdasan manusia.
Kecerdasan buatan ialah cabang sains komputer yang cuba memahami intipati kecerdasan dan menghasilkan mesin pintar baharu yang boleh bertindak balas dengan cara yang serupa dengan kecerdasan manusia dalam bidang ini termasuk robot, Pengecaman bahasa, imej pengiktirafan, pemprosesan bahasa semula jadi dan sistem pakar, dsb. Sejak kelahiran kecerdasan buatan, teori dan teknologi menjadi semakin matang, dan bidang aplikasi juga terus berkembang Dapat dibayangkan bahawa produk teknologi yang dibawa oleh kecerdasan buatan pada masa hadapan akan menjadi "bekas" kebijaksanaan manusia. . Kecerdasan buatan boleh mensimulasikan proses maklumat kesedaran dan pemikiran manusia. Kecerdasan buatan bukanlah kecerdasan manusia, tetapi ia boleh berfikir seperti manusia malah mungkin melebihi kecerdasan manusia.
Kecerdasan buatan ialah sains yang sangat mencabar, dan orang yang terlibat dalam kerja ini mesti memahami pengetahuan komputer, psikologi dan falsafah. Kecerdasan buatan ialah sains yang sangat luas, yang terdiri daripada bidang yang berbeza, seperti pembelajaran mesin, penglihatan komputer, dan lain-lain. Secara umumnya, matlamat utama penyelidikan kecerdasan buatan adalah untuk menjadikan mesin mampu melakukan tugas yang biasanya memerlukan kecerdasan manusia. Tetapi masa yang berbeza dan orang yang berbeza mempunyai pemahaman yang berbeza tentang "kerja kompleks" ini.
Meluaskan pengetahuan: Pengenalan kepada sains kecerdasan buatan
Aplikasi praktikal
Penglihatan mesin, cap jari pengecaman , pengecaman muka, pengecaman retina, pengecaman iris, pengecaman tapak tangan, sistem pakar, perancangan automatik, carian pintar, pembuktian teorem, permainan, pengaturcaraan automatik, kawalan pintar, robotik, pemahaman bahasa dan imej, pengaturcaraan genetik, dsb.
Skop Disiplin
Kecerdasan buatan ialah subjek sempadan yang tergolong dalam persimpangan sains semula jadi dan sains sosial.
Melibatkan disiplin
Falsafah dan sains kognitif, matematik, neurofisiologi, psikologi, sains komputer, teori maklumat, sibernetik, teori ketidakpastian
Skop penyelidikan
Pemprosesan bahasa semula jadi, perwakilan pengetahuan, carian pintar, penaakulan, perancangan, pembelajaran mesin, pemerolehan pengetahuan, masalah penjadualan gabungan, masalah persepsi, pengecaman corak, pengaturcaraan logik dan pengkomputeran lembut , Tidak Tepat dan Tidak Pasti Pengurusan, Kehidupan Buatan, Rangkaian Neural, Sistem Kompleks, Algoritma Genetik
Kesedaran dan Kepintaran Buatan
Kecerdasan Buatan mengikut sifatnya, Ia adalah simulasi proses maklumat daripada pemikiran manusia.
Terdapat dua cara untuk mensimulasikan pemikiran manusia Satu ialah simulasi struktur, yang meniru mekanisme struktur otak manusia untuk mencipta mesin "seperti otak manusia" yang lain adalah simulasi berfungsi, yang diketepikan buat sementara waktu otak manusia Struktur dalaman disimulasikan daripada proses berfungsinya. Kemunculan komputer elektronik moden adalah simulasi fungsi pemikiran otak manusia dan proses maklumat pemikiran otak manusia.
Kecerdasan buatan yang lemah terus berkembang dengan pesat, terutamanya selepas krisis ekonomi 2008, Amerika Syarikat, Jepun dan Eropah berharap untuk mencapai perindustrian semula melalui robot-robot perindustrian berkembang pada kadar yang lebih pantas berbanding sebelum ini telah menggalakkan lagi pembangunan kecerdasan buatan yang lemah Dengan penemuan berterusan dalam kecerdasan buatan dan bidang berkaitan, banyak pekerjaan yang mesti dilakukan oleh manusia kini boleh dilakukan oleh robot.
Kecerdasan buatan yang kuat kini berada dalam kesesakan dan memerlukan usaha saintis dan manusia.
Untuk lebih banyak pengetahuan berkaitan, sila lawati ruangan Soalan Lazim!
Atas ialah kandungan terperinci Menurut definisi saintifik yang popular, kecerdasan buatan ialah program komputer yang serupa dengan manusia.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S