什么是人工智能（AI）？
人工智能（AI）是一项变革性技术，它使机器能够和人类一样解决问题。从识别图像和生成创意内容到做出数据驱动的预测，人工智能使企业能够大规模做出更明智的决策。
在当今的数字环境中，组织通过传感器、用户交互和系统日志生成大量数据。人工智能利用这些数据优化运营，包括自动化客户支持、增强营销策略，以及通过高级分析提供可行的见解。
借助 AWS，企业能够无缝集成人工智能，从而加速创新进程、优化客户体验并解决复杂难题。AWS 的人工智能解决方案能够帮助各企业实现个性化互动、自动化决策，并在不断变化的数字世界中开拓新的增长机遇——同时还能得益于 AWS 在隐私、安全和负责任的人工智能方面的承诺。
人工智能的发展史
1950 年，Alan Turing 在其开创性论文《计算机与智能》中首次提出了人工智能的概念，他在文中探讨了机器像人类一样思考的可能性。虽然图灵奠定了理论基础，但如今我们所熟知的人工智能则是数十年创新的成果，它是由众多科学家和工程师在多个领域推动技术发展所共同造就的。
1940 年 – 1980 年
1943 年，Warren McCulloch 和 Walter Pitts 提出了人工神经元模型，为神经网络这一人工智能核心技术奠定了基础。
紧接着，Alan Turing 在 1950 年发表了《计算机器与智能》一文，介绍了用于评测机器智能的图灵测试的概念。
这促使 1951 年至 1969 年间，研究生 Marvin Minsky 和 Dean Edmonds 建造了第一台神经网络机器 SNARC，Frank Rosenblatt 开发了最早的神经网络模型之一 Perceptron，Joseph Weizenbaum 创造了最早的聊天机器人之一，它能够模拟罗杰斯式心理治疗师角色的 ELIZA。
然而，1969 年至 1979 年间，Marvin Minsky 揭示了神经网络的局限性，导致神经网络研究暂时陷入低谷。由于资金减少以及硬件和计算能力的限制，第一次“人工智能寒冬”随之而来。
1980 年 – 2006 年
在政府资助和研究的推动下，20 世纪 80 年代人们对人工智能的兴趣再次激增，尤其是在翻译和转录等领域。在此期间，像 MYCIN 这样的专家系统因能够在诸如医学等专业领域模拟人类的决策过程而崭露头角。神经网络的复兴也逐渐形成，David Rumelhart 和 John Hopfield 等人的开创性研究为深度学习技术奠定了基础，证明了计算机能够通过经验进行学习。
然而，在 1987 年至 1997 年期间，社会经济因素（包括互联网热潮）导致了第二次“人工智能寒冬”。在这段时期，人工智能研究变得更加分散，且在商业应用方面也受到了限制。
这一局面在 1997 年发生了转变，当时 IBM 的“深蓝”计算机成功击败了国际象棋世界冠军 Garry Kasparov，这是人工智能领域的一项重大成就。大约在同一时期，Judea Pearl 在概率论和决策理论方面的研究推动了该领域的发展，而像 Geoffrey Hinton 这样的先驱者则重新激发了人们对深度学习的兴趣，为神经网络的复兴奠定了基础。尽管商业兴趣仍在不断增强，但这些创新为人工智能的下一阶段发展奠定了基础。
2007 年至今
2007 年至 2018 年间，云计算技术的进步使得计算能力和人工智能基础设施更加普及。这推动了机器学习的广泛采用、创新与发展。这些发展包括名为 AlexNet 的卷积神经网络（CNN）架构（该架构由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 合作开发，并在 ImageNet 竞赛中获胜，展示了深度学习在图像识别方面的强大功能）以及 Google 的 AlphaZero（该模型在没有人类数据的情况下，仅凭自我对弈便掌握了国际象棋、将棋和围棋游戏）。
2022 年，采用人工智能（AI）与自然语言处理（NLP），能够像人类一样进行交谈并完成各项任务的 聊天机器人（如 OpenAI 的 ChatGPT）因其对话能力而广为人知，这一突破再次激发了人们对人工智能的兴趣，并推动了该领域的蓬勃发展。
机器学习、深度学习和人工智能有什么区别？
人工智能（AI）是一个总称，指的是使机器更像人类的各种策略和技术。人工智能涵盖范围非常广，例如自动驾驶汽车，以及机器人吸尘器和 Alexa 这样的智能助手。虽然机器学习和深度学习都属于人工智能的范畴，但并非所有的人工智能活动都是机器学习和深度学习。例如，生成式人工智能展示了类似人类的创造能力，是一种非常先进的深度学习形式。
机器学习
虽然你可能会看到人工智能和机器学习这两个术语在许多地方可以互换使用，但从技术上讲，机器学习是人工智能众多分支中的一个。它是一门开发算法和统计模型来关联数据的科学。计算机系统使用机器学习算法来处理大量历史数据，并识别数据模式。在当前背景下，机器学习是指一组称为机器学习模型的统计技术，您可以独立使用这些技术，也可以将其用于支持其他更复杂的人工智能技术。
深度学习
深度学习让机器学习更进一步。深度学习模型使用神经网络来共同学习和处理信息。它们由数百万个软件组件组成，这些组件对小型数据单元执行微观数学运算以解决更大的问题。例如，它们处理图像中的单个像素，以便对图像进行分类。现代人工智能系统通常结合多个深度神经网络来执行复杂的任务，例如根据文本提示写诗或创建图像。
人工智能是如何运作的？
人工智能系统利用先进技术将原始数据（无论是文本、图像、视频还是音频）转化为有意义的见解。通过识别这些数据内的模式和关系，人工智能可以实现大规模的智能决策。这些系统基于庞大的数据集进行训练，这使得它们能够持续学习并随着时间的推移而不断改进，其过程与人类从经验中学习的方式如出一辙。随着每一次的交互，人工智能模型会变得更加精准，从而推动创新并为企业解锁新机遇。
神经网络
人工神经网络构成了人工智能技术的核心。神经网络模仿了人脑中发生的处理过程。大脑包含数百万个神经元，这些神经元对信息进行处理和分析。人工神经网络使用人工神经元共同处理信息。每个人造神经元或节点都使用数学计算来处理信息并解决复杂的问题。
自然语言处理（NLP）
自然语言处理（NLP）使用神经网络来解释、理解文本数据并从中收集意义。它使用各种专门用于解码和理解人类语言的计算技术。这些技术可以让机器处理单词、语法句法和单词组合，从而处理人类文本，甚至生成新文本。自然语言处理对于总结聊天机器人文档和进行情感分析至关重要。
计算机视觉
计算机视觉使用深度学习技术从视频和图像中提取信息和见解。您可以使用计算机视觉来监控在线内容中是否有不恰当的图像、识别人脸和对图像细节进行分类。它对于从内容审核到自动驾驶汽车等瞬间决策至关重要的领域非常重要。
语音识别
语音识别软件使用深度学习模型来解释人类语音、识别单词和检测含义。神经网络可以将语音转录为文本，并指示声音情感。您可以在虚拟助手和呼叫中心软件等技术中使用语音识别来识别含义并执行相关任务。
生成式人工智能
生成式人工智能是指根据简单的文本提示创建新的内容和构件（如图像、视频、文本和音频）的人工智能系统。与过去局限于分析数据的人工智能不同，生成式人工智能利用深度学习和海量数据集来产生高质量、类似人类的创造性输出。在实现激动人心的创造性应用的同时，也存在着对偏见、有害内容和知识产权的担忧。总的来说，生成式人工智能代表了人工智能性能的重大发展，它能以类似人类的方式生成人类语言和新的内容及构件。
人工智能应用架构的关键组成部分是什么？
人工智能架构由三个核心层组成，所有这些核心层都依托于强大的 IT 基础设施来支撑，该基础设施能够提供大规模运行人工智能所需的计算能力和内存。每一层都对实现无缝的人工智能操作起着至关重要的作用，涵盖从数据处理到高级决策的各个环节。
第 1 层：数据层
人工智能建立在机器学习、自然语言处理和图像识别等各种技术之上。这些技术的核心是数据，它构成了人工智能的基础层。该层主要侧重于为人工智能应用程序准备数据。
第 2 层：模型层
当今的人工智能主要使用基础模型和大型语言模型来执行复杂的数字任务。基础模型是在广泛的广义和未标记数据上训练的深度学习模型。这些模型可以根据输入提示高度准确地执行各种不同的任务。
组织采用现有的预训练基础模型，并使用内部数据对其进行自定义，从而为现有应用程序添加人工智能功能或创建新的人工智能应用程序。
值得注意的是，许多组织仍在使用机器学习模型来完成许多数字任务。在许多使用案例中，机器学习模型可能会优于基础模型，人工智能开发人员可以灵活地为特定任务选择最佳模型。
阅读有关基础模型的更多信息 »
第 3 层：应用层
第三层是应用层，即人工智能架构中面向客户的部分。您可以让人工智能系统完成某些任务、生成信息、提供信息或做出数据驱动的决策。应用层允许最终用户与人工智能系统进行交互。
企业如何利用人工智能的力量？
探讨一些真实的案例，了解企业如何利用人工智能的力量进行创新并提高效率。
聊天机器人和智能助手
人工智能支持的聊天机器人和虚拟助手正在通过提供类似人类的、情境感知的对话来改变客户互动。它们可对自然语言查询提供智能、连贯的响应，在客户支持、虚拟协助和内容生成方面表现出色。这些人工智能模型持续学习并随着时间的推移而不断改进，确保提供个性化体验，从而提高客户满意度和运营效率。
全球最大的在线经纪商之一 Deriv 引入了一款由人工智能驱动的助手，用于在客户支持、营销和招聘平台中管理数据。通过利用人工智能，Deriv 将新员工入职培训时间缩短了 45%，同时将招聘任务所需时间减少了 50%。
智能文档处理（IDP）
人工智能简化了从非结构化格式（如电子邮件、PDF 文件和图像）中提取有意义数据的过程，将这些数据转化为可行的见解。智能文档处理（IDP）使用自然语言处理（NLP）、深度学习和计算机视觉等高级技术简化文档繁重的工作流程。
负责管理英格兰和威尔士超过 87% 房产所有权证书的英国土地注册局（HMLR）已采用人工智能技术实现法律文件的自动比对。借助人工智能技术，他们将文件审查时间缩短了 50%，并加快了房产转让的审批流程。了解 HMLR 如何使用 Amazon Textract。
应用程序性能监控（APM）
基于人工智能的应用程序性能监控能够帮助企业保持最佳运行状态，它能够提前预测并预防可能出现的问题，从而避免这些问题对用户造成影响。这些工具会对历史数据进行，从而推荐出具有前瞻性的解决方案，以确保系统持续稳定运行和运营效率持续提升。
Atlassian 利用基于人工智能的 APM 工具来持续监控并优先处理应用程序中的问题。通过利用机器学习的推荐功能，他们的团队能够更快地解决性能问题，并提高应用程序的可靠性。了解有关 APM 的更多信息。
什么是人工智能技术的力量？
人工智能提供了一系列强大的技术，这些技术正在改变行业，为企业开启新的机遇。您可以利用以下关键的人工智能功能来推动管创新并扩大运营规模。
图像生成
人工智能可在几秒钟内将简单的文本描述转换为高质量、逼真的图像。例如，只需输入“山间日落”这样的提示，就可以通过人工智能立即创作出令人惊叹的视觉作品。这项突破性技术正在彻底改变营销、娱乐和设计等创意产业，极大地加快了内容创作过程。
文本生成
人工智能可以自动生成类似人类的文本，涵盖从电子邮件等简短内容到复杂的报告等各种形式。该技术广泛用于客户服务、市场营销和内容创作领域，通过简化写作流程提高了工作效率并节省了宝贵的时间。
语音生成和识别
人工智能支持的语音生成技术能够创建自然的、类似人类的语音，语音识别技术则使机器能够理解和处理口头语言。这些技术是通过 Alexa 等虚拟助手提供无缝语音激活体验的关键，能够提升客户服务水平，优化智能设备性能，并增强无障碍解决方案。
多模态人工智能
多模态人工智能可整合文本、图像和音频数据，提供对复杂内容更全面的理解。通过同时识别物体、转录语音和解释屏幕文本，多模态人工智能可以实时提供高级见解。这一能力对于利用人工智能进行视频分析、自动驾驶汽车等领域的行业至关重要，它有助于实现更明智、更快速的决策，并解锁新的创新可能性。
人工智能如何改变当今的行业？
人工智能正在彻底改变各个行业，推动创新，实现复杂流程的自动化，并大规模提供卓越的用户体验。
内容推荐
人工智能为 Netflix 和 Spotify 等领先的流媒体服务提供推荐引擎，分析用户偏好以提供个性化的内容推荐。通过保持客户参与度，人工智能可以帮助企业提高保留率并提升客户满意度。
个性化购物
电子商务平台使用人工智能，根据客户的浏览历史和偏好提供个性化的产品推荐，从而提升销售额和改善购物体验。
医疗保健
人工智能正在通过先进的诊断、治疗计划和患者监测彻底改变医疗保健行业。人工智能系统可以分析医学图像，及早发现疾病，并根据患者病史和数据帮助定制治疗方案。
流量管理
人工智能通过分析实时数据、预测交通模式和建议替代路线来优化交通流量。这可以提高运输效率，减少交通拥堵，并有助于降低排放量。
自然保护
人工智能是自然保护事业的有力工具，可以利用人工智能支持的无人机和卫星图像来监测野生动物、打击滥伐森林行为，并预防偷猎。人工智能的实时监控功能正在改变环境保护战略。
对于企业转型，人工智能有哪些优势？
您的组织可以利用人工智能的强大功能来优化运营、提升客户体验，并推动大规模的创新。
智能自动化
基于人工智能的系统能够智能地扫描并记录各种模板中的数据，比如发票信息，根据诸如供应商或区域等各种不同标准对信息进行分类，甚至还能检测出错误以确保支付处理过程的顺畅，且几乎无需人工干预。
提高工作效率
人工智能让知识型员工能够即时且根据具体情况获取关键信息。无论是医疗专业人员检索患者记录，还是航空公司员工查询航班数据，都可以通过人工智能加以简化，让工作人员能够专注于真正重要的事情。例如，欧洲最大的航空公司瑞安航空实施了人工智能系统来提高员工的工作效率和满意度，使信息检索更快、更高效。
解决复杂的问题
人工智能擅长分析庞大的数据集，以识别模式并挖掘可以解决甚至于最复杂挑战的见解。制造业和医疗保健业等行业可以利用人工智能制定数据驱动的决策，例如通过分析机器数据和使用报告来确定最佳维护计划，从而节省大量成本。人工智能还可以彻底改变基因组研究等领域，帮助加速药物发现和创新领域取得突破。
创造新的客户体验
人工智能使企业能够为客户提供个性化、安全且响应迅速的体验。通过将客户资料数据与产品或服务信息相结合，人工智能能够提供实时推荐和量身定制的解决方案，从而提高参与度。例如，Lonely Planet 利用人工智能为客户生成精选旅行行程，将所需时间缩短了 80%，同时大规模提供个性化的旅行建议。
人工智能服务和工具如何释放业务潜力？
生成式人工智能
利用企业级安全性、隐私和多种领先的基础模型（FM）加速生成式人工智能创新。AWS 采用数据优先方法和前沿的基础设施，可在优化成本的同时提供最高性能。各种规模的组织都信任 AWS 将他们的原型和演示转变为现实中的创新成果，带来可衡量的生产力提升。
人工智能服务
AWS 预先训练的人工智能服务为您的应用程序和工作流程提供现成的智能功能。人工智能服务可轻松与您的应用程序集成，帮助处理常见使用案例，如个性化推荐、实现联络中心现代化、提升安全性和提高客户参与度。
机器学习
通过机器学习（ML），从数据中获得更深入的洞察，同时降低成本。AWS 通过最全面的机器学习服务和专门构建的基础设施，在采用机器学习的每个阶段为您提供帮助。借助 Amazon SageMaker，您可以轻松地大规模构建、训练和部署机器学习和基础模型。借助 SageMaker，数据科学家和机器学习工程师可以灵活、精细地控制基础设施和工具，对超过 250 个基础模型进行预训练、评估、自定义和部署，从而优化性能、延迟和成本。
人工智能基础设施
随着人工智能的发展，基础设施资源的使用、管理和成本也随之增加。为了在训练和部署基础模型到生产环境期间最大限度地提高性能、降低成本并避免复杂性，AWS 根据您的人工智能使用案例，提供优化过的专用基础设施。
人工智能的数据基础
只有 AWS 能够为端到端数据基础提供最全面的数据功能集，以支持任何工作负载或使用案例，包括生成式人工智能。借助端到端 数据治理，快速轻松地连接所有数据并对其采取行动，帮助您的团队充满信心地加快工作进度。通过在数据服务中内置人工智能，AWS 简化了数据管理的复杂性，因此您可以花更少的时间管理数据，将更多的时间用于从中获取价值。
什么是负责任的人工智能？
负责任的人工智能会考量人工智能系统对社会和环境的影响，同时确保在人工智能的开发和使用过程中具备公平性、透明度和可问责性。随着人工智能变得愈发具有变革性，各组织肩负着构建既能推动创新又不侵犯公民自由和人权的系统的重任。在 AWS，我们致力于以负责任的方式开发人工智能，采用以人为本的方法，优先考虑教育、科学和我们的客户，通过 Amazon Bedrock 护栏、Amazon SageMaker Clarify 等工具，在端到端人工智能生命周期内集成负责任的人工智能。
人工智能实施面临哪些挑战？
虽然人工智能具有巨大的潜力，但组织要想充分释放其价值，仍需应对一系列关键挑战。
人工智能治理
数据治理政策必须遵守监管限制和隐私法。要实施人工智能，您必须管理数据质量、隐私和安全。您要对客户数据和隐私保护负责。为了管理数据安全，您的组织应了解人工智能模型如何使用各层客户数据并与之交互。
技术难题
使用机器学习训练人工智能会消耗大量资源。高处理能力门槛对于深度学习技术发挥作用至关重要。您必须拥有强大的计算基础设施才能运行 AI 应用程序和训练模型。处理能力可能很昂贵，并且会限制人工智能系统的可扩展性。
数据限制
您需要输入海量数据以训练无偏见的人工智能系统。您必须有足够的存储容量来处理训练数据。同样，您必须制定有效的管理和数据质量流程，以确保用于训练的数据的准确性。
如何开始在业务中使用人工智能？
要开始在业务中使用人工智能，请确定人工智能可以提高效率的领域，例如利用聊天机器人实现客户服务自动化、分析数据以做出更好的决策或个性化营销工作。预测分析、人工智能驱动的内容生成和推荐系统等工具可以帮助推动业务增长。
如何开始在日常生活中使用人工智能？
您可以通过 Alexa 等虚拟助手或可自动执行任务的智能家居设备开始在日常生活中使用人工智能。此外，用于健身追踪、语言学习和预算计划的人工智能驱动应用程序可以提高日常活动的效率，并根据您的需求量身定制。
什么是 AWS 上的人工智能创新？如何构建和扩展它？
利用最全面的人工智能和机器学习服务重塑客户体验并优化运营。
与久经考验的人工智能领导者一起构建
利用 Amazon 超过 25 年的开创性人工智能经验，引领下一波人工智能创新浪潮。AWS 让更多的人能够使用人工智能，包括创建者、数据科学家、业务分析师和学生。凭借最全面的人工智能服务、工具和资源，AWS 为超过十万家客户提供了深厚的专业知识，以满足他们的业务需求并释放其数据的价值。安全、隐私和负责任的人工智能从未如此重要。客户可以在隐私、端到端安全和人工智能治理的基础上使用 AWS 进行构建和扩展，以前所未有的速度实现转型。
什么是面向初学者的人工智能培训？
人工智能培训通常从编程和计算机科学的基础知识开始。您应该学习 Python 等语言，以及数学、统计和线性代数。
然后，您可以继续进行更专业的培训。攻读人工智能、机器学习或数据科学硕士学位，以获得更深入的理解和实践经验。这些计划通常涉及神经网络、自然语言处理和计算机视觉深度等主题。
但是，正规教育不是唯一的途径。您可以使用在线课程按照自己的节奏学习并掌握特定技能。例如，AWS 上的生成式人工智能培训包括 AWS 专家就以下主题提供的认证：
AWS 如何支持您的人工智能需求？
AWS 让更多的人能够使用人工智能，包括创建者、数据科学家、业务分析师和学生。凭借最全面的人工智能服务、工具和资源，AWS 为超过十万家客户提供了深入的专业知识，以满足他们的业务需求并让数据的价值得以体现。客户可以在隐私、端到端安全和人工智能治理的基础上使用 AWS 进行构建和扩展，以前所未有的速度实现转型。AWS 上的人工智能包括用于现成智能技术的预先训练的人工智能服务，以及可最大限度地提高性能并降低成本的人工智能基础设施。
AWS 让更多的人能够使用人工智能，包括创建者、数据科学家、业务分析师和学生。凭借最全面的人工智能服务、工具和资源，AWS 为超过十万家客户提供了深入的专业知识，以满足他们的业务需求并让数据的价值得以体现。客户可以在隐私、端到端安全和人工智能治理的基础上使用 AWS 进行构建和扩展，以前所未有的速度实现转型。
AWS 上的人工智能包括用于现成智能技术的预先训练的人工智能服务，以及可最大限度地提高性能并降低成本的人工智能基础设施。
预先训练的服务示例：
- Amazon Rekogniton 自动化、简化和扩展图像识别和视频分析。
- Amazon Textract 可从任何文档中提取打印文本、分析手写内容并自动捕获数据。
- Amazon Transcribe 可将语音转换为文本，从视频文件中提取关键业务见解，并提高业务成效。
人工智能基础设施示例：
- Amazon Bedrock 提供了一系列高性能 FM 和多种功能。您可以尝试各种顶级 FM，并使用您的数据进行私人定制。
- Amazon SageMaker 提供工具对 FM 从头开始进行预训练，以便在内部使用它们。
- Amazon Elastic Compute Cloud（EC2）Trn1 实例由 AWS Trainium 芯片提供支持，专为生成式人工智能模型的高性能深度学习（DL）训练而构建。
立即创建一个 免费账户，以在 AWS 上开始使用人工智能！