什么是 AI（人工智能）？
AI 的历史是什么？
1950 年，艾伦·图灵（没错，就是那位著名的二战密码破译专家）发表了《计算机器与智能》（ “Computing Machinery and Intelligence”），提出了机器智能的概念。1随后，1956年，约翰·麦卡锡创立了达特茅斯夏季人工智能研究项目，提出了“人工智能”这一术语，并确立了 AI 作为一门独立学科的地位。2
ELIZA 是第一个聊天机器人，由约瑟夫·维森鲍姆于 1966 年创建。3 ELIZA 使用自然语言处理 (NLP) 来模仿人类交互并欺骗用户相信它是心理治疗师。
随后是 80 年代，这十年以“AI热潮”而闻名。4这个时代专注于专家系统——模仿决策的基于规则的程序——这激发了人们对机器智能潜力的兴趣，尽管深度学习和大型语言模型 (LLM) 仍需数十年才能实现。
由于期望过高、计算能力有限以及结果令人失望，80 年代末经历了一段停滞期，热情和资金逐渐枯竭。这一时期被称为“AI 寒冬”，一直持续到 20 世纪 90 年代末和 21 世纪初，人们对人工智能的兴趣重新燃起，引入了人工智能代理并增强了自动化能力。从 2002 年的第一台 Roomba 和 2004 年美国宇航局的精神号和机遇号火星探测器登陆火星，到社交媒体平台和 Netflix 基于机器学习 (ML) 的推荐引擎，AI 无处不在。2011 年出现了两项重大的 AI 成就：IBM 的 Watson 和苹果的 Siri。就这样，AI 成为了日常生活的一部分——但它仍然主要由工程师和企业掌控。
快进到 2022 年：OpenAI 启动的 ChatGPT 使生成式 AI 变得简单易用，向公众开放。虽然 Google 的 BERT5 于 2018 年推出，但 ChatGPT 却改变了全球游戏规则，开启了新的创新时代。有些人可能会称之为新的 AI 热潮，标志着 AI 采用的一个重要里程碑。
为什么 AI 很重要？
AI 很重要，因为它是现代技术创新的重要基础。虽然并非所有新技术都使用 AI，但 AI 通常在幕后发挥作用。随着数据的产生和消费量不断增长，数字生态系统日益复杂，组织可能难以清晰地洞察其运营。
如果使用得当，AI 可以成为帮助组织大规模执行复杂数据相关任务的宝贵工具。复杂的 AI 技术可以提高推动业务决策的数据相关操作的速度和准确性。例如，在需求预测中，AI 可以分析历史销售数据来预测需要订购多少库存。最妙的是，AI 可以通过改变我们的工作和生活方式来推动创新。
随着 AI 的持续普及，它有望逐步取代重复性强、枯燥乏味的任务，从而释放人类的潜力，让人类能够专注于需要创造性和批判性思维并且更具价值的任务。然而，AI 的优劣取决于其训练数据的质量以及技术的复杂程度。
AI 的运作方式
AI 通过运用机器学习、深度学习、自然语言处理和神经网络来分析数据、识别模式，并模拟人类认知的各个方面。
机器学习
机器学习使用算法通过识别数据点之间的模式和关系来从数据中学习，并使用它们来提高任务的长期性能。这一基本原理使计算机能够在新的情境中进行预测。AI 能够识别和响应情感以及适应新数据或变化的环境得益于背后的机器学习。它负责情感分析、异常检测、图像识别和预测分析等 AI 功能。
组织可以使用预训练的机器学习模型处理新数据，或从头开始训练自己的模型。
自然语言处理
自然语言处理 (NLP) 是一种 AI 形式，它依靠机器学习算法、深度学习和计算语言学来教计算机人类（或自然）语言。自然语言处理 (NLP) 是支撑语音识别、语义搜索、聊天机器人等语言相关应用的基础技术层。
得益于自然语言处理（NLP），计算机能够识别、处理、理解和生成人类语言。
神经网络
神经网络 是一种支持深度学习的机器学习算法。这些算法以人脑结构为模型（因此称为“神经”），并具有先进的模式识别技术。节点层分析复杂和庞大的数据集。
深度神经网络的输入和输出层之间的多层结构使深度学习成为可能。这反过来允许自动提取数据功能。虽然不是大脑的精确复制品，但神经网络是受其结构和功能启发的简化计算模型，能够实现强大的模式识别。
深度学习
深度学习是机器学习的一个分支，它利用多层神经网络从大量数据中自动学习和提取特征。这些模型受人类大脑结构的启发，在识别复杂模式方面表现出色。
AI 训练与微调
AI 训练是指训练机器学习算法，以便从数据中学习统计模式的过程。微调使模型能够执行特定任务。
首先是 AI 训练，其中算法被输入数据集，然后通过以下几种训练技术之一学习进行预测：
- 监督式学习是一种模式识别过程。标记数据被输入到一个机器学习算法中，该算法能够识别数据点与其标签之间的关系。通过学习这些关系之间的统计关联，它能够预测相似数据点的正确标签。
- 非监督式学习是指在未标记的数据上训练算法，以发现隐藏的模式或结构。任务包括集群（如将相似项分组）和降维（如在保留特定功能的同时简化数据）。
- 半监督式学习是监督式学习与非监督式学习的混合体，其中模型同时使用标记数据和未标记数据进行训练。其目标是提升模型在分类或回归等任务中的性能。
模型经过训练后，团队可以开始对其进行微调。异常检测或情感分析等任务通常通过微调现有的预训练模型来解决。这样速度更快、资源消耗更少、成本更低。
虽然 AI 依赖于其训练和微调来提供准确、相关的结果，但它最重要的是依赖于其训练数据的质量。这就是为什么训练和微调的过程从数据收集和预处理开始。这个过程越彻底，AI 的结果就越好。
AI 类型
虽然 AI 包含多种技术，但也有多种类型的 AI。
狭义 AI
狭义 AI 被训练来执行非常具体的任务。它是当今使用最广泛的 AI 类型。比如语音和语音识别系统、基础聊天机器人（通常基于规则或检索，与生成式模型不同，后者能够创建原创内容）和推荐系统（如流媒体服务中使用的推荐系统）。
通用 AI
通用 AI 是一种理论类型的 AI，它可以学习、理解和适应在广泛或一般的用例中执行不同的任务。
我们可以通过将通用 AI 的概念与机器人技术进行比较来更好地说明通用 AI 的概念，其中大多数系统仍然局限于狭窄和预定义的功能。能够根据环境调整其行为的机器人依靠计算机视觉和一些预训练来了解周围环境，但它们仅限于熟悉的情况、设置和参数。
例如，一个被编程为将一罐汽水倒入杯中的机器人手臂，只能在固定参数下完成此操作（即使用相同类型的汽水罐、在同一房间内且液体体积一致）。如果给它一个玻璃瓶，放在另一个房间里，桌子更高，或者给它一个香槟杯而不是一个杯子，它就会失败。通用AI可以让机械臂从概念上理解倒饮料的任务，并使其行为适应新的容器、环境和限制条件。
生成式 AI
生成式 AI 因其能够生成或创建新的原创文本、代码、软件、图像和视频而与众不同。生成式 AI 依赖于机器学习，通过与用户的互动来适应和学习。它还使用 LLM、NLP、神经网络、向量数据库和几种类型的算法来分析提示并生成响应。
生成式 AI 模型在大型数据集上进行训练，以了解各种数据点之间的关系。这种模式识别能力正是使生成式 AI 模型能够在收到提示或查询时进行预测的关键。因此，当生成式 AI 以新内容的形式生成响应时，这种响应是非常复杂的预测的产物。
AI 的优势
如果训练得当，AI可以为各行各业的企业和个人带来显著的好处。其强大的自动化能力在各种应用中提升效率和准确性，通过个性化增强客户体验，并通过优化运营帮助组织降低成本。
- 提升效率：AI 驱动的自动化对于致力于提高效率的组织来说是一个突破。无论是由网站可靠性工程师 (SREs) 用于帮助监测和优化性能，还是由客户服务代表用于处理查询，以便员工可以专注于高优先级案例，AI 大规模处理海量数据的能力是提高效率的关键。
- 更优的业务决策：如果使用经过深度训练的先进模型，AI 的大规模数据分析能力可以极大地支持人类的能力。在根本原因分析或风险管理的用例中，AI 可以提供更准确的见解，最大限度地减少人为错误。这可以得出由数据驱动的更优业务决策。
- 提升客户体验：AI 驱动的搜索可以为客户提供复杂的、对话式的搜索体验，并提供相关结果。从全天候在线的聊天机器人到 AI 驱动的个性化能力，客户可以享受更快速的服务、量身定制的体验和更高效的问题解决，从而提高他们的整体满意度和对品牌的参与度。了解如何构建由 AI 驱动的数字客户体验策略。
- 节约成本：通过提高效率和准确性、优化运营，并通过改善客户体验来增强品牌忠诚度，AI 最终会对企业的盈利能力产生积极影响。事实上，82% 的 IT 领导者认为，通过实时获取数据、使用数据分析工具进行业务决策，以及使用 AI 获取数据驱动的见解，他们可以增加收入。
AI 的挑战和局限性
尽管 AI 对组织和用户具有众多优势，并且近年来发展和采用速度很快，但它仍然存在局限性并带来值得讨论的挑战。
- 偏见：AI 的好坏取决于其训练数据。而且在有偏见的数据上训练 AI 存在固有的危险，尤其是人们没有识别出偏见的数据。这可能会强化无意识的偏见，并在应用中产生毁灭性的后果。比如依赖 AI 处理索赔的医疗保健组织或在刑事调查中使用 AI 的执法组织。一些用于简历筛选的 AI 系统 已表现出偏见，对包含与女性相关术语的简历进行惩罚，并降低来自女子学院的候选人的评分。
- 道德问题：AI 引发了许多道德问题。AI 是否使用了私人数据或未经个人明确同意的个人知识产权数据进行训练？这是一个在未经人们知情的情况下，使用街头监控摄像头录像训练的面部识别模型吗？尤其是生成性人工智能，它引发了许多与侵犯版权和盗用肖像有关的问题。以负责任且合乎道德的方式使用 AI 是监管机构和组织持续关注的问题。
- 工作岗位流失：虽然 AI 旨在作为增加人类技能的工具，但其自动化能力已经导致从娱乐业到制造业等许多行业的工作岗位流失。
- 可解释性：深度学习模型是极其复杂的算法。它们的功能类似于黑盒子。这使得我们很难理解它们的决策过程，因此也很难检查它们的回答的有效性或准确性。
这些挑战需要个人用户、组织和政府的仔细考虑。AI 有潜力推动巨大的民主化和包容性。为了充分利用这些好处，决策者必须促进和执行负责任和合乎道德的 AI 使用。
AI 应用和用例
各组织已将 AI 应用于广泛的行业和用例。
企业 AI 应用程序
对于组织而言，AI 正在革新运营、网络安全和决策制定。
- 数据分析：AI 驱动的数据分析是可观测性和网络安全的命脉。AI 分析大量多样化数据集的能力使组织能够关联不同领域的信息，从而获得更好的业务见解，并改进异常检测和根本原因分析。
- 客户服务：聊天机器人和虚拟助手可以帮助客户服务代表分类处理工单，并提供全天候个性化服务。AI 可用于推荐引擎或对话式搜索功能，以提高客户参与度和整体结果的相关性。
特定行业的 AI 用例
一些行业已经使用 AI 数十年，而其他行业，如制造业和医疗保健（尤其是面向患者的医疗保健），现在才开始实施 AI 以应对其独特的挑战。
- 医疗保健：AI 用于诊断、个性化治疗规划和加速药物发现过程。
- 金融：AI 处理和分析复杂金融数据的能力增强了欺诈检测系统、算法交易和信用风险评估。
- 制造业：AI 使机器人能够接管危险和重复性任务，并实现预测性维护、质量控制和供应链优化。
- 零售业：AI 提供个性化的产品推荐和需求预测，提升客户体验并简化运营。
消费者 AI 应用
从“嘿，Siri！”到“Alexa，播放……”，AI 已成为人们日常生活中不可或缺的一部分。而这一切的背后是 AI。
- 智能家居设备：从浏览互联网到开关灯，AI 驱动的智能家居设备如 Google Home 和 Amazon Echo 将自动化直接引入消费者生活。
- 个性化流媒体：Netflix 和 Spotify 等平台使用 AI 推荐算法根据个人喜好定制内容。
- 健身与健康应用程序：AI 驱动的工具提供教练指导、活动追踪和个性化健身计划，帮助用户实现健康目标。
AI 的未来是什么？
随着组织不断整合传统 AI 并采用生成式 AI，未来充满了无限可能：新的能力、新的产品，以及新的变革性技术进步。未来也呼吁对 AI 进行负责任的开发，确保在 AI 全球普及加速的过程中，其应用符合道德、公平和透明的原则。
尤其是生成式 AI 将重新定义内容创作、产品设计和问题解决。与此同时，通用 AI 仍然是一个遥远的目标，也是科学家和创新者的终极愿望，他们设想的是一个能够执行不同任务和控制多台机器的统一人工智能“头脑”。
搜索 AI 是搜索技术与 AI 的融合，它有望提高知识共享和运营效率，并简化内部流程和客户体验。虽然搜索能够从海量数据集中即时返回相关结果，从而彻底改变信息检索，但它仍然难以完全理解背景并产生更深入的见解。虽然 AI 擅长分析复杂模式和生成见解，但在大量数据存储中查找和访问特定信息时它可能缺乏精确性。当您将 AI 与搜索技术相结合时，您可以充分利用两者的优势，创造出将未充分利用的非结构化数据转换为所需答案的独特能力。
Elastic 的 AI 解决方案
Elastic 的 Search AI Platform 是一种端到端解决方案，它能够将未充分利用的非结构化数据的指数级增长转化为正确的答案、有影响力的行动和有意义的结果，从而帮助组织做出更好的决策、最大限度地提高效率、推动创新、提升客户体验、提高运营弹性并降低安全风险。
Search AI Platform 是 Elastic 两个开箱即用解决方案的基础——Elastic Observability 和 Elastic Security。对于致力于构建下一代生成式 AI 应用程序和服务的开发人员来说，它是首选平台。这个平台设计开放，性能卓越，并致力于创新。
其他 AI 常见问题解答
AI 如何应用于搜索和发现？
现代搜索系统使用 AI 来超越关键字匹配，分析语义、上下文和用户行为。AI 模型优先考虑相关结果，并揭示可能被忽视的见解，这对于消费者应用和企业环境都至关重要。
此外，AI 通过更精确地解释语言，考虑上下文、措辞和用户行为来改进搜索。借助 AI，系统可以在查询不完整或含糊不清时显示相关信息。这在大型或复杂的数据集中特别有用。
AI 和机器学习 (ML) 有什么区别？
虽然 AI 涵盖了从基于规则的系统到机器人的一系列技术，但机器学习具体使用统计方法从数据中学习。AI 是一个更广泛的领域，涵盖了任何模拟人类智能的机器方法。ML 是 AI 中的一种数据驱动方法，其中算法从经验中学习，而不是依赖于硬编码规则。
什么是生成式 AI？它与传统 AI 有何不同？
脚注
1. A. M. Turing，“计算机器与智能”，Mind 49：433–460，1950年。
2. 达特茅斯，“人工智能在达特茅斯首次提出”，1956年。
3. 约瑟夫·维森鲍姆，《Communications of the ACM》，“ELIZA——一个用于研究人机自然语言交流的计算机程序”，1966 年。
4. 托马斯·黑格，“历史反思：AI 热潮如何破灭”，2024 年。
5. 雅各布·德夫林，“BERT：用于语言理解的深度双向转换器的预训练”，2019 年。