人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、發展用於模擬、延伸和擴展人的智慧的理論、方法、技術及應用系統的一門新的技術科學。
機器，特別是電腦系統對人類智力過程的模仿被稱為人工智慧，專家系統、自然語言處理、語音辨識和機器視覺是人工智慧應用的幾個典型應用。
隨著圍繞 AI 的熱情不斷增長，企業一直在爭先恐後地展示他們的商品和服務如何包含 AI。他們所說的人工智慧通常只是人工智慧的一個組成部分，例如機器學習。 AI 需要專門的硬體和軟體來編寫和訓練機器學習演算法。目前沒有一種程式語言能夠成為 AI 的代名詞，但有少數是比較突出的，包括 Python、R 和 Java。
人工智慧系統通常會消耗大量標記的訓練數據，評估數據的相關性和模式，然後使用這些模式來預測未來狀態。透過學習數百萬個實例，給出文字聊天範例的聊天機器人可以學會與人類進行逼真的對話。相較之下，影像辨識程式可以學習識別和描述照片中的項目。
學習、推理和自我修正是人工智慧程式設計關注的三個認知功能。
學習過程——人工智慧程式設計的這個組成部分涉及收集資料和製定將資料轉換為可用資訊的規則。這些規則稱為演算法，演算法教導電腦設備如何逐步執行特定任務。
推理過程——人工智慧程式設計的這一領域與選擇最佳方法來實現給定結果有關。
自我校正程式——人工智慧程式設計的這項功能旨在不斷微調演算法並確保它們提供最準確的結果。
由於人工智慧研究旨在使電腦模仿人類的功能，因此人工智慧系統可以複製人類技能的程度被用作人工智慧分類的標準。因此，可以根據機器在多樣性和性能方面與人類的比較情況，將人工智慧分為幾類之一。
在這樣的系統中，能夠執行更多類似人類功能並具有相當能力水平的人工智慧被認為是更先進的。相較之下，功能和性能受限的 AI 被認為更直接且進化程度更低。
基於這個標準，人工智慧通常分為兩類。一種分類是基於人工智慧和支援人工智慧的機器人與人類思維的相似性，以及它們「思考」甚至「感覺」像人類的能力。根據這個分類系統，有四類人工智慧或基於人工智慧的系統：反應性機器、有限記憶機器、心智理論和自我意識人工智慧。
反應式機器沒有記憶體並且是特定於任務的。如深藍，這是 1990 年代擊敗加里卡斯帕羅夫的 IBM 西洋棋軟體。深藍可以辨識棋盤上的棋子並做出預測，但由於缺乏記憶，它無法利用過去的經驗來影響未來的經驗。
有限的記憶——因為這些人工智慧系統有記憶，它們可能會利用先前的經驗來指導未來的判斷。這就是自動駕駛汽車的一些決策機制是如何創建的。
心理理論是心理學中使用的一個字。當應用於人工智慧時，這表示機器具有理解情緒的社交智能。這種人工智慧可以預測人類行為並推斷人類意圖，這是人工智慧系統成為人類團隊不可或缺的成員的必備能力。
自我意識——這一類的人工智慧系統有一種自我感覺，這賦予了他們意識。具有自我意識的機器知道他們目前的狀況。目前，這種形式的人工智慧還不存在。
不過，在技術術語中更常用的替代分類方案是將技術分類為：人工狹義智能 (ANI)、人工通用智能 (AGI) 和人工超智能 (ASI)。
狹義人工智慧(ANI)
這種形式的人工智慧涵蓋了所有現存的人工智慧，包括迄今為止建構的最複雜和最有能力的人工智慧.狹義人工智慧是指人工智慧系統只能獨立完成一項工作，同時表現出與人類相似的技能。這些機器只能完成它們的設計目標，賦予它們有限或狹窄的能力範圍。根據上述分類，這些系統涉及所有反應性和有限記憶的人工智慧。 ANI 甚至包括最先進的人工智慧，它採用機器學習和深度學習來訓練自己。
通用人工智慧 (AGI)
人工智慧代理程式完全像人類一樣學習、感知、理解和運作的能力被稱為通用人工智慧。透過模仿我們的多功能能力，人工智慧系統將具有與人類同等的能力。這些系統將能夠獨立建構大量能力，並跨領域建立聯繫和概括，從而顯著減少培訓時間。
超級人工智慧(ASI)
人工超級智慧(ASI) 的誕生無疑將標誌著人工智慧研究的巔峰，因為ASI 將成為地球上最具競爭力的智慧形式。除了模仿人類智力之外，由於記憶體大大增加，資料處理和分析速度更快，決策能力更強，ASI 在它們執行的所有方面都將更加出色。 AGI 和 ASI 的進步將導致一種稱為奇點的場景。雖然擁有如此強大的工具可供我們使用很誘人，但這些設備可能會危及我們的生存，或至少危及我們的生活方式。
機器學習是人工智慧 (AI) 的一個子集或應用，它允許系統從經驗中學習和成長，而無需編碼到該層級。機器學習使用數據來學習並獲得正確的結果。機器學習涉及創建讀取數據並利用它從自身學習的電腦軟體。
深度學習是機器學習的一個子集，包括人工神經網路和循環神經網路。它使用演算法及其方法來解決任何複雜的問題。演算法的建構方式與機器學習相同。但是，還有更多層的演算法。此演算法的網路稱為人工神經網路。用更簡單的術語來說，它模擬了人類的大腦工作模式，因為大腦中的所有神經網路都是相連的，這就是深度學習的概念。
簡單統計學習、傳統機器學習和具有各種隱藏層的神經網路的能力和資料量之間的關係
下表將機器學習與深度學習進行了比較：
機器學習 |
深度學習 |
|
1 |
機器學習是深度學習的超集 |
深度學習是機器學習的子集 |
2 |
#機器學習資料與深度學習資料有很大不同，因為它使用結構化資料。 |
深度學習的資料格式有很大不同，因為它使用了神經網路 (ANN)。 |
3 |
#機器學習是人工智慧發展的下一步 |
深度學習是機器學習發展的下一步。本質上，它指的是機器學習的深度 |
4 |
在機器學習中使用了數千個資料點 |
數百萬個資料點構成大資料 |
#5 |
輸出：數值，例如分數分類。 |
從數字到自由文字和聲音等自由格式特徵的任何內容都是可以接受的。 |
6 |
各種自動化演算法用於將輸入轉換為模型函數並預測未來的行動。 |
為了分析資料特徵和關係，使用了透過處理層發送資料的神經網路。 |
7 |
資料分析師發現演算法來評估資料集中的某些變數。 |
一旦實施，演算法本質上是在資料分析中自我描述的。 |
8 |
機器學習通常用於在競爭中保持領先並學習新技能。 |
深度學習用於解決具有挑戰性的機器學習問題。 |
#https://www.researchgate.net/figure/Relationship-between-the -capabilities-and-amount-of-data-of-simple-statistical-learning_fig1_340134117。
2021 年，全球人工智慧(AI) 市場價值870.4 億美元，預計到2030 年將達到15,971 億美元，2022 年至2030 年的複合年增長率為38.1%。全球 COVID-19 大流行非同尋常且令人震驚，與大流行前的水平相比，這項技術在所有領域的需求都高於預期。據估計，與 2019 年相比，2022 年全球市場將成長150% 。
https://www.php.cn/link/7439aebdba054f0d586d486ef2aff185
#技術創新一直是大多數行業的重要組成部分。近年來，數位科技和網路的日益普及極大地促進了全球人工智慧產業的發展。科技巨頭在研發方面的巨額支出正在不斷推動各行業的技術進步。汽車、醫療保健、銀行和金融、製造、食品和飲料、物流和零售等多個最終用途領域對人工智慧技術的需求不斷增長，這可能會在未來幾年推動全球人工智慧市場。
眾多醫療設備的日益普及以及新型電動車的自動駕駛能力正在顯著推動全球人工智慧市場的發展。全球數位化趨勢正在對市場成長產生有利影響。包括谷歌、微軟、IBM、亞馬遜和蘋果在內的全球頂級 IT 巨頭正在加強推進和開發不同的人工智慧應用。預計科技巨頭在改善人工智慧存取方面的努力將在預測期內推動全球人工智慧市場的成長。
在過去五年中，醫學和醫療保健吸引了全球最多的人工智慧私人投資（289 億美元）。
以上是一文讀懂人工智慧的過去、現在與未來的詳細內容。更多資訊請關注PHP中文網其他相關文章！
