人工智能 (AI) 是一組技術，使計算機能夠執行各種高級功能，包括查看、理解和翻譯口語和書面語言、分析數據、提出建議各種能力。
AI 是現代計算創新支柱，可為個人和企業挖掘價值。
例如，光學字符識別 (OCR) 使用 AI 圖片和文檔中提取文本和數據，非結構化內容轉換可供企業直接使用結構化數據，並發掘有價值數據洞見。
準備開始了嗎？客户可獲得 $300 贈金，於抵扣 Google Cloud 費用。
人工智能是一個構建能夠推理、學習和行動計算機和機器科學領域，這種推理、學習和行動需要人類智力，或者涉及超出人類分析能力數據規模。
AI 是一個領域，涵蓋許多學科，包括計算機科學、數據分析和統計、硬件和軟件工程、語言學、神經學，哲學和心理學。
業務使用操作層面上，AI 是一組主要基於機器學習和深度學習技術，於數據分析、預測、對象分類、語言處理、推薦、智能數據檢索。
人工智能可以採用多種方式進行組織，取決於開發階段或正在執行操作。
例如，AI 開發分為四個階段。
對人工智能類型進行分類一種有用方法是機器可以做什麼來分類。
我們目前説所有人工智能認為是“” (narrow) 人工智能，因為它只能其編程和訓練來執行一組範圍操作。
例如，於對象分類 AI 算法執行語言處理。
Google 搜索是一種 AI，預測分析或擬助理是 AI。
人工通用智能 (AGI) 是指機器可以像人類“感知、思考和行動”。
AGI 目前存在。
下一個級是人工超級智能 (ASI)，即機器可以所有方面發揮出優於人類功能。
企業談論 AI 時，會談論“訓練數據”。
“訓練數據”是什麼意思呢？請記住，內存人工智能是利用數據進行訓練，進而時間推移而改進 AI。
機器學習是人工智能一個子集，它使用算法訓練數據來獲取結果。
概括地説，機器學習中使用三種學習模型：監督式學習：一種使用帶標籤訓練數據（結構化數據）將輸入映射到輸出的機器學習模型。
來説，要訓練算法識別貓圖片，其提供標記貓圖片。
其它關於動物或其它人造系統智能普遍認為是人工智能相關研究課題。
監督式學習，結果會提前知道。
相反，算法會數據中學習，特性其歸類。
例如，非監督式學習擅長模式匹配和描述性建模。
監督式和非監督式學習之外，人們會採用一種名為“半監督式學習”混合方法，其中會部分數據添加標籤。
半監督式學習中，結果是已知，但算法決定如何組織和構造數據獲得期望結果。
強化學習：一種可以廣義地描述為“做邊學”機器學習模型。
“代理”通過反覆試驗（反饋環）學習執行定義任務，直到其性能處於理想範圍內。
當代理出色執行任務時，它會獲得強化；當代理表現時，它會獲得負強化。
強化學習一個例子是教機器人手撿球。
長/短期內存 (LSTM)：一種高級形式 RNN，它可以使用內存來“記住”先前層中發生事情。
RNN 和 LSTM 之間區別於，LSTM 可以通過使用“內存單元”來記住幾層之前發生事情。
【譯註：原英文中 LTSM 可能是 LSTM 筆誤】LSTM 常用於語音識別和預測。
AI 可用於執行複任務，從而讓人力資源能夠空出手來解決影響問題。
AI 可用於執行流程，例如驗證文檔、轉錄電話或回答“你們幾點關門？”之類客户問題。
機器人於代替人類執行“、骯髒或危”任務。
人工智能（英語：artificial intelligence，縮寫AI）稱機器智能，指人製造出來機器表現出來智慧。
人工智能是指用普通電腦程式來呈現人類智能技術。
該詞指出研究這樣智能系統是否能夠實現，以及如何實現。
同時，通過醫學、神經科學、機器人學及統計學，常態預測認為人類很多職業其取代。
[1][2]
人工智能於教材中定義領域是“智慧主體（intelligent agent）研究設計”[3]，智慧主體指一個可以觀察周遭環境並作出行動達致目標系統[4]。
約翰·麥卡錫於1955年定義是[5]“製造智能機器科學工程”[6]。
安德烈亞斯·卡普蘭和邁克爾·海恩萊（Michael Haenlein）將人工智能定義“系統正確解釋外部數據，這些數據中學習，並利用這些知識通過適應實現目標和任務能力”。
[7] 人工智能可以定義模仿人類人類思維相關認知功能機器或計算機，如學習和解決問題。
人工智能是計算機科學一個分支，它感知其環境並採取行動，限度地提高其機會。
此外，人工智能能夠過去經驗中學習，做出合理決策，並迴應。
因此，人工智能研究人員科學目標是通過構建具有象徵意義推理或推理計算機程式來理解智慧。
人工智能四個主要組成部分是：
人工智能研究是高度技術性和專業，各分支領域是深入且各相通，因而涉及範圍[9]。
人工智能研究可以分為幾個技術問題。
其分支領域主要集中解決問題，其中之一是，如何使用各種工具完成應用程序。
AI核心問題包括建構能夠人類超卓推理、知識、計劃、學習、交流、感知、移動 、移物、使用工具和操控機械能力[10]。
通用人工智能（GAI）目前是該領域目標[11]。
目前人工智慧有成果，一些影像辨識、語言分析、棋類遊戲單方面能力達到了超越人類水平，而且人工智慧通用性代表著，能解決上述問題是AI程式，開發算法可以直接使用現有AI完成任務，人類處理能力，但達到具備思考能力統合強人工智慧還需要時間研究，流行方法包括統計方法，計算智能和傳統意義AI。
目前有大量工具應用了人工智能，其中包括搜索和數學優化、邏輯推演。
而基於仿生學、認知心理學，以及基於概率論和經濟學演算法探索當中。
人工智能定義可以分為兩部分，即“人工”和“智能”。
“人工”即人設計，人創造、製造。
關於是“智能”，有爭議性。
這涉及到其它諸如意識、自我、心靈，包括無意識精神問題。
人唯一瞭解智能是人本身智能，這是普遍認同觀點。
但是我們我們自身智能理解，對構成人智能元素瞭解，所以定義甚麼是“人工”製造“智能”。
因此人工智能研究往往涉及人智能本身研究。
其它關於動物或其它人造系統智能普遍認為是人工智能相關研究課題。
人工智慧目前電腦領域內，得到了廣泛的發揮。
並機器人、經濟政治決策、控制系統、系統中得到應用。
人工智能應用於許多領域。
機器人經營餐館和商店並修復城市基礎設施。
人工智能管理運輸系統和自動駕駛車輛。
智能平台管理多個城市領域，例如垃圾收集和空氣質量監測。
事實上，城市人工智能體現城市空間、基礎設施和技術中，我們城市變成了無人監督自治實體。
可以地實現數字化支持智能響應服務。
許多城市現在主動利用數據和人工智能，通過我們基礎設施提供能源、計算能力和連接性來提高經濟回報[12]。
最近，於人工智能減少了行政成本和時間，許多政府開始人工智能於各種公共服務。
例如，移民流程機器人動化減少了處理時間並提高了效率。
人工智能為地方政府服務帶來技術突破。
人工智能代理協助城市規劃者基於目標導向蒙特卡羅樹搜索進行場景規劃。
目標推理人工智能代理提供最佳土地利用解決方案，幫助我們制定民主城市土地利用規劃。
人工智能利用在線數據來監控和修改環境威脅政策。
2019 年水危機期間，潛在狄利克雷分配方法確定了Twitter (X) 中討論主題，這是一種推文分類方法，對乾旱影響和原因、政府響應和潛解決方案主題進行了分類。
人工智能工具與司法部門人類法官相輔相成，提供客觀、風險評估[13]。
目前人工智慧研究方向分成幾個子領域，研究人員希望一個人工智慧系統應該具有某些能力，以下這些能力列出並説。
[10]
早期人工智慧研究人員直接模仿人類進行推理，像是玩棋盤遊戲或進行邏輯推理時人類思考模式。
[14]到了1980和1990年代，利用概率和經濟學上概念，人工智慧研究發展了方法處理確定或資訊。
[15]
於困難問題，有可能需要大量運算資源，發生了“可能組合爆增”：問題超過規模時，電腦會需要天文數量級存儲器或是運算時間。
尋找演算法是優先人工智慧研究項目。
[16]
知識表示是人工智能領域核心研究問題之一，它目標是讓機器存儲相應知識，並且能夠某種規則推理演繹得到知識。
有許多需要解決問題需要大量對世界知識,這些知識包括存儲先驗知識和通過智能推理得到知識。
存儲先驗知識指：人類某種方式告訴機器知識。
通過智能推理得到知識指：結合先驗知識和某種推理規則（邏輯推理）得到知識。
，先驗知識可以指描述目標，特徵，種類及物件之間關係知識， 可以描述事件，時間，狀態，原因和結果， 以及任何知識你想要機器存儲。
比如：今天沒有太陽，沒有太陽陰天。
那麼命題邏輯語言，這些知識可以表示為：今天 → 沒有太陽，沒有太陽 → 陰天。
這些知識是先驗知識，那麼推理可以得到新知識：今天 → 陰天。
由此例子可以看出，先驗知識性，這個例子中沒有太陽陰天，這個命題是、，因為沒有太陽可能是下雨，可能下雪。
另外如果人工智慧能看出太陽，該如何判斷這件問題，這個前提之下，應該能判斷出天晴天差異。
邏輯命題表示知識表示中，邏輯推理規則是目前主要推理規則。
可以機器中邏輯符號定義每一個邏輯命題，然後讓機器存儲相應邏輯推理規則，那麼自然而然機器可進行推理。
目前知識表達有許多困境無法解決，比如：建立一個完備知識庫可能，所以知識庫資源受到限制；先驗知識性需要進行檢驗，而且先驗知識有時候是只有對或者錯兩種選擇。
智能Agent能夠制定目標和實現這些目標。
[18]他們需要一種方法來建立一個可預測世界模型（整個世界狀態數學模型表現出來，並能預測它們行為如何改變這個世界），這樣可以選擇功效行為。
[19]
傳統規劃問題中，智能Agent假定它是世界中唯一具有影響力，所以它要做出什麼行為是確定。
[20]但是，如果事實並非如此，它定期檢查世界模型狀態是否和自己預測相符合。
如果不符合，它改變它計劃。
因此智能代理具有確定結果狀態下推理能力。
Alan Turing 1950 年開創性論文《計算機械和智能》中，他考慮了機器是否會思考。
延伸閱讀…
[22]
機器學習主要目的是為了讓機器使用者和輸入數據處獲得知識，從而讓機器地去判斷和輸出相應結果。
這一方法可以幫助解決多問題、減少錯誤，提高解決問題效率。
於人工智能來説，機器學習一開始。
1956年，最初達特茅斯夏季會議上，雷蒙德·索洛莫諾夫[來源請求]寫了一篇關於監視概率性機器學習：一個歸納推理機器。
機器學習方法各種各樣，主要分為監督學習和非監督學習兩大類。
監督學習指給定機器一些訓練樣本並且告訴樣本類別，然後這些樣本類別進行訓練，提取出這些樣本屬性或者訓練一個分類器，來一個樣本，則通過訓練得到屬性或者分類器進行判斷該樣本類別。
監督學習輸出結果離散性和性，分為分類和迴歸兩類。
非監督學習是給定訓練樣本，直接給定一些樣本和一些規則，讓機器自動一些規則進行分類。
無論哪種學習方法會進行誤差分析，從而知道所提方法理論上是否誤差有上限。
語言處理探討如何處理及運用語言，語言認知是指讓電腦“懂”人類語言。
語言生成系統計算機數據轉化語言。
語言理解系統語言轉化計算機程序於處理形式。
情感和社交技能於一個智能agent是。
，通過瞭解他們動機和情感狀態，代理人能夠預測別人行動（這涉及要素 博弈論、決策理論以及能夠塑造人情感和情緒感知能力檢測）。
此外，人機，智慧代理人需要表現出情緒來。
它出現禮貌地和人類打交道。
，它本身應該有情緒。
一個人工智慧的子領域，代表了理論（哲學和心理學角度）和實際（通過實現產生系統輸出是可以考慮創意，或系統識別和評估創造力）所定義創造力。
相關領域研究包括了人工直覺和人工想像。
史蒂芬·霍金、比爾蓋茲、埃隆·馬斯克、Jaan Tallinn以及Nick Bostrom人於人工智慧技術未來公開表示憂心[28]，人工智慧若許多方面超越人類智慧水平智能、、自我提升，進而取得控制管理權，人類是否有足夠能力及時停止人工智慧領域“軍備競賽”，能否保有掌控權，現有事：機器失控導致人員傷亡，這樣情況是否會擴大規模出現，歷史顯然無法出可靠答案。
特斯拉電動車馬斯克（Elon Musk）麻省理工學院（MIT）航空航天部門百年紀念研討會上稱人工智能是“召喚魔”行為，英國發明家Clive Sinclair認為開始製造抵抗人類和超越人類智能機器，人類可能生存，蓋茲馬斯克和其它人言，且知道為何有些人擔憂這個問題。
[29]
DeepMind人工智慧（AI）系統2016年“AlphaGo”戰南韓棋王李世乭獲勝，開發商表示內部設立倫理委員會，人工智慧應用制定政策，防範人工智慧淪為犯罪開發者。
[30]
2017年6月份馬雲美國底特律舉行“鏈結世界”（Gateway 17）產業大會，會上提出人工智慧可能導致第三次世界大戰，因為前兩次產業革命導致兩次戰，戰爭原因並非這些創新發明本身，而是發明社會上許多人生活方式衝擊處理，科技社會上產生工作取代舊工作，產生了輸家和贏家，若是輸家人數多造成一股社會能量而這股能量有心人利用可能導致各種事件。
他認為各國應該強制訂定規定AI機器只能於人類不能做工作，避免時間大量人類取代失業大潮，但馬雲沒有提出這種世界性規定如何實現並確保遵守細節方案。
[36]
數據科學和人工智能哈佛商業評論稱為《二十一世紀Sexy職業》[37]，人工智能需求量，鼓勵了大學諸如伯克利大學專門成立數據科學系。
硅谷和紐約主《The Data Incubator（英語：The Data Incubator）》公司於2012年成立，焦點是數據科學，數據，和人工智能企業培訓，提供國際大數據培訓服務。
此學派代表是天文物理學家史蒂芬·霍金，以及特斯拉執行長伊隆·馬斯克。
霍金認為AI人類來有威脅，主要有以下理由：
主要是Google、FacebookAI主要技術發展者，他們AI持看法理由：
AI普及後，會企業管理中扮演很角色，而人類管理者應如何調整自己工作職能，有以下幾點建議：
人工智能一個流行定義，是該領域定義，是當時麻省理工學院約翰·麥卡錫於1956年達特矛斯會議上提出：人工智能要讓機器行為看起來像是人表現出的智能行為。
但是這個定義了強人工智能可能性（見下）。
另一個定義指人工智能是人造機器表現出來智能。
總體來講，目前對人工智能定義大多可劃分為四類，即機器“像人思考”、“像人行動”、“理性地思考”和“理性地行動”。
這裏“行動”應廣義地理解採取行動，或制定行動決策，而不是肢體動作。
強人工智能觀點認為“有可能”製造出“”能推理和解決問題智能機器，並且，這樣機器認為是具有知覺、有自我意識。
強人工智能可以有兩類：
人工智能觀點認為“可能”製造出能“”地推理和解決問題智能機器，這些機器過“看起來”像是智能，但是並擁有智能，會有自主意識。
“強人工智能”一詞最初是約翰·瑟爾電腦和其它資訊處理機器創造，其定義：
“強人工智能觀點認為計算機不僅是用來研究人思維一種工具；相反，只要運行程序，計算機本身有思維。
”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）
人工智能（AI）是致力於解決人類智能相關聯認知性問題計算機科學領域，這些問題包括學習、創造和圖像識別。
現代組織各種來源收集大量數據，例如智能傳感器、人工生成內容、監控工具和系統日誌。
人工智能目標是創建從數據中獲取意義自我學習系統。
然後，人工智能可以應用這些知識類似人類方式解決問題。
例如，人工智能技術可以人類話做出有意義響應，創建原始圖像和文本，並數據輸入做出決策。
您組織可以您應用程序中集成 AI 功能，優化業務流程、改善客户體驗並加快創新。
Alan Turing 1950 年開創性論文《計算機械和智能》中，他考慮了機器是否會思考。
延伸閱讀…
本文中，Turing 創造了人工智能一詞，並其作為一種理論和哲學概念提出。
1957 年 1974 年之間，計算機發展使計算機能夠存儲多數據並地進行處理。
此期間，科學家們進一步開發了機器學習 (ML) 算法。
該領域進展促使國防高級研究計劃局（DARPA）機構設立了人工智能研究基金。
，這項研究主要目標是發現計算機是否可以轉錄和翻譯口語。
整個 20 世紀 80 年代，可用資金增加和科學家人工智能開發中使用擴展算法工具包簡化了開發。
David Rumelhart 和 John Hopfield 發表了關於深度學習技術論文，這些論文表明計算機可以經驗中學習。
從 1990 年到 21 世紀初，科學家們實現了人工智能許多核心目標，比如擊敗衞冕世界象棋冠軍。
前幾十年相比，現代時代計算數據和處理能力，人工智能研究現在變得普遍，獲得。
它正在迅速演變人工通用智能，因此軟件可以執行複雜任務。
軟件可以自己創造、決策和學習，這些任務以前只限於人類。
人類，人工智能技術可以不降低性能情況下全天候工作。
換句話説，AI 可以毫無錯誤地執行手動任務。
您可以讓 AI 專注於複、任務，這樣您可以業務其他領域使用人力資源。
AI 可以減少員工工作負載，同時簡化所有業務相關任務。
相比之下，人工智能可以任何人地使用 ML 來分析大量數據。
AI 平台可以發現趨勢、分析數據並提供指導。
通過數據預測，人工智能可以幫助建議未來最佳行動方案。
您可以使用 ML 訓練 AI，使其精確、地執行任務。
這可以通過自動化員工感到吃力或厭煩業務部分來提高運營效率。
，您可以使用 AI 自動化來騰出員工資源，於更複雜和更具創造性工作。
人工智能應用範圍。
雖然不是詳盡無遺，但以下是一些突出人工智能用例示例。
智能文檔處理（IDP）可非結構化文檔格式轉換可用數據。
例如，它電子郵件、圖像和 PDF 業務文檔轉換結構化信息。
IDP 使用語言處理（NLP）、深度學習和計算機視覺人工智能技術來提取、分類和驗證數據。
例如，英國土地註冊局 (HMLR) 處理超過 87% 英格蘭和威爾士財產所有權。
HMLR 社會工作者和審查複雜法律文件有關財產交易。
該組織部署了一個人工智能應用程序來進行文檔，從而審查時間減少了 50%，並增強了財產轉讓審批流程。
多信息，請閲讀 HMLR 如何使用 Amazon Textract。
例如，Atlassian 生產產品旨在簡化團隊合作和組織。
Atlassian 使用 AI APM 工具來持續監控應用程序、檢測潛問題並確定性優先級。
藉助此功能，團隊可以響應基於機器學習建議並解決績效下降問題。
人工智能增強型預測性維護是使用大量數據來識別可能導致運營、系統或服務停機問題過程。
預測性維護使企業能夠潛在問題發生之前其解決，從而減少停機時間並防止中斷。
例如，Baxter 全球擁有 70 個生產基地，可全天候運營提供醫療技術。
Baxter 採用預測性維護來自動檢測工業設備中異常情況。
用户可以提前實施解決方案，減少停機時間並提高運營效率。
要瞭解多信息，請閲讀 Baxter 如何使用 Amazon Monitron。
醫學研究使用 AI 來簡化流程、執行複任務並處理大量數據。
您可以醫學研究中使用人工智能技術來促進端到端的藥物發現和開發，轉錄病歷，並縮短新產品上市時間。
舉一個現實世界例子，C2i Genomics 使用人工智能來運行大規模擴展、可定製基因組管道和臨牀檢查。
通過涵蓋計算解決方案，研究人員可以專注於臨牀表現和方法開發。
工程團隊使用 AI 來減少資源需求、工程維護和 NRE 成本。
有關詳細信息，請閲讀 C2i Genomics 如何使用 AWS HealthOmics。
業務分析使用 AI 來收集、處理和分析複雜數據集。
您可以使用 AI 分析來預測未來價值，瞭解數據根本原因，並減少耗時流程。
例如，富士康使用人工智能增強業務分析來提高預測準確性。
他們預測準確性提高了 8％，從而使工廠每年節省 53.3 萬美元。
他們使用業務分析來減少勞動力浪費，並通過數據驅動決策提高客户意度。
NLP 使用深度學習算法來解釋、理解和收集文本數據含義。
NLP 可以處理人類創建文本，這使得它於總結文檔、自動化聊天機器人和進行情感分析有用。
計算機視覺使用深度學習技術視頻和圖像中提取信息和見解。
使用計算機視覺，計算機可以像人類理解圖像。
您可以使用計算機視覺來監控在線內容中是否有圖像、識別人臉和圖像細節進行分類。
自動駕駛汽車和卡車中，監控環境並瞬間做出決定關。
生成式人工智能是指人工智能系統，它可以文本提示中創建內容和構件，如圖像、視頻、文本和音頻。
與過去侷限於分析數據人工智能，生成式人工智能利用深度學習和海量數據集來產生高質量、類似人類創造性輸出。
實現人心創造性應用同時，存在偏見、內容和知識產權擔憂。
總來説，生成式人工智能代表了人工智能性能一次進化，類似人類方式生成內容和構件。
人工智能面臨許多挑戰，使實施變得困難。
以下障礙是 AI 實現和使用中見一些挑戰。