究竟什么是人工智能（AI）？
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。
机器，特别是计算机系统对人类智力过程的模仿被称为人工智能，专家系统、自然语言处理、语音识别和机器视觉是人工智能应用的几个典型应用。
人工智能是如何工作的？
随着围绕 AI 的热情不断增长，企业一直在争先恐后地展示他们的商品和服务如何包含 AI。他们所说的人工智能通常只是人工智能的一个组成部分，比如机器学习。AI 需要专门的硬件和软件来编写和训练机器学习算法。目前没有一种编程语言能够成为 AI 的代名词，但有少数是比较突出的，包括 Python、R 和 Java。
人工智能系统通常会消耗大量标记的训练数据，评估数据的相关性和模式，然后使用这些模式来预测未来状态。通过学习数百万个实例，给出文本聊天示例的聊天机器人可以学会与人类进行逼真的对话。相比之下，图像识别程序可以学习识别和描述照片中的项目。
学习、推理和自我纠正是人工智能编程关注的三个认知功能。
学习过程——人工智能编程的这个组成部分涉及收集数据和制定将数据转换为可用信息的规则。这些规则称为算法，算法教计算机设备如何逐步执行特定任务。
推理过程——人工智能编程的这一领域与选择最佳方法来实现给定结果有关。
自我校正程序——人工智能编程的这一功能旨在不断微调算法并确保它们提供最准确的结果。
了解各种类型的人工智能分类
由于人工智能研究旨在使计算机模仿人类的功能，因此人工智能系统可以复制人类技能的程度被用作人工智能分类的标准。因此，可以根据机器在多样性和性能方面与人类的比较情况，将人工智能分为几类之一。
在这样的系统中，能够执行更多类似人类功能并具有相当能力水平的人工智能被认为是更先进的。相比之下，功能和性能受限的 AI 被认为更直接且进化程度更低。
基于这个标准，人工智能通常分为两类。一种分类是基于人工智能和支持人工智能的机器人与人类思维的相似性，以及它们“思考”甚至“感觉”像人类的能力。根据这个分类系统，有四类人工智能或基于人工智能的系统：反应性机器、有限记忆机器、心智理论和自我意识人工智能。
反应式机器没有内存并且是特定于任务的。如深蓝，这是 1990 年代击败加里卡斯帕罗夫的 IBM 国际象棋软件。深蓝可以识别棋盘上的棋子并做出预测，但由于缺乏记忆，它无法利用过去的经验来影响未来的经验。
有限的记忆——因为这些人工智能系统有记忆，它们可能会利用以前的经验来指导未来的判断。这就是自动驾驶汽车的一些决策机制是如何创建的。
心理理论是心理学中使用的一个词。当应用于人工智能时，这表示机器具有理解情绪的社交智能。这种人工智能可以预测人类行为并推断人类意图，这是人工智能系统成为人类团队不可或缺的成员的必备能力。
自我意识——这一类的人工智能系统有一种自我感觉，这赋予了他们意识。具有自我意识的机器知道他们目前的状况。目前，这种形式的人工智能还不存在。
不过，在技术术语中更常用的替代分类方案是将技术分类为：人工狭义智能 (ANI)、人工通用智能 (AGI) 和人工超智能 (ASI)。
狭义人工智能 (ANI)
这种形式的人工智能涵盖了所有现存的人工智能，包括迄今为止构建的最复杂和最有能力的人工智能。狭义人工智能是指人工智能系统只能独立完成一项工作，同时表现出与人类相似的技能。这些机器只能完成它们的设计目标，赋予它们有限或狭窄的能力范围。根据上述分类，这些系统涉及所有反应性和有限记忆的人工智能。ANI 甚至包括最先进的人工智能，它采用机器学习和深度学习来训练自己。
通用人工智能 (AGI)
人工智能代理完全像人类一样学习、感知、理解和运作的能力被称为通用人工智能。通过模仿我们的多功能能力，人工智能系统将具有与人类同等的能力。这些系统将能够独立构建大量能力，并跨领域建立联系和概括，从而显着减少培训时间。
超级人工智能 (ASI)
人工超级智能 (ASI) 的诞生无疑将标志着人工智能研究的巅峰，因为 ASI 将成为地球上最具竞争力的智能形式。除了模仿人类智力之外，由于内存大大增加，数据处理和分析速度更快，决策能力更强，ASI 在它们执行的所有方面都将更加出色。AGI 和 ASI 的进步将导致一种称为奇点的场景。虽然拥有如此强大的工具可供我们使用很诱人，但这些设备可能会危及我们的生存，或者至少危及我们的生活方式。
机器学习和深度学习有什么区别？
机器学习是人工智能 (AI) 的一个子集或应用，它允许系统从经验中学习和成长，而无需编码到该级别。机器学习使用数据来学习并获得正确的结果。机器学习涉及创建读取数据并利用它从自身学习的计算机软件。
深度学习是机器学习的一个子集，包括人工神经网络和循环神经网络。它使用算法及其方法来解决任何复杂的问题。算法的构建方式与机器学习相同。但是，还有更多层的算法。该算法的网络被称为人工神经网络。用更简单的术语来说，它模拟了人类的大脑工作模式，因为大脑中的所有神经网络都是相连的，这就是深度学习的概念。
https://www.researchgate.net/figure/Relationship-between-the-capabilities-and-amount-of-简单统计学习数据_fig1_340134117
下表将机器学习与深度学习进行了比较：
| 先生。出色地。 | 机器学习 | 深度学习 |
| 1 | 机器学习是深度学习的超集 | 深度学习是机器学习的一个子集 |
| 2 | 机器学习数据与深度学习数据有很大不同，因为它使用结构化数据。 | 深度学习的数据格式有很大不同，因为它使用了神经网络 (ANN)。 |
| 3 | 机器学习是人工智能发展的下一步 | 深度学习是机器学习发展的下一步。本质上，它指的是机器学习的深度 |
| 4 | 机器学习中使用了数千个数据点 | 数百万个数据点构成大数据 |
| 5 | 输出：数值，例如分数分类。 | 从数字到自由文本和声音等自由格式特征的任何内容都是可以接受的。 |
| 6 | 各种自动化算法用于将输入转换为模型函数并预测未来的行动。 | 为了分析数据特征和关系，使用了通过处理层发送数据的神经网络。 |
| 7 | 数据分析师发现算法来评估数据集中的某些变量。 | 一旦实施，算法本质上是在数据分析中自我描述的。 |
| 8 | 机器学习通常用于在竞争中保持领先并学习新技能。 | 深度学习用于解决具有挑战性的机器学习问题。 |
下表将机器学习与深度学习进行了比较：
| 先生。出色地。 | 机器学习 | 深度学习 |
| 1 | 机器学习是深度学习的超集 | 深度学习是机器学习的一个子集 |
| 2 | 机器学习数据与深度学习数据有很大不同，因为它使用结构化数据。 | 深度学习的数据格式有很大不同，因为它使用了神经网络 (ANN)。 |
| 3 | 机器学习是人工智能发展的下一步 | 深度学习是机器学习发展的下一步。本质上，它指的是机器学习的深度 |
| 4 | 机器学习中使用了数千个数据点 | 数百万个数据点构成大数据 |
| 5 | 输出：数值，例如分数分类。 | 从数字到自由文本和声音等自由格式特征的任何内容都是可以接受的。 |
| 6 | 各种自动化算法用于将输入转换为模型函数并预测未来的行动。 | 为了分析数据特征和关系，使用了通过处理层发送数据的神经网络。 |
| 7 | 数据分析师发现算法来评估数据集中的某些变量。 | 一旦实施，算法本质上是在数据分析中自我描述的。 |
| 8 | 机器学习通常用于在竞争中保持领先并学习新技能。 | 深度学习用于解决具有挑战性的机器学习问题。 |
下表将机器学习与深度学习进行了比较：
| 机器学习 | 深度学习 | |
| 1 | 机器学习是深度学习的超集 | 深度学习是机器学习的一个子集 |
| 2 | 机器学习数据与深度学习数据有很大不同，因为它使用结构化数据。 | 深度学习的数据格式有很大不同，因为它使用了神经网络 (ANN)。 |
| 3 | 机器学习是人工智能发展的下一步 | 深度学习是机器学习发展的下一步。本质上，它指的是机器学习的深度 |
| 4 | 机器学习中使用了数千个数据点 | 数百万个数据点构成大数据 |
| 5 | 输出：数值，例如分数分类。 | 从数字到自由文本和声音等自由格式特征的任何内容都是可以接受的。 |
| 6 | 各种自动化算法用于将输入转换为模型函数并预测未来的行动。 | 为了分析数据特征和关系，使用了通过处理层发送数据的神经网络。 |
| 7 | 数据分析师发现算法来评估数据集中的某些变量。 | 一旦实施，算法本质上是在数据分析中自我描述的。 |
| 8 | 机器学习通常用于在竞争中保持领先并学习新技能。 | 深度学习用于解决具有挑战性的机器学习问题。 |
https://www.researchgate.net/figure/Relationship-between-the-capabilities-and-amount-of-data-of-simple-statistical-learning_fig1_340134117
全球人工智能市场规模
2021 年，全球人工智能 (AI) 市场价值870.4 亿美元，预计到 2030 年将达到15,971 亿美元，2022 年至 2030 年的复合年增长率为 38.1%。全球 COVID-19 大流行非同寻常且令人震惊，与大流行前的水平相比，这项技术在所有领域的需求都高于预期。据估计，与 2019 年相比，2022 年全球市场将增长150% 。
成长因素
技术创新一直是大多数行业的重要组成部分。近年来，数字技术和互联网的日益普及极大地促进了全球人工智能产业的发展。科技巨头在研发方面的巨额支出正在不断推动各个行业的技术进步。汽车、医疗保健、银行和金融、制造、食品和饮料、物流和零售等多个最终用途领域对人工智能技术的需求不断增长，这可能会在未来几年推动全球人工智能市场。
众多医疗设备的日益普及以及新型电动汽车的自动驾驶能力正在显着推动全球人工智能市场的发展。全球数字化趋势正在对市场增长产生有利影响。包括谷歌、微软、IBM、亚马逊和苹果在内的全球顶级 IT 巨头正在加大力度推进和开发不同的人工智能应用。预计科技巨头在改善人工智能访问方面的努力将在预测期内推动全球人工智能市场的增长。
人工智能重要的市场发展
Advanced Micro Devices 和 Oxide Interactive 于 2020 年 4 月达成战略合作，为云游戏市场开发图形技术。
2019 年 12 月，英特尔完成了对以色列深度学习公司 Habana Labs 的收购，以提升其人工智能产品组合。
2019 年 9 月，IBM 宣布与位于法国的医学影像公司 Guerbet 合作，创建基于人工智能的癌症监测和诊断系统。
垂直领域的主要人工智能推动者
汽车行业：人工智能几乎被用于全球汽车制造过程的各个方面。通过机器人组装车辆的第一批螺母和螺栓，或者在使用机器学习和视觉来安全导航交通的自动驾驶汽车中，可以看到人工智能发挥其魔力。
以下是创新机械和人工智能技术如何提高汽车行业效率的一些探索者：
MotionalRefraction AIOptimus RideWaymoZooxAutoXSapientXCarVi语音处理：语音和语音识别技术支持对各种设备和设备进行非接触式控制，为自动翻译提供输入并创建可打印的听写。语音识别设备可以识别并响应语音指令。代表企业如下：
Nuance CommunicationsGoogle LLCAmazon.comAppleIBM CorporationMicrosoft CorporationBaiduiFLYTEKSensoryLumenVox LLC
自然语言处理：提供自然语言处理的公司使用人工智能和语言来阅读和分析内容。NLP 企业处于使用人工智能技术更好地理解语言的最前沿。NLP 模型可以成功地总结数十万行文本，同时发现语言的细微之处。主要领先代表如下：Google CloudAWSIBM CorporationMicrosoftIntelSoundHound
机器学习 (ML)：机器学习 (ML) 是一种人工智能 (AI)，它支持软件在预测结果方面变得越来越准确，而无需专门设计。这些 IT 巨头通过其流行的云平台提供 AI 和 ML，从而推动行业发展，允许企业将 AI 整合到应用和系统中，而不会产生内部开发的成本。主要的代表企业如下：
Amazon Web ServicesGoogle Cloud PlatformIBM CloudMicrosoft AzureAlibaba CloudSalesforce AI硬件：预计专用 AI 硬件分配的带宽将是普通 CPU 的 4-5 倍。这是必需的，因为由于并行处理，AI 应用需要处理器之间更高的带宽才能获得最佳性能。领先的AI硬件代表企业如下：
IBMNvidiaIntelGoogle AlphabetAdvanced Micro Devices (AMD)SambaNova SystemsCerebras SystemsGraphcoreGroqMythic
关于人工智能的有趣和令人惊讶的统计数据和事实
人工智能是世界上发展最快的技术之一，预计到2027 年将达到 2700 亿美元的市场价值。预计到2030 年将达到 15.7 万亿美元。如今，77% 的人已经在以某种方式使用机器的人工智能功能，但只有 33% 的人意识到这一点。
在 COVID-19 流行期间，人工智能的就业人数急剧增加。工作场所的人工智能技术从2015 年的 10% 增加到 2021 年的 37%。人工智能的使用在银行业增加了 37%，在零售行业增加了 27%，在 IT 行业增加了 20%。据 83% 的公司称，构建和部署人工智能算法对其战略目标至关重要。
人工智能在各个行业的采用
AI 现在主要用于企业分析 (33%)、安全 (25%)以及销售和营销 (16%)。然而，40% 的企业表示实施新技术的最重要原因是改善客户体验。54% 的部署 AI 的组织看到了生产力的提高。然而，80% 的企业高管表示生产力还有提升空间。44% 的使用 AI 技术的组织报告运营费用较低。在客户服务业务中，人工智能可以将通话时间缩短 70%，从而节省 40% 到 60% 的成本。
在销售部门使用人工智能可以将潜在客户提高 50% 以上。28% 的企业使用人工智能进行营销。然而，84% 的营销人员认为人工智能 (AI) 比任何其他技术都更重要。到 2025 年，农业机器人业务价值将达到 206 亿美元。总计62 亿美元将用于无人机或无人驾驶飞行器 (UAVs)（Unmanned Aerial Vehicles）。预计到2024 年，人工智能在教育中的使用价值将达到 60 亿美元。到 2027 年，80% 的零售公司希望以某种方式采用人工智能。
可穿戴设备和人工智能
到 2025 年，可穿戴 AI 产业价值将达到 1800 亿美元。到 2027 年，仅手表可穿戴 AI 应用预计将达到963.1 亿美元，比 2020 年增长 19.6%。到 2022 年底，市场上将有超过 7.8 亿台智能穿戴设备。预计到 2025 年，美国将拥有最大的可穿戴技术市场份额（35%），其次是拉丁美洲（20%）。
自动驾驶汽车中的人工智能
现在有 25 个国家在研究自动驾驶汽车。到 2021 年，全球自动驾驶汽车市场预计将超过540 亿美元。自动驾驶汽车业务正以每年 36% 的速度增长。到 2030 年，预计将有超过 800,000 辆汽车上路。自动驾驶汽车可以将出租车等待时间减少多达 88%。到 2050 年，无人驾驶汽车行业可能会将道路事故减少约 90%。
机器人中的人工智能
2020 年，全球有 1200 万台机器人。汽车行业使用了 42% 的机器人。到 2025 年，工业机器人业务预计价值338 亿美元，比 2016 年增长 61%。到 2025 年，35% 的工业机器人将是协作的，旨在与人类员工一起工作。生命和制药行业是机器人技术最激进的用户之一，在 2020 年至 2021 年期间增长了 70%。每次使用 Kiva 协作机器人开设仓库时，亚马逊可节省约 2200 万美元。
语音搜索中的人工智能
仅在美国就有大约 110 个数字语音和虚拟助手。亚马逊 Echo 设备数量为 5300 万台，占语音助手市场的 30%。谷歌智能助理控制着 17% 的市场。55% 的客户表示，使用语音识别 AI 工具的主要动机是免提管理他们的设备。到 2024 年，预计将有84 亿名助手使用各种小工具，这比世界上目前的人口还要多。Google Assistant 是最准确的语音助手，准确率高达 98%。亚马逊的 Alexa 有 93% 的准确率，而苹果的 Siri 有 68% 的准确率。
用于网络安全的人工智能
到 2027 年，人工智能网络安全领域的价值将达到 463 亿美元，比 2020 年增长 23.6%。每 39 秒，网上就会发生一次网络数据攻击，每天识别出超过 300,000 件恶意软件。到 2021 年，全球超过 65% 的组织将遭受网络数据攻击。然而，其中只有 12% 实施了基于 AI 的安全分析。如果没有人工智能，61% 的公司认为很难检测到数据安全漏洞。
医疗保健中的人工智能
38% 的医疗保健公司使用人工智能来协助医疗诊断。2020 年，约有 100 种不同的 AI 开发小工具获得了药用认证。放射学、心脏病学和血液学是最受欢迎的专业。2020年，医疗手术机器人的使用价值将超过46亿美元。预计到 2027 年，这一数字将增长17.4%。斯坦福大学创建了一种机器学习算法，可以准确预测住院病人的死亡率。
预计到 2027 年，医疗保健将拥有最智能的人工智能研究和使用设备。据估计，到 2022 年，无需人帮助即可工作的医疗保健机器的成功率将达到 75%。到 2026 年，人工智能有可能为临床医疗保健业务节省超过1500 亿美元。
----------------------------
峰会预告近期，由千家网主办的2022年第23届中国国际建筑智能化峰会将正式拉开帷幕，本届峰会主题为“数智赋能，碳索新未来”，届时将携手全球知名建筑智能化品牌及专家，共同分享AI、云计算、大数据、IoT、智慧城市、智能家居、智慧安防等热点话题与最新技术应用，并探讨如何打造“更低碳、更安全、更稳定、更开放”的行业生态，助力“双碳”目标的实现。
欢迎建筑智能化行业同仁报名参会，分享交流！
报名方式
西安站（11月08日）：https://www.huodongxing.com/event/4638585444400
成都站（11月10日）：https://www.huodongxing.com/event/5657854318600
上海站（11月23日）：https://www.huodongxing.com/event/3638582473900
北京站（11月25日）：https://www.huodongxing.com/event/4638577546900
广州站（12月08日）：https://www.huodongxing.com/event/2638587914600
更多2022年峰会信息，详见峰会官网：http://summit.qianjia.com/
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
