人工智能词典，第二部分：下一代

人工智能词典，第二部分：下一代 关键要点 •在涵盖了本三部分系列第一部分的AI基础知识后，我们的AI词典的第二版回答了“接下来是什么？”的问题。从通用人工智能到超级人工智能，我们揭秘这项技术，并展望未来。 •我们中许多人熟悉早期形式的生成式AI，其形式为聊天机器人。但现在它的应用范围正在扩展到其他模态，例如AI代理、自动驾驶汽车和物理世界的人形机器人。 •随着年初至今为人工智能开发宣布的2.5万亿美元资金，并且推理成本仅1.5年内下降了280倍，创新正在加速，人工智能的未来可能比我们想象的更近。 代理AI 它是什么？ 1它们由AI代理组成自主型人工智能是指那些能在有限监督下达成既定目标或任务的AI系统。它们可以自主替用户或另一系统做出决策或执行任务，利用推理能力为工作选择正确的工具。自主型人工智能代表了一代越来越强大的基础模型，它们作为自主行动、具备增强推理与决策能力的数字代理的操作系统，以及日益颠覆性的聊天机器人和协同助手（参见我们之前的出版物）。新浪潮：自主型AI, 以便了解更多)。 例如，智能体AI可用于填写表格、预订餐厅、预订旅行或订购杂货。这与可能生成内容的生成式AI模型不同，因为智能体AI系统可以使用生成的内容自主完成任务。这也与传统AI模型形成对比，传统AI模型在预定义的约束范围内运行或需要人工输入。 正如所述本系列的第一部分，生成式人工智能在八十年迭代进步之后出现，提升了计算能力的上限，并减少了训练资本密集型基础模型的時間和成本。然而，第三波，智能体式人工智能，在ChatGPT推出人工智能之后的仅仅两年内才抵达。图1)。s第二次浪潮( 通用任务的聊天机器人和专业任务的协作机器人可能会随着为其提供动力的基础模型的发展而获得越来越具有颠覆性的功能，但这些进步也使代理，即具有能动性的AI，得以蓬勃发展。聊天机器人和协作机器人（即作为“虚拟助手”提供支持、建议和自动化任务的AI）最终将随着其发展和成熟而补充代理，但消费者和企业采用它们可能会随着功能的提升而加速。如展位2所示，企业引入能动性AI将提升对工作流编排和任务 管理，随着角色在人类、机器人和人工智能系统之间分配，取决于所需技能。美银行全球研究预计，今年消费者和企业生成式人工智能的使用将增加，并在2026年加速，因为消费者产品集成了更多生成式人工智能功能，而且试点项目将转入生产。 图表2：代理式AI可能会增加对工作流编排和任务管理的需求，根据能力在人类、机器人和AI系统之间选择，以独立或协作方式完成任务。人类/机器技能和团队合作的示例 人工智能增强模拟 它是什么？ 模拟是一种模型，用于在实际世界中的实际制造和部署之前，模仿现有或拟议的系统、材料或流程的运行。人工智能增强模拟将人工智能和模拟技术相结合，以更快、更便宜地运行这些模型，特别是在精度和效率至关重要的行业，如航空航天、材料科学和汽车。2 过去，模拟依赖于预编程规则和静态数据，但人工智能增强的模拟允许持续改进的过程。它们可以根据它们处理的数据和遇到的场景进行学习和适应。反过来，人工智能增强的模拟可以取一个理论模型，在虚拟环境中多次模拟它，并在每次尝试中做小的改变，以查看哪个结构是最优的。 我们日常许多产品都很复杂，随着时间的推移，设计师们开始依赖计算机驱动的模拟，但他们通常需要花费很长时间来运行。即使找到了可能性，也需要运行额外的模拟来确保安全性。人工智能模拟结合了量子物理学和深度学习的技术，能够快速高效地对海量数据集进行采样。人工智能和模拟技术能够对一个分子结构进行数十亿次的模拟，每次进行微小的改变，以查看哪个结构是最优的。我们现在可以在几周或几个月内完成这项工作——在物理世界中，这项任务将需要10年的时间。 加速跨行业创新 人工智能增强的模拟可用于药物发现、半导体设计创新、化学、材料、航空航天、汽车和光学，甚至金融领域的投资组合优化。 事实上，人工智能已经帮助人类发现了比以往所知多45倍的晶体。而且，在短短48小时内，人工智能完成了对超级细菌耐药性的十年研究。4 阐述几个例子：•芯片设计：电子设计自动化（EDA）供应商已经使用基于规则系统和物理模拟的工具进行芯片设计。但现在人工智能可以帮助芯片 制造商进一步突破摩尔定律（即电路中芯片数量每两年翻倍的观察）的界限。模拟比旧方法更快地设计芯片，并制造出新的更好的芯片。总而言之，这些工具可以提高供应链安全，并有助于缓解短缺。 •药物发现：药物发现过程通常包括高成本和高失败率。实际上，平均投资为10-40亿美元，开发新药的时间为10到15年，失败率为90%。人工智能模拟可以帮助克服这些挑战，因为它可以更快、更便宜地模拟不同药物。新的AI模拟工作可以改变生命科学等行业，将其从以失败为主的行业转变为更具可预测收入的行业，因为它允许公司利用所有数据和分子信息运行数十亿次模拟，以降低分子的风险，大大缩短药物开发时间。 人工智能情感智能 它是什么？ 如今，生成式AI的主流应用场景正从技术应用到更偏向情感的应用转变（图3）。人工情感智能（AEI），或称情感AI，是一种通过分析肢体语言数据（包括面部表情、音调语音和手势）来读取、识别和解读人类情感的人工智能类型。5 这些系统结合计算机视觉、传感器、摄像头、现实世界数据和深度学习来收集和分析数据。一旦人工智能识别出情绪，它就可以解释每种情况下它可能意味着什么。通过这种方式，算法可以改进识别人类交流的细微差别的能力，使人工智能能够更“自然”地与人类互动。 面向公众岗位的应用 aei可应用于面向用户的应用。例如，在客户服务中，aei系统可以提供更个性化和更有同理心的回复。客服人员可能会使用aei来识别客户的不满情绪，并提供更有帮助和更体贴的支持。在教育领域，aei可以定制教育系统，并根据个人的学习风格和情绪状态调整教学内容。即使在医疗保健领域，aei也可以为患者提供更好的个性化医疗反馈和情感支持。6 但收集情绪数据在伦理上是否可行？ aei依靠个人数据推断情绪，这可能引发伦理和隐私问题。伦理的重要性在2024年5月通过的欧盟（eu）人工智能法案中显而易见，该法案禁止人工智能操纵人类行为，并禁止在职场和学校等场所使用情绪识别技术。然而，该法案区分了识别表情（允许）和从表情中推断情绪状态（不允许）的情况。例如，检测一个人是否听起来很快乐，与推断他们实际上很快乐。 7我们在系列的第三部分将更详细地讨论这项法案。 通用人工智能 它是什么？ 通用人工智能（AGI），或强人工智能，是一种假设的人工智能代理，能够在任何任务中匹配或超越人类水平的认知能力。8AGI是发展具有自我控制、自我理解和自我学习新技能的系统这一理论追求。9凭借这些技能，一个系统能够解决它在最初创建时可能无法解决的问题。 人工智能 vs 通用人工智能？弱人工智能 vs 强人工智能？ 人工智能使软件能够像人类一样解决新颖且困难的任务。然而，通用人工智能可以解决不同的问题。 10通过这种方式，AGI 是人工智能的一个理论概念，它解决了无需人工干预，因为它能够自我学习。处理具有泛化人类水平能力的复杂任务。 强人工智能和弱人工智能这两个术语也是相关的。强人工智能是通用人工智能的另一种说法，而弱人工智能指的是仅限于其设计特定任务的系统。例如，生成式人工智能指的是基于其训练数据能够生成高质量内容的深度学习模型。11 一个AI系统生成内容的能力并不意味着它的智能是通用的。12 如何才能将人工智能转化为通用人工智能？ 13 存在一些是通用人工智能系统特征的能力： •••••感觉知觉：人工智能系统仍然不具备类似人类的感官感知能力，例如颜色识别。从声音等特征中确定空间特性精细动作技能：能够完成普通人能做的日常事务。例如，找到一套钥匙。自然语言理解 & 问题解决:对书籍、文章、视频和常识的全面理解运用常识知识来应对现实世界，例如，识别出灯泡坏了需要更换。导航：利用GPS（全球定位系统）或通过想象中的物理空间投射行动。社交与情感投入：人类必须想要与人工智能系统互动，而不是害怕它们。为了能与人类互动，机器人需要理解人类，解读面部表情或语调变化。 展4：人工智能正从聊天机器人发展到多模态、推理人工智能、人工智能代理，结合这些技能朝着人类的方向发展-等级智力 通往通用人工智能之路——迈向人类水平智能 解锁AGI的关键 据摩根大通全球研究显示，幻觉（当模型生成与事实不符、无关或无意义的输出时）和人工智能规划能力可能是达到通用人工智能（AGI）前需要克服的两个问题。人工智能规划指的是使用自主技术解决规划和调度问题的过程。例如，建造房屋需要一个特定的步骤顺序：首先铺设基础，然后砌墙。根据人工智能未来学家史蒂夫·布朗的说法，在实现推理人工智能之后才能达到通用人工智能，到那时它就不再是一个研究问题，而是一个工程问题。14 图4阐述了这个人工智能系统演化的历程以及实现通用人工智能的途径。 AGI会比我们想象的更早到来吗？ 自20世纪中期数学家冯·诺依曼关于通用人工智能和技术奇点的首次讨论以来，科学家和技术专家们一直反复预测近期将出现人类水平智能机器。然而，由于持续未能兑现承诺，该行业经历了投资兴趣的浪潮和衰退。但在这个十年中，随着数据计算能力和技术创新（例如处理器架构的改进）的持续爆发式增长，兴趣有所复苏。许多人工智能专家认为，未来十年将开发出人类水平的人工智能，有些人甚至认为会更快实现。只有时间才能揭晓。 人工智能超智能 (ASI) 它是什么？ 人工智能超级智能（ASI）是指人工智能发展过程中一个假设的阶段，机器智能超越人类智能。ASI将在根本层面上改变世界的工作方式，一些人认为ASI将是人类有史以来最后一项发明。 AGI和ASI有什么不同？ 虽然通用人工智能是通往人类水平智能的一步，但超级人工智能代表了一个超越该水平的飞跃，在各方面都超越了人类的能力。15它将能够为每个行业做出最佳决策并解决最复杂的问题。16 到2037年 asi？ 人工智能专家演讲者莫·加瓦特，确定了从现在到2037年间人工智能发展的两个阶段：17 •第一阶段—人工智能（2023-2037）：这可能是人类历史上最具挑战性的时代，原因在于立即使用丰富智能来满足匮乏心态。为什么？在这个时期，我们能够创造技术和解决方案，但不知道如何正确使用它们。当人类试图用传统思维方式控制或使用这些技术时，它们可能会带来风险。在同一个时期，技术（人工智能）、经济、地缘政治、气候和合成生物学方面的惊人快速变化，都可能带来意想不到的后果。 •第二阶段——ASI（2037年后）：机器可能比人类聪明10000倍，人工智能的智能可以与生命本身的智能相匹敌，从经济模型到零排放飞行，完善一切。为什么？生命比人类更智能。 具身化/物理人工智能 它是什么？ 具身人工智能（或物理人工智能）是指人工智能融入物理系统，例如人形机器人和自主车辆（自动驾驶汽车），这使得人工智能能够与物理世界交互。 人工智能使得机器人在编程和通过语言模型与之交互的能力下得以飞速发展。“具身人工智能”一词最初被用来描述专注于计算机、系统和技术如何与物理世界交互的人工智能分支。它通常包括用于传感器运动技能、导航和现实世界交互的人工智能。但随着生成式人工智能的兴起，具身人工智能也被用来为这项技术赋予物理形态，通常是一个机器人，包括自动驾驶汽车和无人机。未来五年将是机器人技术的突破年，这要归功于人工智能。 以具身人工智能方法来说，就是教机器人不断尝试，直到猜对为止 机器人使用人工智能与物理世界交互，并从交互中学习。它们配备了各种传感器和计算机视觉系统来获取现实世界的数据。结合生成式人工智能，它们可以从这些数据中“学习”并展现出 对话式和情境感知能力。例如，要教一个机器人捡起一本书，传统的AI方法会是编程给它所需的动作。相比之下，具身AI方法则是教机器人去猜测，让它进行随机尝试并从每次尝试中学习，直到达到目标。 新的应用…朝向自主性？具身人工智能将带来新的用例 金属材料（