人工智慧：心理學視角

---

人工智慧領域的計算機科學家致力於創造能夠學習並執行復雜任務的智慧計算機，這些任務通常需要人類的智慧。人工智慧的基礎是專門的硬體和軟體，用於開發和重新訓練機器學習演算法。雖然常見的選項是 Python、R 和 Java，但人工智慧開發有很多常用的語言。人工智慧 (AI) 系統通常透過獲取大量標記的訓練資料、處理這些資料以識別模式和相關性，然後利用這些見解來預測未來的結果來發揮作用。聊天機器人可以透過分析人類之間文字互動的例項來學習模仿人類的對話。相比之下，影像識別軟體可以透過分析數百萬個示例來學習識別和描述照片中的物體。

什麼是人工智慧？

人工智慧 (AI) 指的是機器（主要是計算機）展現通常與人類智慧相關的特徵的能力。專家系統、語言學、語音識別和機器視覺都是智慧如何被使用的具體例子。人工智慧的潛在用途是無限的。許多領域和組織都可以從這項技術中受益。具有 AI 的機器包括下棋的計算機和自動駕駛汽車，這些汽車目前正在醫療保健領域進行測試。在銀行和金融領域，人工智慧能夠發現可疑跡象，例如異常的簽帳金融卡使用或大額存款。人工智慧開發優先考慮這三種認知能力：學習、推理和自我修正。

自我教育

人工智慧程式設計的這一領域側重於獲取資料並制定規則，將資料轉化為有用的知識。演算法是告訴計算機如何執行某些操作的規則，透過按順序執行每個步驟。

演繹推理技能

人工智慧開發的這一領域側重於制定戰略性的演算法決策。

自我改進方法

人工智慧開發的這一領域旨在調整程式，以持續產生精確的結果。

人工智慧的意義何在？

人工智慧之所以重要，是因為它有可能為企業提供以前無法獲得的對其運營的見解，並且因為它有時可以比人類做得更好。人工智慧系統尤其擅長快速完成任務，並且錯誤相對較少，尤其是在重複性、特定任務方面，例如審查大量法律檔案以驗證重要區域是否已正確填寫。這推動了生產力的飛速增長，併為一些大型公司提供了進入全新市場的機會。十年前，使用演算法將乘客與計程車匹配的想法是不可想象的；現在，Uber 已成為世界上最有價值的公司之一。該系統使用複雜的機器學習技術來預測出行需求最大的時間和地點，從而提前派遣司機。另一個例子是 Google，它在許多利基線上服務行業中脫穎而出，這在很大程度上歸功於它利用機器學習來更好地理解和滿足使用者需求。Google 執行長 Sundar Pichai 在 2017 年表示，該公司將成為一家“人工智慧優先”的企業。世界上最大、最賺錢的公司已將人工智慧納入其運營中，以提高效率並獲得競爭優勢。

什麼促成了人工智慧？

人工智慧是一門科學和技術，它借鑑了計算機科學、生物學、心理學、語言學、數學和工程等領域。人工智慧的一個關鍵重點是開發與人類智慧相關的計算機功能，例如思考、學習和解決問題。以下一個或多個領域可以有助於開發智慧系統。

各種人工智慧版本

人工智慧有兩種型別，分別是弱人工智慧和強人工智慧。

弱人工智慧

只能執行一項特定任務的計算機程式。像國際象棋這樣的遊戲以及像 Alexa 和 Siri 這樣的數字助理都是弱人工智慧系統的例子。當你向助手提出查詢時，它會做出回應。

強人工智慧系統

這些系統能夠執行通常與人類相關的操作。這些系統通常更復雜和更精緻，其軟體使它們能夠在各種環境中自主解決問題。此類系統的應用包括自動駕駛汽車和手術室等。

我們現在在哪裡應用人工智慧？

如今，人工智慧被應用於各種環境中，通常具有不同程度的複雜性。人工智慧的流行應用包括推薦演算法（建議人們接下來可能喜歡的內容）和出現在線上網站或智慧裝置（例如 Alexa 或 Siri）形式的聊天機器人。人工智慧的許多用途包括預測天氣和經濟、簡化製造和減少重複的認知工作。人工智慧可以分為四種類型，從特定任務的系統到尚未存在的具有感知能力的系統。類別

反應式機器

這些人工智慧系統是特定任務的，並且沒有記憶。深藍在 20 世紀 90 年代擊敗了加里·卡斯帕羅夫。深藍可以識別棋子和做出預測，但它沒有記憶，也無法從過去的錯誤中吸取教訓。

記憶型

這些人工智慧系統可以利用過去的經驗來做出未來的判斷。自動駕駛汽車將此方法用於某些決策。

思維型

具有社交智慧的人工智慧可以理解情緒。這種人工智慧可以識別人類意圖並預測行為，從而使其能夠加入人類團隊。

自我意識型

此類人工智慧系統具有自我意識和意識，自我意識機器瞭解自己，這種人工智慧尚不存在。

人工智慧的優缺點

人工智慧正在迅速發展，因為它可以比人類更快地分析海量資料並生成更準確的預測。

優點

數字虛擬代理始終可用，並且擅長處理細節繁重的工作。

缺點

成本高昂；需要技術技能，合格的人工智慧開發人員很少；僅限於顯示的內容；以及無法進行泛化。

機器學習

機器學習是計算機從訓練資料中提取意義的過程。例如，如果你希望演算法檢測電子郵件中的垃圾郵件，則必須透過向演算法展示許多已手動標記為垃圾郵件或非垃圾郵件的電子郵件例項來訓練該演算法。該演算法“學習”識別表明電子郵件可能是垃圾郵件的模式，例如特定術語或片語的重複出現。機器學習可用於解決各種問題和資料集。你可以訓練演算法識別照片集中的貓的照片、保險索賠中可能存在的欺詐例項、將手寫內容轉換為結構化文字等等。所有這些場景都需要標記的訓練集。

根據所採用的方法，可以透過新增反饋迴圈來改進演算法，該迴圈會告訴它在哪裡出錯。與人工智慧的區別在於，機器學習演算法永遠不會“理解”它被程式設計執行的操作。它可能能夠檢測垃圾郵件，但它需要學習什麼是垃圾郵件以及為什麼我們希望檢測它。此外，如果出現新的垃圾郵件型別，它很可能無法識別它，除非有人（人類）重新訓練該演算法。大多數人工智慧系統都是建立在機器學習的基礎上的。但是，雖然機器學習系統可能看起來“很聰明”，但根據我們對人工智慧的定義，它並不屬於人工智慧。

結論

最近在人工智慧方面做出的努力導致許多領域的進步，包括一些以前未探索的領域。此外，人工智慧變得越來越具體，為汽車提供動力、檢測疾病，並在流行文化中鞏固了自己的地位。作為第一個計算機程式，IBM 的深藍在 1997 年擊敗了世界象棋冠軍加里·卡斯帕羅夫。此前，IBM 開發的超級計算機沃森擊敗了兩位《危險邊緣》冠軍，這臺超級計算機誕生於 20 世紀 90 年代，公眾對此感到著迷。與人工智慧硬體、軟體和人員相關的成本意味著許多供應商正在將其基本產品中整合人工智慧功能或提供對 AIaaS 平臺的訪問許可權。企業和個人可以使用人工智慧即服務來嘗試這項技術以滿足其自身需求，而無需完全投入任何人工智慧平臺。