早期的人工智能(AI)定义由人工智能之父马文·明斯基(Mavtin Minsky)提出，他认为“人工智能是关于让机器胜任需要人类智慧才能完成的任务的科学。”尽管这一定义的核心在今天看来依然适用，但现代计算机科学家在此基础上进一步升华，将AI定义为一种能够感知环境并采取行动，最大限度地确保成功实现目标的系统。不仅如此，AI系统还具备解读和分析数据的能力，并且能够在这个过程中不断学习和自我调整。
AI系统还具备解读和分析数据的能力，并且能够在这个过程中不断学习和自我调整
从希腊神话中的皮格马利翁(Pygmalion)到维多利亚时代的科学怪人弗兰肯斯坦，千百年来，人们一直幻想有朝一日可以创造出一个能像人一样思考和行动的生物。随着计算机的兴起，我们逐渐认识到，人工智能的形象不会表现为独立自主的实体，而是一套可以增强并适应人类需求的工具和互联技术。
1956年，在新罕布什尔州汉诺威的达特茅斯大学举办的研讨会上，业内人士首次提出人工智能一词。从那时起，AI和数据管理就在相伴相依中交织发展。要执行有意义的可靠分析，AI需要海量大数据。而要采用数字化方式处理大量数据，系统就离不开AI。因此，伴随着计算能力和数据库技术的崛起，AI也在不断发展壮大。
过去业务系统只能处理几GB数据，如今不仅可以管理TB级数据，还可以利用AI实时处理结果和洞察。与人造的“科学怪人”不同，AI技术灵活敏捷，响应迅速，其设计宗旨是帮助人类伙伴，优化和增强他们的能力，而不是取而代之。
AI是发展速度最快的技术领域之一。时至今日，即便是最复杂的AI模型也只是在利用三种AI类型中最基本的“狭义人工智能”而已。另外两类人工智能还只存在于科幻小说里，目前并未得到实际应用。也就是说，按照计算机科学在过去50年里的发展速度，很难预测未来的AI将会带领我们走向何方。
ANI是现存的一种人工智能，也被称作弱人工智能。尽管狭义人工智能可执行的任务可能由高度复杂的算法和神经网络驱动，但它们仍然是单一且以目标为导向的。面部识别、网络搜索和自动驾驶汽车都属于狭义人工智能的范畴。之所以将狭义人工智能归类为弱人工智能，不是因为它在应用范围和能力方面存在局限性，而是因为它与具备人类特质这种真正意义上的智能相差甚远。哲学家约翰·塞尔(John Searle)认为狭义人工智能“可以用于检验关于思维的假设，但实际上并不属于思维范畴”。
AGI可以成功执行人类才能完成的智力型任务。与狭义AI系统一样，AGI系统可以从经验中学习，发现和预测模式，但是AGI的智能水平更胜一筹。AGI可以从先前获取的数据或现有算法未解决的各种任务和情况中，推断出这些知识。
Summit超级计算机是全球为数不多的可以演示AGI的超级计算机之一。Summit每秒可以执行200千万亿次计算，而人类完成这些计算需要十亿年。要想发挥切实可行的作用，AGI模型不一定需要如此强大的计算能力，只需要达到目前超级计算机的计算水平。
从理论上讲，ASI系统拥有完全的自我意识。除了简单地模仿或理解人类行为之外，它们还能从根本上掌握人类行为。
ASI不仅具备这些人类特质，还拥有远胜于人类的处理能力和分析能力，这似乎为我们呈现了一个反乌托邦式的科幻未来，到那时人类将被逐渐淘汰出局。
生活在今天的人们也许无法亲历这样的世界，但即便如此，依照人工智能的迅猛发展势头，可以预见人工智能几乎会从所有可衡量的领域全方位碾压人类，因此人类必须慎重考虑人工智能的道德准则和管理措施。正如斯蒂芬·霍金(Stephen Hawking)所说，“正因为AI有着巨大的潜力，因此必须研究如何在利用其优势的同时避免落入潜在的危险中。”
几十年前，AI在业务运营中的应用尚处于早期阶段，人们对其潜力的认识也停留在理论层面。从那时起，AI技术和应用不断发展并为企业创造价值，IDC预测，仅从2020年到2024年，企业的AI技术支出就将增加一倍以上。随着AI技术的不断发展，人类对AI技术应用的潜力和创造力的认识也逐步加深。如今，借助基于AI的系统，企业正在各个领域获得越来越可观的收益，其中包括以下五大领域：
1、更高的企业韧性：早在计算机问世之前，企业就已经认识到，收集和了解业务、市场及客户相关数据的价值。随着数据的规模和复杂程度不断提高，企业面临的挑战日趋严峻，难以准确及时地分析数据。基于AI的解决方案不仅可以管理大数据，还能从数据中获取可据以采取行动的洞察。借助AI，企业可以自动执行复杂的流程，更高效地利用资源，更准确地预测业务中断和机遇，并作出相应调整。
2、更优质的客户服务：企业可以利用AI提供个性化服务产品，并与客户实时互动。当消费者通过从销售线索到客户转化的销售漏斗时，他们会生成复杂多样的数据集。借助AI，业务系统可以利用这些数据，提升客户互动和服务体验。
3、信心十足的决策：优秀的企业领导者往往追求快速制定明智的决策。越是关键的决策，就越有可能涉及到各种复杂的环节和千丝万缕的关系。AI能帮助增强人类的智慧和经验，利用先进的数据分析功能和可据以采取行动的洞察，支持企业领导者实时制定有把握的决策。
4、极具相关性的产品和服务：许多传统的研发模型都是回溯型模型。企业通常在产品或服务进入市场后才会对绩效和客户反馈数据进行分析，同时还缺少可以快速发现市场潜在业务缺口和机遇的系统。借助基于AI的系统，企业可以同时实时查看各种数据集。这样他们就可以利用极具相关性的最新市场数据和客户数据，改进现有产品，并推出新产品。
5、敬业的员工：最近的一项盖洛普(Gallup)民意调查显示，员工敬业度高的企业平均利润要高出21%。在工作中，AI技术可以执行一些日常的琐碎任务，减轻员工的负担，让他们专注于更有成就感的工作。借助基于AI的HR技术，企业还能发现员工的焦虑、疲倦或厌倦情绪。此外，AI还能为员工提供个性化的健康建议，为他们确定任务级，支持并帮助他们重新建立起工作与生活的健康平衡。
要让AI发挥作用，就必须让它有用武之地。只有当AI提供可据以采取行动的洞察时，其价值才得以真正实现。如果我们把AI想象成人类的大脑，那么AI技术就相当于人类的双手、眼睛和身体动作，大脑的想法必须通过它们才能落到实处。下面列出了一些应用最广泛且发展最迅速的AI技术。
机器学习及其所有组件都是人工智能的子集。机器学习将各种算法应用到不同类型的学习方法和分析技术上，让系统能够自动从经验中学习并不断改进，无需显式编程。企业可以运用机器学习处理任何需要预测结果的问题或目标，这些预测结果需要经过复杂的数据分析才能得出。
人工智能和机器学习的区别是什么？机器学习是人工智能的一部分，没有人工智能就没有机器学习，所以重要的不是它们互不相同，而是它们有何不同。人工智能是基于数据处理来做出决策和预测。借助机器学习算法，人工智能不仅能够处理数据，还能在不需要任何额外编程的情况下，利用这些数据进行学习，变得更智能。
借助NLP技术，机器能够识别和理解书面语言和语音命令，包括将人类语言翻译成算法可以理解的语言。自然语言生成(NLG)是NLP的子集，可以让机器将数字语言转化成自然人类语言。在更复杂的应用中，NLP可以利用上下文来推断态度、情绪和其他主观特质，最准确地解读含义。NLP的实际应用包括聊天机器人和数字语音助手，例如Siri和Alexa。
计算机视觉是一种方法，能帮助计算机查看和理解数字图像和视频，而不仅仅是对它们进行识别或分类。计算机视觉应用利用传感器和学习算法提取复杂的上下文信息，用于自动执行其他流程或为其他流程提供信息。计算机视觉还可以推算数据进行预测，这基本上意味着它可以穿墙透视，而且不会放过任何角落。自动驾驶汽车是计算机视觉应用的优秀范例。
机器人技术算不上新鲜事物，在制造行业等领域已经使用多年。但是如果不使用AI，就只能通过人工编程和校准来实现自动化操作。如果这些工作流程存在缺陷或低效环节，也只能在事后或者发生故障后才能被发现。操作人员往往对导致问题的原因一无所知，对采取哪些调整措施来提高效率和生产力也毫无头绪。但引入AI之后，通常是采用物联网传感器后，就能大幅扩展机器人执行任务的范围、数量和类型。工业领域应用的机器人技术包括大型仓库的订单拣选机器人，以及经过编程可以在最佳时间采摘或养护农作物的农业机器人。
每年都有越来越多的企业认识到，AI解决方案能够为他们的业务运营带来诸多收益和竞争优势。医疗卫生和银行等行业拥有的数据集尤为庞大且敏感。对他们而言，AI的作用从最早的迭代时期就已经非常明显。但如今，考虑到现代AI的应用范围和可及性，AI相关应用几乎可以覆盖所有业务模式。以下略举几个行业示例。
医疗数据集是世界上最庞大、最复杂也最敏感的数据集之一。AI在医疗卫生行业的一个重点应用领域就是，利用数据发现诊断与治疗方案以及患者疗效之间的关系。此外，医院希望借助AI解决方案为其他运营领域和计划提供支持，包括优化员工队伍，提高员工和患者满意度，节省成本等等。了解在医疗卫生行业采用智能技术和数字化技术的优势。
银行和金融机构对安全性、合规性以及交易速度有着更严苛的要求，他们因此成为最先采用AI技术的行业之一。人工智能机器人、数字支付顾问和生物识别欺诈检测机制等功能都可以帮助他们提升效率和客户服务水平，同时减少风险和欺诈。了解银行如何借助数字化和智能技术提供端到端服务。
设备和机器互联，通过中央系统发送和接收数据，这就形成了一个物联网网络。AI不仅可以处理这些信息，还能利用这些信息预测业务中断和机遇，并根据具体情况自动执行最合适的任务和工作流程。在智能工厂里，AI的应用范围还能延伸到3D打印机的按需生产协议和虚拟库存领域。了解阿迪达斯(Adidas)公司如何利用机器学习，在短短24小时内交付定制运动鞋。
新冠疫情极大地改变了人们的购物习惯。数据显示，网购行为比去年同期显著增加。这些变化给零售商带来了竞争异常激烈且瞬息万变的营商环境。线上购物者不断尝试各种客户接触点，由此产生了比以往更多复杂的非结构化数据。为了充分理解并利用这些数据，零售商希望可以借助AI解决方案处理并分析分散的数据集，从而提供有用的洞察并与客户进行实时互动。了解如何利用数字化和智能技术，应对零售行业新时代的挑战和机遇。
在农业领域，AI应用不仅帮助提高了产量，还推动了对可持续发展的创新研究。AI的预测能力也帮助提升了农耕效率和食品供应链效率。例如，通过评估成熟时间表、天气情况和与市场距离等数据，预测分析工具可以告知农民采摘不同类型农产品的最佳时间。这其中包括促使农业机器人的工作流程实现自动化，让农业机器人在特定时间自动采摘和加工规定数量的农作物。了解如何利用智能技术推动可持续发展和农作物生长。
1948年，计算机科学先驱艾伦·图灵(Alan Turing)曾说过：“如果一台计算机能够骗过人类，让对方相信自己是人类，就应该被视为是智能的。”尽管由AI驱动的现代计算机的处理速度和分析能力已经达到了图灵难以想象的程度，但他可能早已意识到这种强大能力将带来的道德困境。AI理解和模仿人类的能力不断提升，就会变得越来越像人类。随着我们在数字渠道生成的个人数据日益增加，我们也越发需要能够信任支撑起我们大量日常活动的AI应用。以下例举了值得企业领导者注意并监控的一些道德挑战。
在21世纪20年代，我们都是通过数字连接渠道，以企业或个人身份收集和共享大量信息。2020年初，全球的智能手机保有量超过35亿台，这些手机通过社交媒体和搜索行为共享了海量数据，包括GPS定位信息、用户的个人详细信息和偏好等等。随着企业获取的客户个人信息范围越来越广，有一点变得极为重要，那就是通过构建基准和不断发展的协议，来保护隐私并最大限度地降低风险。
偏见渗透到AI系统主要有两种途径，一种是算法编程中存在人为偏见，还有一种则是系统性偏见随机器学习流程中的错误假设传播开来。在第一种情况下，非常容易弄清产生偏见的来龙去脉，但在第二种情况下则很难发现和避免偏见的发生。举一个广为人知的AI偏见案例，美国医疗卫生系统在使用AI应用来分配医护标准时，算法发现某些人口统计群体支付医疗费用的能力较低。对这项信息进行推算之后，系统错误地认为该群体理应得到较少的医疗卫生服务。在发现这个令人遗憾的错误后，加州大学伯克利分校的计算机科学家与开发人员一起修改算法变量，将偏见减少了84%。
AI透明是指能够确定算法得出特定结论或作出特定决策的方式和原因。为结果提供信息的AI和机器学习算法以及结果本身往往都比较复杂，超出了人类的理解范围。这样的算法被称作黑盒模型。对企业来说，必须确保这些数据模型公平、公正，可以解释，并且经得起外部审查。在性命攸关的航空或医药领域尤其如此。因此，使用这类数据的人员务必要高度重视数据治理计划，这一点至关重要。
深度伪造(Deepfake)是深度学习(deep learning)和伪造(fake)二者的合成词。这种技术通常使用人工智能和机器学习，将一个人的脸叠加到视频中另一个人的身体上，而且准确度极高，难辨真假。这种看似无伤大雅的操作可以产生令人惊叹的效果，例如电影《爱尔兰人》中罗伯特·德尼罗(Robert De Niro)和乔·佩西(Joe Pesci)就通过这种手段“减龄”了30岁。但不幸的是，这项技术更常被用于炮制一些让人们信以为真的虚假新闻，或者将一些名人移花接木到他们本人并未现身的图片或不雅视频中。返回搜狐，查看更多
