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。
了解机器学习
了解人工智能与机器学习的对比
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。
了解深度学习
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。
了解神经网络
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。
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。