AI vs ML：人工智能和机器学习概述

人工智能和机器学习密切相关，但最终却不同。

机器可以复制甚至超越人类思维的想法成为先进计算框架的灵感来源——现在，无数企业正在进行巨额投资。这一概念的核心是人工智能(AI)和机器学习(ML)。

这些术语通常是同义词，可以互换使用。实际上，人工智能和机器学习代表着两种不同的事物——尽管它们是相关的。从本质上讲:

人工智能可以被定义为计算系统模仿或模仿人类思维和行为的能力。

机器学习是人工智能的一个子集，指的是一种无需人类明确编程或直接管理就能学习的系统。

如今，人工智能和机器学习在几乎所有行业和业务中都扮演着重要的角色。它们驱动商业系统和消费设备。自然语言处理、机器视觉、机器人、预测分析和许多其他数字框架都依赖于其中一种或两种技术来有效运作。

人工智能与机器学习简史

创建能像人类一样思考的机器的想法一直令整个社会着迷。在20世纪40年代和50年代，包括AlanTuring在内的研究人员和科学家开始探索创造“人工大脑”的想法。1956年，DartmouthCollege的一组研究人员开始更彻底地探索这个想法。在该校举行的一次研讨会上，“人工智能”一词诞生了。

在接下来的几十年里，该领域取得了进展。1964年，麻省理工人工智能实验室的JosephWeizenbaum发明了一个名为ELIZA的程序。其证明了自然语言和对话在机器上的可行性。ELIZA依靠基本的模式匹配算法来模拟真实世界的对话。

20世纪80年代，随着更强大的计算机出现，人工智能研究开始加速。1982年，JohnHopfield展示了神经网络可以以更先进的方式处理信息。各种形式的人工智能开始成形，1980年出现了第一个人工神经网络(ANN)。

在过去的二十年里，由于计算能力和软件的巨大进步，这一领域取得了显著的进步。人工智能和机器学习现在被广泛应用于各种企业部署中。这些技术被用于Siri和Alexa等自然语言系统、自动驾驶汽车和机器人、电脑游戏中的自动决策系统、Netflix等推荐引擎，以及虚拟现实(VR)和增强现实(AR)等扩展现实(XR)工具。

机器学习尤其蓬勃发展。政府实体、企业和其他机构越来越多地使用其来识别涉及统计数据和其他形式的结构化和非结构化数据的复杂和难以捉摸的模式。这包括流行病学和医疗保健、金融建模和预测分析、网络安全、聊天机器人和其他用于客户销售和支持的工具等领域。事实上，许多供应商将机器学习作为云计算和分析应用程序的一部分。

人工智能的影响是什么?

机器模仿人类思维和行为的能力深刻地改变了这两个实体之间的关系。人工智能释放大规模自动化，并支持一系列更先进的数字技术和工具，包括VR、AR、数字孪生、图像和面部识别、连接设备和系统、机器人、个人助理和各种高度交互的系统。

这包括在现实世界中导航的自动驾驶汽车、回答问题和开关灯的智能助手、自动化金融投资系统，以及机场摄像头和面部识别。后者包括航空公司在登机口使用的生物识别登机牌，以及只需扫描面部即可通过安检的全球入境系统。

事实上，企业正在以新的、创新的方式让人工智能发挥作用。例如，旅游行业使用的动态定价模型可以实时衡量供需状况，并根据变化的情况调整航班和酒店的价格。

人工智能技术被用于更好地了解供应变化动态，并调整采购模型和预测。在仓库中，机器视觉技术(由人工智能支持)可以发现诸如丢失托盘和生产缺陷等人眼无法察觉的小问题。与此同时，聊天机器人会分析客户的输入，并实时提供与上下文相关的答案。

如所见，这些能力正在快速发展——尤其是当连接系统被添加到组合中时。智能建筑、智能交通网络，乃至智慧城市正在形成。随着数据的流入，人工智能系统决定下一个最佳步骤或调整。

同样，数字孪生越来越多地被航空公司、能源公司、制造商和其他企业用于模拟实际系统和设备，并探索各种虚拟选项。这些先进的模拟器可以预测维护和故障，还可以深入了解更便宜、更复杂的业务处理方式。

机器学习的影响是什么?

近年来，机器学习也取得了显著进展。通过使用统计算法，机器学习解锁了传统上与数据挖掘和人工分析相关的洞察力。

其使用样本数据(称为训练数据)来识别模式，并将它们应用到可能随时间变化的算法中。深度学习是机器学习的一种，其使用人工神经网络来模拟人脑的工作方式。

以下是使用机器学习的主要方法:

• 监督学习，这需要一个人来识别所需的信号和输出。
• 无监督学习，允许系统独立于人类运行，并找到有价值的输出。
• 半监督学习和强化学习，这涉及一个计算机程序与动态环境相互作用，以实现确定的目标和结果。后者的一个例子是计算机国际象棋游戏。在某些情况下，数据科学家使用一种混合方法，将这些方法中的多个元素结合在一起。

多种算法

几种类型的机器学习算法发挥了关键作用:

• 神经网络: 神经网络模拟人脑的思维方式。它们是识别模式的理想选择，广泛用于自然语言处理、图像识别和语音识别。
• 线性回归: 这种技术对于预测数值很有价值，比如预测航班或房地产价格。
• 逻辑回归: 这种方法通常使用二元分类模型(如“是/否”)来标记或分类某物。该技术的一个常见用途是识别电子邮件中的垃圾邮件，并将不需要的代码或恶意软件列入黑名单。
• 聚类: 这个机器学习工具使用无监督学习来发现人类可能忽略的模式。集群的一个例子是供应商如何在不同的设施中执行相同的产品。这种方法可能用于医疗保健，例如，了解不同的生活方式如何影响健康和寿命。
• 决策树: 该方法预测数值，但也执行分类功能。与其他形式的机器学习不同，其提供了一种清晰的方法来审核结果。这种方法也适用于结合决策树的随机森林。

无论使用哪种确切方法，机器学习越来越多地被企业用于更好地理解数据并做出决策。这反过来又为更复杂的人工智能和自动化提供了条件。例如，情感分析可以插入销售历史数据、社交媒体数据甚至天气状况，以动态调整生产、营销、定价和销售策略。其他机器学习应用程序提供了用于医疗诊断的推荐引擎、欺诈检测和图像分类。

机器学习的优势之一是，其可以随着条件和数据的变化或组织添加更多的数据而动态适应。因此，可以构建一个ML模型，然后动态调整。例如，营销人员可能会根据客户的行为和兴趣开发一种算法，然后根据客户的行为、兴趣或购买模式的改变来调整信息和内容。

人工智能和机器学习如何在企业中发展？

如前所述，大多数软件供应商——涵盖广泛的企业应用程序范围——在其产品中提供AI和ML。这些系统使得在没有广泛的数据科学知识的情况下使用强大的工具变得越来越简单。

不过，也有一些需要注意的地方。对于客户来说，为了充分利用AI和ML系统，了解AI和一些专业知识往往是必要的。在选择产品时，避免供应商炒作也是至关重要的。AI和ML无法解决潜在的业务问题——在某些情况下，它们会产生新的挑战、担忧和问题。

有哪些道德和法律问题？

AI和ML正处于一场日益激烈的争论的中心——它们应该被明智地、谨慎地使用。它们与招聘和保险偏见、种族歧视以及各种其他问题有关，包括滥用数据、不适当的监控以及深度造假、虚假新闻和信息等问题。

越来越多的证据表明，面部识别系统在识别有色人种时的准确性要低得多，这可能导致种族定性。此外，人们越来越担心政府和其他实体使用面部识别进行大规模监控。到目前为止，对人工智能实践的监管还很少。然此，道德人工智能正在成为一个关键考虑因素。

人工智能和机器学习的未来是什么？

人工智能技术正在迅速发展，其将在企业和人们的生活中发挥越来越重要的作用。AI和ML工具可以显着降低成本、提高生产力，促进自动化，并推动创新和业务转型。

随着数字化转型的推进，各种形式的AI将成为各种数字技术围绕的太阳。人工智能将催生更先进的自然语音系统、机器视觉工具、自主技术等等。