人工智能旨在利用计算机模拟和执行各领域的智能任务

从日常生活中可以随处瞥见人工智能的影子

人工智能在生活中的常见应用：人脸识别考勤系统+APP 智能推送

人脸识别打卡

人脸识别打卡是一种快速、高效的考勤方式，相比传统的打卡方式，具有以下优势：

1. 准确率高： 人脸识别技术可以在不同光线、角度、表情等情况下，准确 地识别员工的面部信息，避免了手工打卡时出现的误差和作弊行为。

2.安全性强：人脸识别技术通过人脸特征识别，确保只有正式员工才能进行考勤，防止了非法人员的进入和作弊行为。

3. 便捷性高：人脸识别打卡无需员工携带打卡卡片或密码，只需要站在识别设备前进行识别即可，方便快捷。

APP 智能推送

智能推送是一种机器学习方法，可以识别和预测各种用户的兴趣或偏 好，从而有针对性地、及时地向用户主动推送所需信息，以满足不同用户的个性化需求。

人工智能旨在利用计算机能够模拟和执行各领域的智能任务

人工智能（ArtificialIntelligence，简称AI）是一门研究如何使计算机能够模拟和执行人类智能任务的科学和技术领域。

通俗来说就是，先让计算机进行学习，然后让计算机预测未知。

人工智能涵盖四大主要的功能维度

人工智能的功能维度从“计算→感知→认知→创造”层层递进计算智能指对数据的基础逻辑计算和统计分析。

感知智能指基于视觉、听觉的信号，对目标进行模式识别与分类。

认知智能指实现对信息的认知、理解、推理和决策，并实现人、物、企业等智慧实体的认知与协同。

智能创造指利用人工智能技术进行文学、艺术等方面的创造性创作以及工业领域的智能制造。它的出现不仅改变了传统的创作方式、思维方式和工业模式，也为拓宽人类的能力边界增添了新的可能性。

计算智能是人工智能的基础性功能，赋能产业领域较广

人工智能在计算智能领域的实际应用能带来巨大产业价值

计算智能，通常指基于清晰规则的数值运算，比如数值加减、微积分、矩阵分解等。

计算智能得益于计算机存储与硬件的快速发展，已给互联网、金融和工业等多个领域带来产业价值。

计算智能也面临显著困境。以金融场景为例，计算智能受限于指定的数据逻辑规则，虽计算智能可以高性能地计算股票的统计特征，但无法运用专家知识，也难以进行深度、 动态和启发式的推理，对投资、博弈等业务贡献的价值有限。计算智能所需的高性能硬件和网络支持等，也给企业带来了巨大的成本压力。

感知智能开始让Al具备了模拟人类的感知能力

人工智能在感知智能领域的实际应用开始涉及到与人类的交互感知智能，其核心在于模拟人的视觉、听觉和触觉等感知能力。

感知智能目前用于完成人可以简单完成的重复度较高的工作，比如人脸识别、语音识别等。

感知智能的核心业务目标是提高效率且降低成本。

认知智能在前两者基础上，提升了对各类信息的处理能力

人工智能在认知智能领域的实际应用进一步拓宽

认知智能需要具有对采集的信息进行处理、存储和转化的能力，在这一阶段需要运用计算智能、感知智能的数据清洗、图像识别能力。

认知智能需要拥有对业务需求的理解及对分散数据、知识的治理能力。

认知智能需要能够针对业务场景进行策略构建和决策，提升人与机器、人与人、人与业务的协同、共享和博弈等能力。

智能创造开始让Al具备了自主“生成式” (AIGC) 的能力

人工智能的智能创造本质上是一种“生成式”能力

人工智能创造是指利用计算机程序和算法等技术，让计算机自动地生成具有一定艺术性、创造性的作品，包括音乐、诗歌、绘画、小说等。

AI创作的基础是数据分析和模型训练。 首先需要收集和整理有关主题、情感、语言等信息的数据，通过机器学习、深度学习等算法进行训练，使得机器能够自动完成创作任务。

这种方式不仅提高了创作效率，而且还能够创造出更加精准、深刻、个性化的作品。

人工智能可以模仿人类的创作过程，产生类似于人类创作的作品。 这在文学、音乐、电影等领域都有广泛的应用。

AIGC取长补短，有望成为主流内容生产模式

AIGC所属内容生产生态的发展经历了专家生产内容(PGC) 、用户生成内容(UGC)、AI辅助生产内容、AI生产内容(AIGC)四个阶段，目前处于一 、二阶段为主，第三阶段为辅的境况。

AIGC克服PGC与UGC存在的质量、产量无法兼具的缺点，其有望成为未来主流的内容生产模式。

AIGC兴起背后是大模型的重大进步，大模型是深度学习的重要成果

大模型本质上也是一种深度学习领域的算法，基于一个庞大复杂的神经网络，需要通过存储更多的参数来增加模型的深度和宽度，从而提高模型的表现能力，参数从百亿起步，对大量数据进行训练并产生高质量的预测结果。

实现AI大模型能力的基础是Al “三要素”:算力、算法、数据

人工智能三要素—算法，算力，数据

算法

算法(Algorithms)：是指人工智能的实现方式  包括机器学习、深度学习、自然语言处理等。

算法是人工智能的灵魂，能够决定Al能力的 效率和准确性。

算力

算力(Hardware)：指的是计算机硬件资源，包 括处理器、内存、存储等。 算力是人工智能  的基础设施，能够支持算法的运行和处理数据。

数据

数据(Data)是指训练算法和实现算法所需的信息。数据可以是事实、图像、声音、文本等能够支持算法的训练和优化。 数据是人工智能的发展前提，是推动人工智能发展的“原料”。

算法是人工智能的灵魂所在

人工智能算法本质上是帮助人类解决相应问题的方式方法，它可以体现为数学方程、程序、工程架构等等。

众所周知，计算机最擅长处理的是数字，所以我们可以将现实问题抽象为数学问题，再让计算机帮我们解决。 那么，其中的关键就是找到能够准确翻译该问题的数据公式， 一般是某个函数关系f(x)。这个函数就叫做“算法/模型”，既然我们知道算法本质就是函数，那么影响算法准确程度的因素是什么？答案就是函数的参数。而机器学习的本质就是它是一种可以通过反复带入数据从而自主调整参数的人工智能算法之一。

机器学习不是某种具体的算法，而是很多算法的统称。机器学习下的算法纷繁复杂，从学习方法上来分，机器学习又可以分为传统机器学习（监督学习、无监督学习、半监督学习）、深度学习和强化学习等等。

强化学习和深度学习渐成主流

强化学习和深度学习都是目前机器学习算法的主流分支，而深度强化学习则是博采众长的融合产物。

算力是人工智能的基础设施

算力在人工智能领域扮演着至关重要的角色。

算力在人工智能领域的作用是提供强大的计算资源，支持人工智能算法的训练、推理和预测，处理大规模的数据集，优化和调参模型，从而推动人工智能技术的发展和应用。

数据是人工智能发展的土壤

数据是指训练算法和实现算法所需的信息，它是训练模型推动Al算法的土壤。

数据是人工智能成长的能源。人工智能的自我调整与学习的过程，本质上是对大量数据进行分析并找出规律，如无人车需要大量的试车数据不断地测试算法，并在业务场景上形成自我改进的反馈系统。可见如果没有数据的场景不可能实现人工智能，数据就是人工智能的引爆点。

数据是人工智能结果准确的可靠性保证。 对于人工智能结果的可靠性，数据要素的丰富性和准确性是关键，只有数据要素充分、准确，才能提高人工智能结果的准确性。

数据是人工智能应用的创新基础。在数据要素基础上，人工智能应用可以进行跨学科的整合，辅助解决大量的实际问题，如金融预测、物流运输、医疗诊断等，从而推动了各个领域的创新发展。

随着各类算法的演绎和迭代，人工智能的子领域明朗化

NLP、CV等是A技术的重要子领域。这些细分领域的技术专长，又会进一步赋能产业应用。

Al子领域——计算机视觉

计算机视觉( Computer vision,  缩写作CV) 是人工智能(AI) 的一个重要应用领域，是指让计算机和系统能够从图像、 视频和其他视觉输入中获取有意义的信息，并根据该信息采取行动或提供建议。目前主要有以下几大基础任务：

Al子领域——自然语言处理

自然语言处理（英语：Natural Language Processing,缩写作NLP）是人工智能和语言学领域的分支学科，是指让计算机和系统能够从文本和语音信号输入中获取有意义的信息，理解人类语言，并作出决策。目前主要有以下几大基础任务：

人工智能发展史：人工智能发展已经历经三次浪潮

“Al生成内容”(AIGC)是AI 发展到一定阶段的必然产物

从人工智能关键历史事件可以看出，以大模型为基础支撑的“Al生成内容”(AIGC)功能是AI相关理论和技术发展到一定阶段的必然产物。

AIGC是从早期的“决策型”Al发展演化而来

AIGC（生成式AI）起源于“决策型”AI，决策型AI发展过程中的技术积累为生成式AI的产生奠定基础。

决策型AI其学习的知识局限于数据本身；生成式AI在总结归纳数据知识的基础上可生成数据中不存在的样本。

最新生成式Al技术如GAN , Diffusion等催生多款AIGC 产品如：OpenAI 系列、 DALL-E2(Diffusion),Starry AI（基于GAN） 等。

OpenAl的ChatGPT也是”Al生成内容”(AIGC)浪潮的一部分

以ChatGPT为例，其也是基于NLP模型逐步进化而来

GPT模型是一种自然语言处理(NLP)模型，使用多层变换器(Transformer)来预测下一个单词的概率分布，通过训练在大型文本语料库上学习到的语言模式来生成自然语言文本。

从GPT-1到GPT-3智能化程度不断提升，ChatGPT的到来也是GPT-4正式推出之前的序章。

总结来看，人工智能的历史沿革本质上是技术的进化演绎

近期兴起的以ChatGPT为代表的大模型，是来自于机器学习、神经网络以及Transformer模型的多种技术的积累。