它可以让企业深入了解他们以前可能没有意识到的运营，而且在某些情况下，人工智能可以比人类更好地执行任务。尤其是在分析大量法律文件以确保正确填写相关字段等重复性、注重细节的任务时，人工智能工具通常可以快速完成工作，并且错误相对较少。

这有助于推动效率的爆炸式增长，并为一些大型企业打开了全新商机的大门。在当前的人工智能浪潮之前，很难想象使用计算机软件将乘客与出租车连接起来，但今天，优步已经成为世界上最大的公司之一。它利用复杂的机器学习算法来预测人们何时可能需要在某些区域乘车，这有助于在需要联系司机之前主动让司机上路。另一个例子是，谷歌通过使用机器学习来了解人们如何使用他们的服务，然后改进它们，已经成为一系列在线服务的最大参与者之一。

当今最大、最成功的企业已经使用 AI 来改善运营并在竞争对手中获得优势。

人工神经网络和深度学习人工智能技术正在迅速发展，这主要是因为人工智能处理大量数据的速度比人类更快，并且预测更准确。

虽然每天创建的大量数据会埋葬人类研究人员，但使用机器学习的人工智能应用程序可以获取这些数据并迅速将其转化为可操作的信息。使用 AI 的主要缺点是处理 AI 编程所需要的大量数据的成本很高。

优点

• 擅长注重细节的工作；
• 减少数据繁重任务的时间；
• AI 驱动的虚拟代理始终可用。

缺点

• 需要深厚的技术专长；
• 优秀的人工智能专业人员供应有限；
• 缺乏从一项任务概括到另一项任务的能力。

AI可以分为弱或强。

• 弱人工智能，也称为窄人工智能，是一种为完成特定任务而设计和训练的人工智能系统。工业机器人和虚拟个人助理，例如苹果的 Siri，使用的是弱人工智能。
• 强人工智能，也称为通用人工智能 (AGI)，描述了可以复制人脑认知能力的编程。当遇到不熟悉的任务时，强大的 AI 系统可以使用模糊逻辑将知识从一个领域应用到另一个领域，并自主找到解决方案。理论上，一个强大的人工智能程序应该能够同时通过图灵测试和中文房间测试。

密歇根州立大学综合生物学和计算机科学与工程助理教授 Arend Hintze 在2016 年的一篇文章中解释说，人工智能可以分为四种类型，从当今广泛使用的特定任务智能系统开始，发展到感知系统, 类别如下：

• 类型 1：反应式机器。这些人工智能系统没有记忆并且是特定于任务的。一个例子是深蓝，这是IBM在 1990 年代击败加里卡斯帕罗夫的国际象棋程序。深蓝可以识别棋盘上的棋子并做出预测，但由于它没有记忆，它无法利用过去的经验来告知未来的经验。

• 类型 2：内存有限。这些人工智能系统具有记忆力，因此它们可以利用过去的经验来为未来的决策提供信息。自动驾驶汽车中的一些决策功能就是这样设计的。

• 类型 3：心智理论。心智理论是一个心理学术语。当应用于人工智能时，这意味着该系统将具有理解情绪的社会智能。这种类型的人工智能将能够推断人类意图和预测行为，这是人工智能系统成为人类团队不可或缺的成员的必要技能。

• 类型 4： 自我意识。在这一类中，人工智能系统具有自我意识，这赋予了它们意识。具有自我意识的机器了解自己的当前状态。这种类型的人工智能还不存在。

人工智能被整合到各种不同类型的技术中。这里有六个例子：

• 自动化。当与 AI 技术结合使用时，自动化工具可以扩展所执行任务的数量和类型。一个例子是机器人流程自动化 ( RPA )，这是一种自动执行重复的、基于规则的数据处理任务的软件，这些任务传统上由人类完成。当与机器学习和新兴的人工智能工具相结合时，RPA 可以自动化大部分企业工作，使 RPA 的战术机器人能够传递来自人工智能的情报并响应流程变化。
• 机器学习。这是让计算机在没有编程的情况下运行的科学。深度学习是机器学习的一个子集，简单来说，可以被认为是预测分析的自动化。机器学习算法分为三种：监督学习。数据集被标记，以便可以检测模式并用于标记新数据集。无监督学习。数据集没有标记，而是根据相似或不同进行排序。强化学习。数据集没有标记，但在执行一个或多个动作后，人工智能系统会得到反馈。
• 机器视觉。这项技术使机器能够看到。机器视觉使用相机、模数转换和数字信号处理来捕获和分析视觉信息。它经常被比作人类的视力，但机器视觉不受生物学的限制，例如可以通过编程来透视墙壁。它用于从签名识别到医学图像分析的一系列应用。专注于基于机器的图像处理的计算机视觉通常与机器视觉混为一谈。
• 自然语言处理 (NLP)。这是计算机程序对人类语言的处理。NLP 最古老和最著名的例子之一是垃圾邮件检测，它查看电子邮件的主题行和文本并确定它是否是垃圾邮件。当前的 NLP 方法基于机器学习。NLP 任务包括文本翻译、情感分析和语音识别。
• 机器人学。该工程领域专注于机器人的设计和制造。机器人通常用于执行人类难以执行或始终执行的任务。例如，机器人用于汽车生产的装配线或美国宇航局用于在太空中移动大型物体。研究人员还在使用机器学习来构建可以在社交环境中互动的机器人。
• 自动驾驶汽车。自动驾驶汽车结合使用计算机视觉、图像识别和深度学习来建立自动驾驶车辆的技能，同时保持在给定的车道上并避开意外的障碍物，例如行人。

人工智能已经进入了各种各样的市场。这里有九个例子。

医疗保健中的人工智能。最大的赌注是改善患者的治疗效果和降低成本。公司正在应用机器学习来做出比人类更好、更快的诊断。最著名的医疗保健技术之一是 IBM Watson。它理解自然语言并可以回答提出的问题。该系统挖掘患者数据和其他可用数据源以形成假设，然后以置信度评分模式呈现该假设。其他人工智能应用程序包括使用在线虚拟健康助手和聊天机器人来帮助患者和医疗保健客户查找医疗信息、安排预约、了解计费流程和完成其他管理流程。一系列人工智能技术也被用于预测、战斗和理解流行病，例如 COVID-19。

商业中的人工智能。机器学习算法正在被集成到分析和客户关系管理 ( CRM ) 平台中，以揭示有关如何更好地为客户服务的信息。聊天机器人已被纳入网站，为客户提供即时服务。工作岗位的自动化也成为学术界和 IT 分析师之间的话题。

教育中的人工智能。人工智能可以自动评分，为教育工作者提供更多时间。它可以评估学生并适应他们的需求，帮助他们按照自己的节奏工作。人工智能导师可以为学生提供额外的支持，确保他们走上正轨。它可能会改变学生学习的地点和方式，甚至可能会取代一些老师。

金融领域的人工智能。个人理财应用程序中的人工智能，例如 Intuit Mint 或 TurboTax，正在颠覆金融机构。诸如此类的应用程序会收集个人数据并提供财务建议。其他程序，例如 IBM Watson，已应用于购房过程。今天，人工智能软件在华尔街进行了大部分交易。

法律上的人工智能。法律上的发现过程——筛选文件——对人类来说往往是压倒性的。使用人工智能来帮助自动化法律行业的劳动密集型流程可以节省时间并改善客户服务。律师事务所正在使用机器学习来描述数据和预测结果，使用计算机视觉对文档中的信息进行分类和提取，并使用自然语言处理来解释信息请求。

制造业中的人工智能。制造业一直处于将机器人纳入工作流程的最前沿。例如，曾经被编程为执行单一任务并与人类工人分离的工业机器人，越来越多地充当协作机器人：与人类协作并承担仓库、工厂车间更多部分工作的更小、多任务机器人和其他工作区。

银行业中的人工智能。银行正在成功地使用聊天机器人让客户了解服务和产品，并处理不需要人工干预的交易。人工智能虚拟助手正被用于改善和降低遵守银行法规的成本。银行机构也在使用人工智能来改进他们的贷款决策，设置信用额度和识别投资机会。

交通领域的人工智能。除了人工智能在自动驾驶汽车中的基本作用外，人工智能技术还用于交通管理、预测航班延误以及使海运更安全、更高效。

安全。人工智能和机器学习是当今安全供应商用来区分其产品的流行词列表的顶部。这些术语也代表了真正可行的技术。组织在安全信息和事件管理 ( SIEM ) 软件及相关领域使用机器学习来检测异常并识别表明威胁的可疑活动。通过分析数据并使用逻辑来识别与已知恶意代码的相似性，人工智能可以比人类员工和以前的技术迭代更快地为新出现的攻击提供警报。成熟的技术在帮助组织抵御网络攻击方面发挥着重要作用。

一些行业专家认为，人工智能这个词与流行文化的联系过于紧密，这导致公众对人工智能将如何改变工作场所和生活产生了不太可能的期望。

• 增强智能。一些研究人员和营销人员希望具有更中性内涵的增强智能标签能够帮助人们理解人工智能的大多数实施将是薄弱的，只是简单地改进产品和服务。示例包括在商业智能报告中自动显示重要信息或在法律文件中突出显示重要信息。
• 人工智能。真正的人工智能，或通用人工智能，与技术奇点的概念密切相关——未来由人工超级智能统治，远远超过人脑理解它的能力或它如何塑造我们的现实。这仍然属于科幻小说的范畴，尽管一些开发人员正在解决这个问题。许多人认为，量子计算等技术可以在使 AGI 成为现实方面发挥重要作用，我们应该将 AI 一词保留用于这种通用智能。

虽然人工智能工具为企业提供了一系列新功能，但人工智能的使用也引发了伦理问题，因为无论好坏，人工智能系统都会加强它已经学到的东西。

这可能是有问题的，因为机器学习算法是许多最先进的人工智能工具的基础，它的智能程度取决于它们在训练中提供的数据。由于人类选择了用于训练 AI 程序的数据，因此机器学习偏差的可能性是固有的，必须密切监控。

任何希望将机器学习用作现实世界的生产系统的一部分的人都需要将道德因素纳入其 AI 培训过程，并努力避免偏见。当使用在深度学习和生成对抗网络 ( GAN ) 应用程序中本质上无法解释的 AI 算法时尤其如此。

可解释性是在严格遵守法规要求的行业中使用 AI 的潜在绊脚石。例如，美国的金融机构按照要求解释其信贷发行决定的法规运作。然而，当 AI 编程做出拒绝信用的决定时，可能很难解释该决定是如何做出的，因为用于做出此类决定的 AI 工具通过梳理数千个变量之间的微妙相关性来运作。当决策过程无法解释时，该程序可称为黑盒 AI。

这些组件构成了负责任的人工智能使用。

尽管存在潜在风险，但目前几乎没有监管人工智能工具使用的法规，而且在确实存在法律的情况下，它们通常与人工智能间接相关。例如，如前所述，美国公平贷款法规要求金融机构向潜在客户解释信贷决策。这限制了贷方可以使用深度学习算法的程度，这些算法本质上是不透明的并且缺乏可解释性。

制定监管人工智能的法律并不容易，部分原因是人工智能包含公司用于不同目的的各种技术，部分原因是监管可能以人工智能的进步和发展为代价。人工智能技术的快速发展是形成有意义的人工智能监管的另一个障碍。技术突破和新颖的应用可以使现有的法律立即过时。例如，监管对话隐私和录音对话的现行法律并未涵盖亚马逊的 Alexa 和苹果的 Siri 等语音助手所带来的挑战，这些语音助手收集但不分发对话——除非公司的技术团队使用它来改进机器学习算法。当然，政府为规范人工智能而制定的法律也没有

人工智能和认知计算这两个术语有时可以互换使用，但一般来说，人工智能这个标签是指通过模拟我们如何感知、学习、处理和对环境中的信息做出反应来取代人类智能的机器。

具有智慧的无生命物体的概念自古就有。希腊神赫菲斯托斯在神话中被描述为用黄金锻造机器人般的仆人。古埃及的工程师建造了由祭司激活的神像。几个世纪以来，从亚里士多德到 13 世纪西班牙神学家 Ramon Llull 到 René Descartes 和Thomas Bayes的思想家都使用他们那个时代的工具和逻辑将人类的思维过程描述为符号，为通用知识表示等 AI 概念奠定了基础。

支持现代人工智能领域，1956 年至今。

19 世纪末和 20 世纪上半叶带来了现代计算机的基础工作。1836 年，剑桥大学数学家查尔斯·巴贝奇和洛夫莱斯伯爵夫人奥古斯塔·艾达·拜伦发明了第一个可编程机器设计。

1940 年代。普林斯顿大学数学家约翰·冯·诺依曼构想了存储程序计算机的架构——计算机程序及其处理的数据可以保存在计算机内存中。Warren McCulloch 和 Walter Pitts 奠定了神经网络的基础。

1950 年代。随着现代计算机的出现，科学家们可以测试他们关于机器智能的想法。英国数学家和二战密码破解者艾伦·图灵设计了一种确定计算机是否具有智能的方法。图灵测试的重点是计算机欺骗审讯者的能力，让他们相信它对他们问题的回答是由人类做出的。

1956年，在达特茅斯学院的夏季会议上，现代人工智能领域被广泛引用为从今年开始。此次会议由美国国防高级研究计划局 (DARPA) 赞助，有 10 位该领域的杰出人士出席，其中包括人工智能先驱 Marvin Minsky、Oliver Selfridge 和John McCarthy ，他们因创造了人工智能一词而受到赞誉。出席会议的还有计算机科学家 Allen Newell 和经济学家、政治科学家和认知心理学家 Herbert A. Simon，他们展示了他们开创性的 Logic Theorist，这是一个能够证明某些数学定理的计算机程序，被称为第一个 AI 程序.

1950 年代和 1960 年代。在达特茅斯学院会议之后，新兴人工智能领域的领导者预测，与人脑相当的人造智能即将到来，并吸引了主要政府和行业的支持。事实上，近 20 年资金充足的基础研究在 AI 方面取得了重大进展：例如，在 1950 年代后期，Newell 和 Simon 发表了通用问题求解器 (GPS) 算法，该算法未能解决复杂问题，但为人工智能奠定了基础。开发更复杂的认知架构；McCarthy 开发了Lisp，这是一种至今仍在使用的 AI 编程语言。在 1960 年代中期，麻省理工学院教授 Joseph Weizenbaum 开发了 ELIZA，这是一个早期的自然语言处理程序，为今天的聊天机器人奠定了基础。

1970 年代和 1980 年代。但事实证明，人工智能的实现是难以捉摸的，并非迫在眉睫，受到计算机处理和内存的限制以及问题的复杂性的阻碍。政府和企业放弃了对人工智能研究的支持，导致了 1974 年至 1980 年的休整期，被称为第一个“人工智能冬天”。1980 年代，对深度学习技术的研究和行业对 Edward Feigenbaum 专家系统的采用引发了新一轮的 AI 热情，但紧随其后的是政府资金和行业支持的又一次崩溃。人工智能的第二个冬天一直持续到 1990 年代中期。

1990 年代到今天。计算能力的提高和数据的爆炸式增长在 1990 年代后期引发了人工智能的复兴，这种复兴一直延续到现在。对人工智能的最新关注在自然语言处理、计算机视觉、机器人技术、机器学习、深度学习等领域带来了突破。此外，人工智能正变得越来越有形，为汽车提供动力、诊断疾病并巩固其在流行文化中的作用。1997 年，IBM 的 Deep Blue 击败了俄罗斯国际象棋大师 Garry Kasparov，成为第一个击败世界国际象棋冠军的计算机程序。十四年后，IBM 的沃森当它在游戏节目 Jeopardy! 中击败两位前冠军时吸引了公众。最近，谷歌 DeepMind 的 AlphaGo 历史性地击败了 18 次世界围棋冠军李世石，震惊了围棋界，标志着智能机器发展的一个重要里程碑。