人工智能 (AI) 与机器学习 (ML)

人工智能是一个广义的领域，是指利用技术构建出能够模仿与人类智慧相关的认知功能的机器和计算机，例如能够看到、理解并响应口语或书面语言、分析数据、提出建议等等。

从功能角度来看，AI 大致分为三种类型：

• 弱人工智能 (ANI)，即当今常见的专业 AI（如图像识别）
• 通用人工智能 (AGI)，即达到人类水平、能够执行任何智能任务的 AI
• 超人工智能 (ASI)，这是一种理论上的人工智能，已经超越了人类智力。虽然 ANI 已经普及，但对 ASI 的探索与追求，才是当今研究的核心焦点。

尽管人工智能本身通常被认为是一个系统，但实际上它是在系统中实现的一组技术，为的是使系统能够推理、学习和采取行动来解决复杂的问题。

机器学习是人工智能的一个子集，可让机器或系统自动从经验中学习和改进。机器学习使用算法而不是显式编程来分析大量数据、从数据洞见中学习，然后做出明智的决策。 

机器学习算法会随着训练的进行（接触越来越多的数据）不断提升自身的表现。机器学习模型是输出结果，即程序通过对训练数据运行算法而学到的成果。使用的数据越多，获得的模型就越好。 

虽然 AI 与机器学习并不完全相同，但它们密切相关。对于 AI 与机器学习之间的关系，最简单的理解方式就是：

• AI 是一个更宽泛的概念，可让机器或系统像人类一样感知、推理、行动或调整 
• 机器学习是 AI 的一种应用领域，可让机器从数据中提取知识并自主学习

要记住机器学习与人工智能之间的区别，一种有用的方法就是把它们想象成伞及伞下的类别。人工智能是一个总体术语，涵盖各种具体的方法和算法。机器学习属于这一范畴（在这把伞下），当然还有一些其他的主要细分领域也属于这一范畴，例如深度学习、机器人、专家系统和自然语言处理。

人工智能涵盖了可以模仿人类智慧的机器这一概念，而机器学习则不涵盖。机器学习旨在教会机器如何通过发现规律来执行特定的任务并提供准确的结果。

想象这样一个场景，您问 Google Nest 设备“我今天通勤的时间有多长？”。在这种情况下，您向机器提出了问题，然后得到一个关于您开车到办公室估计需要多长时间的答案。在此应用场景中，总体目标是让设备成功执行一项任务，一项在现实环境中通常必须由您自己完成的任务（例如研究您的通勤时间）。 

在本示例中，在整个系统中使用机器学习的目标不是使其能够执行某项任务。例如，您可以训练算法来分析实时交通和路况数据，以预测交通流量和密度。但是，其范围却只局限于识别规律、评估预测结果的准确性，以及从数据中学习以最大限度提升在该特定任务上的表现。

• AI 可让机器模拟人类智慧来解决问题
• 目标是开发可执行复杂任务的智能系统
• 我们构建可以像人类一样解决复杂任务的系统
• AI 的应用非常广泛
• AI 可在系统中使用技术来模拟人类的决策过程
• AI 可处理所有类型的数据：结构化、半结构化和非结构化数据
• AI 系统使用逻辑和决策树来学习、推理和自我更正

• 机器学习技术让机器可以根据过往数据自主学习
• 目标是构建可以从数据中学习的机器，以提高输出的准确性
• 我们使用数据训练机器，以执行特定的任务并提供准确的结果
• 机器学习的应用范围有限
• 机器学习使用自学算法来生成预测模型
• 机器学习只能使用结构化数据和半结构化数据
• 机器学习系统依靠统计模型进行学习，并且在获得新数据时可以自我更正

人工智能和机器学习很少单独发挥作用。机器学习是驱动整个 AI 系统的引擎，让 AI 系统能够随着时间的推移不断学习、适应，从而持续提升自身表现。

集成机器学习的 AI 系统的当前功能由以下几个关键领域定义：

多模态 AI：这项功能可整合各种各样的数据源，包括文本、图片、视频、代码和音频，以及传统文本。机器学习模型基于这些多样化的数据进行训练，使 AI 应用能够提供高度复杂且个性化的客户体验，例如搭配使用文本和语音指令来搜索信息。

增强推理和智能体 AI：现代 AI 模型正逐步掌握高级推理能力，这使它们超越了基本的模式识别，能够执行复杂的决策并制定分步计划来实现目标。智能体 AI 使用经过机器学习训练的模型，能够代表个人或企业自主执行和编排包含多个步骤的工作流。

超个性化和实时优化：在电子商务和零售领域，机器学习算法会分析海量客户数据，从中识别模式并预测需求；而整个 AI 系统则会根据这些预测结果来进行个性化的商品推荐，并实时优化供应链流程。

诊断增强：在医疗保健领域，机器学习模型基于数百万张医学影像和患者记录进行训练，可准确识别癌症或心血管疾病等病症。然后，AI 系统会根据这些由机器学习带来的数据洞见协助诊断，为临床医生提供实时的患者监测数据。

各行各业的公司都在以各种方式使用 AI 和机器学习来转变其工作和业务模式。通过将 AI 和机器学习功能整合到策略和系统中，组织可重新思考如何使用数据和可用资源、提高生产力和效率、通过预测分析增强数据驱动型决策，并改善客户和员工体验。

以下是 AI 和机器学习最常见的一些应用场景：

患者健康记录分析和数据洞见、结果预测和建模、药物研发加速、增强诊断、患者监测以及临床记录信息提取。

生产机器监控、预测性维护、物联网分析和运营效率提升。

库存和供应链优化、需求预测、视觉搜索、个性化优惠和体验以及商品推荐引擎。

风险评估和分析、欺诈检测、自动化交易和服务处理优化。

智能网络和网络优化、预测性维护、业务流程自动化、升级规划和容量预测。