工智能时代：什么是人工智能？

深入了解问题的物理学，例如材料的原子结构，可以有效地应用概念，从而创造新的设备。为此，需要新技术，其中之一就是人工智能。

我们越来越多地听到人工智能，还有机器学习和深度学习，后者有时被不当用作前者的同义词。“人工智能”(AI)一词最早出现于 1950 年代，涉及所有能够执行与人类智能相关的任务的计算机。机器学习只是实现人工智能的一种方式。另一方面，深度学习是与机器学习相关的众多方法之一。

人工智能涉及与人类智力相关并由计算机执行的所有操作。这些包括计划、语言理解、物体和声音识别、学习和解决问题。人工智能和物联网之间的关系真的很有趣，因为它类似于大脑和人体之间的关系。通过视觉和触觉等各种感官输入，我们的身体能够识别某种情况并执行相应的动作。我们的大脑根据感觉输入做出决定，并向身体发送信号以控制其运动。物联网只不过是一组连接的传感器，借助人工智能，可以理解所有获取的数据，并通过控制系统或电路的心脏，我们的 CPU，可以做出决定并操作执行器以控制各种运动(机械臂)。机器学习本质上是实现人工智能的道路;一种人工智能子组，专注于机器接收一组数据并为自己学习的能力，当他们获得更多关于他们正在处理的信息时调整算法。很多时候，人工智能和机器学习 (ML) 这两个术语可以互换使用，尤其是在大数据领域。“机器学习”一词是在 AI 之后创建的，它描述了“机器在没有明确编程的情况下学习的能力”。因此，机器学习是一种“教育”算法的方法，以便它可以从各种环境情况中学习。教育，或者更好的是培训，

机器学习使用神经网络方法、统计模型自动构建分析模型，以查找数据中的隐藏信息。神经网络的灵感来自于由互连单元(例如神经元)形成的人脑功能，这些单元通过响应外部输入来处理信息，从而在不同单元之间传输相关信息。机器学习的一个典型例子是人工视觉系统，或计算系统识别由图像传感器以数字方式获取的对象的能力。在这些情况下使用的算法必须识别某些物体，区分动物、事物和人，同时从情境中学习，

深度学习是机器学习的一种方法，它从大脑的结构或各种神经元的相互连接中得到启发。其他方法包括归纳逻辑编程、聚类和贝叶斯网络。后者基于由一组变量及其条件依赖组成的 DAG 模型(有向无环图)。该模型可以表示疾病和症状之间的概率关系：给定症状作为输入，可以估计给定疾病的概率。

深度学习使用具有各种处理单元的巨大神经网络模型;它使用计算进步和训练技术通过大量数据来学习复杂的模型。常见应用包括成像和语音识别。由于涉及多个层次，深度学习的概念有时简称为“深度神经网络”。近年来，机器学习和深度学习都在人工智能方面取得了长足的进步。两者都需要由无数传感器收集的大量数据，这些传感器继续填充物联网生态系统，从而提高人工智能。改善物联网生态系统将指导人工智能，从而指导成功实施的方法。从工业的角度来看，人工智能可用于预测机器何时需要维护或分析生产过程以实现大幅效率提升，从而节省数百万欧元。消费者将有机会以最佳方式管理他们的时间和条件。

电子技术的进步继续推动人工智能和物联网的共生。计算机处理和数据存储的发展使得整合和分析更多数据成为可能。减少计算机芯片和改进制造技术意味着更便宜、更强大的传感器。无线连接以非常便宜的价格提供大量数据，并允许所有这些传感器将数据发送到云端。云的诞生也使得这些数据几乎可以无限存储，并具有相当大的计算处理能力。所有这些进步都使人工智能更接近于创造越来越多地进入我们日常生活的智能机器的最终目标。

为了让人工智能和机器学习不断发展，驱动算法和相关决策的数据必须是高质量的数据，才能正确解释。随着物联网设备连接到互联网和相互连接的激增，收集、存储和处理的数据量每天都在增加，从而给大数据在安全和隐私方面带来了新的挑战。黑客产生破坏性攻击的可能性与日俱增。预防这些风险需要任何组织控制数据的生产、存储和通信。黑客可能能够控制重要系统并在任何时间做他们想做的事。