麦肯锡-什么是人工智能？

？ 人工智能是指机器执行我们通常与人类思维关联的一些认知功能。 个人可以在31, 688, 765, 000 年. 而在计算方面，机器早已超越人类，如今计算机和其他设备还获得了以前只有人类和少数几种其他物种才具备的技能和感知能力。 人类与机器 ： 在生产力heaven。没有我们的机械化工作伙伴， 我们的物种恐怕难以取得很大的进步。从改变了农业的轮子，到支撑日益复杂的建筑工程项目的螺钉，再到今天的由机器人驱动的装配线，机器使我们所熟知的生活成为可能。然而，尽管它们似乎具有无穷无尽的用途，人类长期以来一直害怕机器——更具体地说，是担心某一天机器可能会取代人类。获得人类智慧然后自己动手. AI是指机器执行我们与人类思维相关联的认知功能的能力，例如感知、推理、学习、与环境互动、解决问题，甚至表现出创造力。即使你不自觉，你可能已经与AI有过互动——像Siri和Alexa这样的语音助手以及一些弹出帮助你导航网站的客户服务聊天机器人都是基于AI技术的。 但我们倾向于对智能机器既抱有 fascination 也感到恐惧。这种好奇心帮助将科幻变为现实。20世纪的理论家们，如计算机科学家和数学家阿兰·图灵，构想了一个机器能够比人类更快执行任务的未来。图灵和其他人的工作很快使这一愿景成为现实。个人计算器在20世纪70年代变得普遍可用，到2016年，美国人口普查数据显示，89% 的美国家庭有一台电脑。机器 -智能机器 - 现在只是我们生活和文化的普通一部分。 应用 AI—简而言之，将人工智能应用于实际问题——对商业世界具有重大影响。通过使用人工智能，公司有可能使业务更加高效和盈利。但最终，人工智能的价值不在于这些系统本身。而是在于公司如何利用这些系统来辅助人类——以及它们的能力来explain对股东和公众来说 ， 这些系统做了什么 - 以建立信任和信心的方式。 那些智能机器也变得更快、更复杂。一些计算机现在已经跨越了Exascale阈值 ， 这意味着他们可以在一秒钟内执行尽可能多的计算 有关 AI ， 其历史 ， 未来以及如何将其应用于业务的更多信息 ， 请继续阅读。 了解更多关于 QuantumBlack 的信息 ， 麦肯锡的 AI 。 超越计算能力，计算机和其他设备现在正在获得过去仅属于人类和少数其他物种的独特技能和感知能力。 什么是机器学习 ？ 什么是深度学习 ？ 机器学习是一种人工智能形式，能够适应广泛的输入，包括大量的历史数据、合成数据或人类输入。（某些机器学习算法专门用于训练自己检测模式；这称为深度学习。参见图表1。）这些算法可以通过处理数据来检测模式并学习如何做出预测和建议，而不是通过接收明确的编程指令。一些算法还可以根据新数据和经验进行调整以不断提高。 深度学习是一种更为先进的机器学习技术，特别擅长处理更广泛的数据资源（包括文本以及未结构化的数据如图像），需要的人工干预更少，并且通常能够比传统机器学习产生更准确的结果。深度学习使用基于神经网络的技术，神经元在人脑中的相互作用方式——通过摄入数据并通过多层神经元处理数据，识别数据越来越复杂的特征。例如，早期的一层可能识别某物具有特定形状；在此基础上，后续的一层能够识别该形状为停车标志。类似机器学习，深度学习通过迭代来自我纠正并提高其预测能力。例如，一旦它“学会”停车标志的外观，它就能在新的图像中识别出停车标志。 现在生成的数据量和复杂性已经大大增加，远远超过了人类能够高效处理和应用的能力。这不仅提升了机器学习的潜力，还增加了对其的需求。自20世纪70年代广泛部署以来，机器学习已经在多个行业中产生了影响，包括取得了一系列成就，医学成像分析和高分辨率天气预报。 Web 2024GenAI2附件 1附件 2b, 共 2 个 人工智能是指机器执行我们通常与人类思维关联的一些认知功能。 现在的数据量和复杂性已经大幅增加，远超出人类能够高效处理和应用的能力，这不仅提升了机器学习的潜力，也增加了对其的需求。 什么是生成式 AI ？ 麻省理工学院物理学家罗德尼 · 布鲁克斯共享有关 AI 前四个阶段的详细信息 ： 生成 AI生成性AI是一种根据提示生成内容的AI模型。显然，像ChatGPT和DALL-E这样的生成性AI工具（后者用于生成艺术作品）具有改变内容生成方式的潜力。一系列的工作进行了许多工作。尽管生成型人工智能（gen AI）的潜在能力仍有许多未知之处，但我们可以通过回答一些具体问题来获得一定的理解——例如，生成型人工智能模型是如何构建的，它们最适合解决哪些类型的问题，以及它们如何融入更广泛的AI和机器学习领域。 —Symbolic AI (1956) 。符号AI也称为经典AI，甚至可以称为GOFAI（Good Old-FashionedAI）。关键概念在于使用符号和逻辑推理来解决问题。例如，我们知道德国牧羊犬是一只狗，这是一种哺乳动物 ； 所有哺乳动物都是温血动物 ； 因此 ， 德国牧羊犬应该是温血动物。 符号人工智能的主要问题是，人类仍需手动将其对世界的知识编码到符号人工智能系统中，而不是允许其自行观察和编码关系。因此，符号人工智能系统在涉及现实世界复杂性的场景中表现不佳。此外，它们也无法从大量数据中进行学习。 有关生成 AI 及其如何影响商业和社会的更多信息 ， 请查看我们的解释者“什么是生成式 AI ？” AI 的历史是什么 ？ “人工智能 ” 一词是1956 年创造由计算机科学家约翰·麦卡锡为达特茅斯的一次研 讨会撰写，但他在阐述我们现在称为人工智能的概念方面并不是第一个撰文的人。艾伦·图灵提出了“ 直到 20 世纪 80 年代末 ， 象征性人工智能一直是人工智能研究的主要范式。 概念。模仿游戏在1950年的论文中，他提出了测试机器是否能表现出智能行为的标准，这一标准现在被称为“图灵测试”。他认为研究人员应专注于不需要太多感知和行动的领域，例如游戏和语言翻译。致力于概念如计算机视觉、自然语言理解以及神经网络的研究社区，在许多情况下已经存在了几十年。 —神经网络 (1954, 1969, 1986, 2012) 。神经网络是最近一代 AI 爆炸性增长背后的技术。松散建模神经元在人脑中的相互作用方式神经网络摄取数据并通过多轮迭代处理数据，学习数据越来越复杂的特征。随后，神经网络可以作出判断。 关于数据，判断一个确定性结论是否正确，并利用所学知识对新数据进行判断。例如，一旦它“学习”了某个对象的外观，就可以在新的图像中识别该对象。 在2012年，希顿和他的两位学生强调了深度学习的力量。他们将希顿的算法应用于具有更多层次的神经网络，这引发了对深度神经网络的新关注。这些方法成为了近年来主要的人工智能途径。 神经网络最早于1943年在神经生理学家沃伦·麦卡洛和逻辑学家沃尔特·皮茨的一篇学术论文中提出。几十年后，在1969年，两位麻省理工学院的研究人员通过数学证明了神经网络只能执行非常基本的任务。1986年，计算机科学家和认知心理学家杰弗里·辛顿及其同事解决了麻省理工学院研究人员提出的神经网络问题。在1990年代，计算机科学家扬·勒库恩在计算机视觉领域取得了重大进展，而尤尔根·施米德胡贝尔则推动了循环神经网络在语言处理中的应用。 —传统机器人 (1968) 。在人工智能发展的最初几十年里，研究人员构建了机器人以推动研究进展。一些机器人是移动的，可以在轮子上移动，而另一些则是固定的，具有可编程的臂部结构。这些机器人利用最早期的计算机视觉尝试来识别和导航其环境，或理解物体的几何形状并操控它们。这可能包括移动不同形状和颜色的积木。大多数这些机器人，就像在工厂中使用了几十年的机器人一样，依赖于高度受控的环境，并反复执行经过详尽脚本规定的行为。 案例研究 ： 维斯特拉和马丁湖发电厂 维斯塔和一家麦肯锡团队，包括数据科学家和机器学习工程师，构建了一个多层神经网络模型。该模型梳理了两年的工厂数据，并学习了在任何时间点达到最高效热率的各种因素组合。当模型的准确性达到99%或更高，并通过一系列严格的现实世界测试后，团队将其转化为一个基于人工智能的引擎，每30分钟为操作员生成改进建议以提高工厂的热率效率。德克萨斯州奥德萨工厂的一位资深运营经理表示：“有关这些发电厂的知识我花了20年才学会。而这个模型仅用一个下午就学到了这一切。” Vistra 是美国一家大型电力生产商，在12个州运营着发电站，其发电能力足以供应近2000万户家庭用电。Vistra 已承诺在2050年前实现净零排放。为支持这一目标，并提高整体效率，QuantumBlack ， AI 麦肯锡 总体而言 ， 由 AI 驱动的 HRO 帮助 Vista 实现了以下目标 ： 每年减少约 160 万吨碳排放 与 Vista 合作 ， 在其一家工厂构建和 部署了一个人工智能驱动的热耗率优化器 (HRO) 。 - 67 发电机优化 - 在大约一年内节省了 6000 万美元 在这里阅读更多关于 Vistra 的故事。 “热效率”是衡量发电厂热效率的一个指标；换句话说，它是产生每单位电能所需燃料的数量。为了达到最优热效率，操作员会持续监控和调整数百个变量，如蒸汽温度、压力、氧含量和风机速度。 我们的生活。 executives 应该开始努力理解机器如何达到人类级别的智能，并向更加自动化的世界过渡。 他们并没有为 AI 本身的进步做出重大贡献。 但传统的机器人技术在其中一个领域产生了显著影响，通过一个称为“同时定位与地图构建”（SLAM）的过程。SLAM算法有助于自动驾驶汽车的发展，并被应用于诸如扫地机器人和四旋翼无人机等消费产品中。如今，这项工作已经演进为基于行为的机器人技术，也被称为触觉技术，因为它能够响应人类的触摸。 有关 AGI 的更多信息 ， 包括之前在 AGI 的四次尝试 ， 请阅读我们的解释者. 什么是狭义 AI ？ 窄人工智能是指将人工智能技术应用于特定且明确的问题，例如像ChatGPT这样的聊天机器人、用于识别信用卡交易欺诈的算法以及能够快速处理成千上万份法律文件的自然语言处理引擎。大多数当前的人工智能应用都属于窄人工智能类别。而通用人工智能（AGI）则是指能够执行广泛任务的人工智能，其智能水平足以应对多种不同的挑战。 —基于行为的机器人技术 (1985) 。在现实世界中，并不是总能清晰地获得导航、决策或解决问题的指导。研究人员观察到，昆虫尽管神经元数量较少，却能够很好地导航（并且在进化上非常成功）。行为导向的机器人研究者从中获得了灵感，寻找在部分知识和相互矛盾的指令下机器人如何解决问题的方法。这些行为导向的机器人嵌入了神经网络。 了解更多关于 QuantumBlack 的信息 ， 麦肯锡的 AI 。 AI 的使用如何扩展 ？ 了解更多关于 QuantumBlack 的信息 ， 麦肯锡的 AI 。人工智能对各种企业来说都是一个大故事 ， 但一些公司显然正在采取行动领先的包. 我们在2022年的AI调研显示，自2017年以来，AI模型的采用率已经翻了一番——并且投资也在同步增加。更重要的是，公司从AI中获得价值的具体领域已经发生了变化，从制造和风险管理扩展到以下领域： 什么是人工智能 ？ “人工通用智能 ”(AGI) 一词是用来描述具有能力可与人类相媲美. 在理论上，通用人工智能（AGI）有一天可能会复制出类似人类的认知能力，包括推理、问题解决、感知、学习和语言理解。但让我们不要过于乐观：这里的关键词是“有一天”。大多数研究人员和学者认为我们还需要几十年才能实现AGI；有些人甚至预测我们这个世纪可能看不到AGI，或者永远看不到。麻省理工学院机器人学家兼iRobot联合创始人罗德尼·布鲁克斯也认为AGI的到来可能还要等到遥远的未来。2300 年. - 市场营销和销售 - 产品和服务开发 - 战略和公司财务 一家公司正逐渐领先于其竞争对手。这些组织的领导者始终在人工智能领域进行更大的投资，提升实践以加快成长速度，并招聘和培