文章目录

前言
本章主要讲述人工智能的定义、发展历史、产业生态、落地挑战和发展趋势。

1.人工智能定义

您对人工智能的理解是什么？

在这里插入图片描述

什么是人工智能？

人工智能（Artificial Intelligence）是研究、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
在这里插入图片描述
在这里插入图片描述

强人工智能 vs 弱人工智能

  • 强人工智能：强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器将被认为是有知觉的，有自我意识的。可以独立思考问题并制定解决问题的最优方案，有自己的价值观和世界观体系。有和生物一样的各种本能，比如生存和安全需求。在某种意义上可以看作一种新的文明。
  • 弱人工智能：弱人工智能是指不能制造出真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。

人工智能三阶段

在这里插入图片描述

AI、机器学习、深度学习的关系

在这里插入图片描述

2. 人工智能发展历史

人工智能发展简史

在这里插入图片描述

第三次热潮 - 生成式AI

在这里插入图片描述

从分析式AI到生成式AI

在这里插入图片描述
在这里插入图片描述

AIGC的产生和发展

在这里插入图片描述

3. 人工智能产业生态

中国人工智能软件市场规模预测

在这里插入图片描述

中国人工智能产业图谱

在这里插入图片描述

人工智能技术架构

在这里插入图片描述

基础架构层 - 大数据

在这里插入图片描述

  • 数据是真实世界不同现象的抽象表达。全世界的网民，移动设备用户，各种机器，服务器，实验室，感应器，设备等每秒，每分钟都在产生海量数据 （大数据）。我们可以处理这大数据并能挖掘有价值的信息，知识甚至“智慧”。各种AI服务就需要利用该知识。

基础架构层 - 计算机硬件

在这里插入图片描述

算法层 - 机器学习

在这里插入图片描述

算法层 - 神经网络和深度学习

在这里插入图片描述

技术方向 - 计算机视觉

在这里插入图片描述

技术方向 - 语音处理

在这里插入图片描述

技术方向 - 自然语言处理

在这里插入图片描述

应用领域 - 智慧城市

在这里插入图片描述

应用领域 - 金融

在这里插入图片描述

应用领域 - 零售

在这里插入图片描述

应用领域 - 医疗

在这里插入图片描述

应用领域 - 农业

在这里插入图片描述

4. 人工智能落地挑战

数据的挑战

在这里插入图片描述

缺乏解释性

  • AI 已经在大量的关键系统中运行，并且开始进入到很多业务的核心数据处理体系。但是，对于 AI 的核心运行机制，依然没有彻底研究清楚。
  • 深度学习系统的弱解释性给现有的AI系统带来了安全性、稳定性的挑战，如何确保AI不会失控，避免恶性事件发生，是目前AI研究领域重要的课题。
    在这里插入图片描述

算法的偏见

  • 算法的偏见主要源于数据的偏见。
  • 我们在用人工智能算法做决策时，算法可能是根据已有的数据，学会歧视某一个体。如根据种族，性别或其他因素，作出有歧视倾向的决策。即使种族或性别等因素被排除在数据之外，算法也能够利用人的姓名或地址中的信息做出有歧视倾向的决定。
    在这里插入图片描述

隐私问题

  • 现有的人工智能算法都是数据驱动，我们需要大量的数据来训练模型。我们每天在享受人工智能带来的便捷的同时，例如Facebook，谷歌，亚马逊，阿里巴巴等科技公司在获取大量的用户数据。而这些数据会揭露我们生活的方方面面（如政治、宗教和性等）。
    在这里插入图片描述

AI犯错的案例

在这里插入图片描述

未来 - 人工智能是否会超越人类？

在这里插入图片描述

5. 人工智能发展趋势

更完善的人工智能基础数据服务

  • 人工智能基础数据服务产业日渐成熟，相关数据标注平台和工具也在不断推出。
    在这里插入图片描述

更安全的数据共享

  • 联邦学习在保证数据隐私安全的前提下，利用不同数据源合作训练模型，进一步突破数据的瓶颈。
    在这里插入图片描述

端-边-云全面发展的算力

  • 应用于云端、边缘设备、移动终端的人工智能芯片规模不断增长，进一步解决人工智能的算力问题。
    在这里插入图片描述

大模型与轻量化

  • 在大数据和强算力的支撑下，模型参数不断增加，更多大模型提出，也带来更好的泛化性能，同时，为应对移动终端及各种边缘设备部署的挑战，模型轻量化等技术也在不断发展。
    在这里插入图片描述

什么是大模型

  • “大模型” 通常指的是参数数量在数十亿或更多数量级的深度学习模型。当前“大模型”主要是指“大型语言模型（LLM）”。–维基百科
  • 基于海量多源数据打造的预训练模型，是对原有算法模型的技术升级和产品迭代，用户可通过开源或开放API/工具等形式进行模型零样本/小样本数据学习，以实现更优的识别、 理解、决策、生成效果和更低成本的开发部署方案。
    –IDC
    在这里插入图片描述

大模型的未来趋势

在这里插入图片描述

大模型重塑产业格局，预计未来2年将落地50%+行业核心场景

在这里插入图片描述

多任务统一的多模态感知大模型

  • 自然语言是人类高度总结的语义空间。
  • 以自然语言为中控，将所有主流特征映射到 公共空间中。
    在这里插入图片描述

更易用的框架

  • MindSpore、TensorFlow 2.x、Pytorch等主流开发框架都在朝易用、全能的方向演进，不断降低人工智能的开发门槛。
    在这里插入图片描述

不断突破的应用场景

  • 随着人工智能在各个垂直领域的不断探索，人工智能的应用场景将不断被突破：
  • 缓解心理问题
  • 自动车险定损
  • 后端办公自动化
  • …
    在这里插入图片描述

文章内容均引用华为云HCCDA-AI内容：若有侵权，联系即删

# 人工智能 # 华为云
Logo
北京朝阳AI社区

更多推荐

cover

上下文工程驱动智能体向 元宇宙自主生态构建

avatar 北京朝阳AI社区
cover

上下文工程驱动智能体向 跨物种交互能力

avatar 北京朝阳AI社区
cover

上下文工程驱动智能体向 太空探索自适应决策

avatar 北京朝阳AI社区