人工智能利用计算机和机器来模仿人类思维的解决问题和决策能力，今天小编就来聊一聊关于人工智能ai的最大作用是什么?接下来我们就一起去研究一下吧!
人工智能ai的最大作用是什么
人工智能利用计算机和机器来模仿人类思维的解决问题和决策能力。
什么是人工智能？
虽然在过去的几十年中出现了许多人工智能 (AI) 的定义，但约翰麦卡锡在 2004 年的论文 中提供了以下定义
“它是制造智能机器，尤其是智能计算机程序。
它与使用计算机理解人类智能的类似任务有关，但人工智能不必将自己局限于生物学可观察的方法。”
然而，在这个定义之前的几十年，人工智能对话的诞生是由艾伦图灵的开创性著作“计算机与智能”于 1950 年出版的。
论文中，通常被称为“计算机科学之父”的图灵提出了以下问题：“机器能思考吗？”
从那里，他提供了一个测试，现在被称为“图灵测试”，人类询问者将尝试区分计算机和人类文本响应。
尽管该测试自发布以来经过了大量审查，但它仍然是人工智能历史的重要组成部分，也是哲学中一个持续存在的概念，因为它利用了语言学的思想。
Stuart Russell 和 Peter Norvig 随后继续出版了《人工智能：一种现代方法》 ，成为人工智能研究的主要教科书之一。
在其中，他们深入研究了人工智能的四个潜在目标或定义，这些目标或定义根据理性和思考与行动来区分计算机系统：
人性化的方法：
理想的做法：
Alan Turing 的定义属于“像人类一样行动的系统”。
就其最简单的形式而言，人工智能是一个结合了计算机科学和强大数据集以解决问题的领域。
它还包含机器学习和深度学习的子领域，这些子领域经常与人工智能一起被提及。
这些学科由 AI 算法组成，这些算法试图创建专家系统，根据输入数据进行预测或分类。
今天，很多炒作仍然围绕着人工智能的发展，这是市场上任何新兴技术的预期。
正如Gartner 的炒作周期中所述，自动驾驶汽车和个人助理等产品创新遵循“典型的创新进程，从过度热情到幻灭期，再到最终理解创新的相关性和作用在一个市场或领域。
正如 Lex Fridman 在2019 年麻省理工学院讲座中指出的那样，我们正处于期望值过高的顶峰，接近幻灭的低谷。
随着围绕人工智能伦理的对话出现，我们可以开始看到幻灭低谷的初步一瞥。
人工智能的类型——弱人工智能与强人工智能弱人工智能——也称为狭义人工智能或狭义人工智能 (ANI)——是经过人工智能训练并专注于执行特定任务的人工智能。
弱人工智能驱动了当今我们周围的大部分人工智能。
对于这种类型的人工智能，“窄”可能是一个更准确的描述，因为它绝不是弱的；
它支持一些非常强大的应用程序，例如 Apple 的 Siri、Amazon 的 Alexa、IBM Watson 和自动驾驶汽车。
强人工智能由通用人工智能（AGI）和人工超级智能（ASI）组成。
通用人工智能 (AGI) 或通用人工智能是人工智能的一种理论形式，其中机器具有与人类相同的智能；
它将具有自我意识，具有解决问题、学习和规划未来的能力。
人工超级智能（ASI）——也称为超级智能——将超越人脑的智力和能力。
虽然强人工智能仍然完全是理论上的，今天还没有实际使用的例子，但这并不意味着人工智能研究人员不会也在探索它的发展。
与此同时，ASI 最好的例子可能来自科幻小说，比如 HAL，2001 年：太空漫游中的超人、流氓计算机助手。
深度学习与机器学习由于深度学习和机器学习往往可以互换使用，因此值得注意的是两者之间的细微差别。
如上所述，深度学习和机器学习都是人工智能的子领域，而深度学习实际上是机器学习的一个子领域。
深度学习实际上由神经网络组成。
深度学习中的“深度”是指由三层以上的神经网络组成——包括输入和输出——可以被认为是一种深度学习算法。
这通常使用下图表示：
深度学习和机器学习的不同之处在于每种算法的学习方式。
深度学习使过程中的大部分特征提取部分自动化，消除了一些所需的人工干预并允许使用更大的数据集。
您可以将深度学习视为“可扩展的机器学习”，正如 Lex Fridman 在同一个 MIT 讲座中指出的那样。
经典的或“非深度”的机器学习更依赖于人工干预来学习。
人类专家确定特征的层次结构以了解数据输入之间的差异，通常需要更多结构化数据来学习。
“深度”机器学习可以利用标记数据集（也称为监督学习）为其算法提供信息，但它不一定需要标记数据集。
它可以以原始形式（例如文本、图像）摄取非结构化数据，并且可以自动确定特征的层次结构，从而将不同类别的数据彼此区分开来。
与机器学习不同，它不需要人工干预来处理数据，让我们能够以更有趣的方式扩展机器学习。
人工智能应用如今，人工智能系统有许多现实世界的应用。
以下是一些最常见的示例：
许多移动设备将语音识别整合到他们的系统中以进行语音搜索（例如 Siri）或提供更多关于短信的可访问性。
他们回答围绕主题的常见问题 (FAQ)，例如运输，或提供个性化建议、交叉销售产品或为用户建议尺寸，改变我们对跨网站和社交媒体平台客户互动的看法。
示例包括电子商务网站上带有虚拟代理的消息机器人、消息应用程序（例如 Slack 和 Facebook Messenger）以及通常由虚拟助手和语音助手完成的任务。
这种提供建议的能力将其与图像识别任务区分开来。
在卷积神经网络的支持下，计算机视觉在社交媒体中的照片标记、医疗保健中的放射成像以及汽车行业中的自动驾驶汽车中都有应用。
这用于在在线零售商的结账过程中向客户提供相关的附加建议。
“会思考的机器”的概念可以追溯到古希腊。
但自从电子计算出现（以及与本文讨论的一些主题相关）以来，人工智能发展中的重要事件和里程碑包括以下内容：
在论文中，因在二战期间破解纳粹的 ENIGMA 密码而闻名的图灵提议回答“机器能思考吗？”这个问题。
并引入了图灵测试来确定计算机是否可以展示与人类相同的智能（或相同智能的结果）。
从那时起，图灵测试的价值一直备受争议。
（McCarthy 将继续发明 Lisp 语言。）
那年晚些时候，Allen Newell、JC Shaw 和 Herbert Simon 创建了 Logic Theorist，这是有史以来第一个运行的 AI 软件程序。
仅仅一年后，Marvin Minsky 和 Seymour Papert 出版了一本名为Perceptrons的书，这本书既成为神经网络方面的里程碑式工作，也至少在一段时间内成为反对未来神经网络研究项目的论据。
考虑到随着游戏的进行有大量可能的移动（仅四步就超过 14.5 万亿！），胜利意义重大。
后来，谷歌以 4 亿美元的价格收购了 DeepMind。
