从任何角度来看，人工智能（AI）已经成为大生意。
据Gartner称，2022年，全球客户将在人工智能软件上花费625亿美元。它指出，48%的首席信息官要么已经部署了某种人工智能软件，要么计划在未来12个月内这样做。
所有这些支出都吸引了一大批专注于人工智能产品的初创企业。CB Insights报告称，仅在2022年第一季度，人工智能资金就达到151亿美元。而这是在投资者向人工智能初创企业投入171亿美元的季度之后。鉴于数据驱动人工智能，数据分析、机器学习和商业智能等相关领域都在快速增长，这并不奇怪。
但究竟什么是人工智能？为什么它已经成为技术行业中如此重要--和有利可图--的一部分？
什么是人工智能？
在某些方面，人工智能是自然智能的反面。如果说生物可以说是生来就有自然智能，那么人造的机器可以说是拥有人工智能。所以从某种角度来说，任何 "会思考的机器 "都具有人工智能。
而事实上，人工智能的早期先驱之一，约翰-麦卡锡，将人工智能定义为 "制造智能机器的科学和工程"。
然而，在实践中，计算机科学家使用人工智能一词指的是机器做人类已经达到很高层次的那种思考。
计算机非常善于进行计算--接受输入，操纵它们，并由此产生输出。但在过去，它们没有能力完成人类擅长的其他类型的工作，如理解和生成语言，通过视觉识别物体，创造艺术，或从过去的经验中学习。
但这一切都在改变。
今天，许多计算机系统有能力用普通的语言与人类交流。它们可以识别人脸和其他物体。他们使用机器学习技术，特别是深度学习，使他们能够从过去学习，并对未来进行预测。
人工智能的简短历史
许多人将人工智能的历史追溯到1950年，当时阿兰-图灵发表了《计算机械与智能》。图灵的文章开头说："我建议考虑'机器能思考吗'这个问题"。然后，它提出了一个后来被称为图灵测试的方案。图灵提出，如果一个人无法将机器与人区分开来，那么计算机就可以被认为是智能的。
1956年，约翰-麦卡锡和马文-明斯基主持了第一次人工智能会议，即达特茅斯人工智能夏季研究项目（DSRPAI）。它使计算机科学家相信人工智能是一个可实现的目标，为几十年的进一步研究奠定了基础。而早期对人工智能技术的探索开发了可以下跳棋和国际象棋的机器人。
20世纪60年代，机器人和一些解决问题的程序得到了发展。一个值得注意的亮点是ELIZA的诞生，它是一个模拟心理治疗的程序，提供了一个早期的人机交流的例子。
在20世纪70年代和80年代，人工智能的发展继续进行，但速度较慢。特别是机器人领域取得了重大进展，如可以看到和行走的机器人。而梅赛德斯-奔驰推出了第一辆（极其有限的）自动驾驶汽车。然而，政府对人工智能研究的资助急剧减少，导致了一个被称为 "人工智能冬天 "的时期。
对人工智能的兴趣在20世纪90年代再次激增。人工语言互联网计算机实体（ALICE）聊天机器人表明，自然语言处理可以导致人机交流，感觉比ELIZA所实现的要自然得多。这十年还见证了分析技术的激增，这些技术将构成后来人工智能发展的基础，以及第一个递归神经网络架构的发展。这也是IBM推出其深蓝国际象棋人工智能的十年，它是第一个赢得当前世界冠军的人。
2000年代的第一个十年见证了机器人技术的快速创新。第一批Roombas开始吸地毯，美国宇航局发射的机器人探索火星。在国内，谷歌正在研发无人驾驶汽车。
自2010年以来，人工智能技术得到了空前的发展。硬件和软件都发展到一个地步，物体识别、自然语言处理和语音助手成为可能。IBM的Watson赢得了Jeopardy。Siri、Alexa和Cortana应运而生，而聊天机器人成为现代零售业的一个固定组成部分。谷歌DeepMind的AlphaGo击败了人类围棋冠军。所有行业的企业都开始部署人工智能工具，以帮助他们分析数据并变得更加成功。
现在，人工智能真正开始发展，超越了一些狭窄和有限的类型，进入更先进的实施。
人工智能的类型
不同的计算机科学家团体提出了不同的人工智能类型的分类方法。一种流行的分类法使用了三个类别。
- 狭义的人工智能在一件事上做得非常好。苹果的Siri、IBM的Watson和谷歌的AlphaGo都是狭义AI的例子。狭义人工智能在当今世界上相当普遍。
- 通用人工智能是一种理论上的人工智能形式，其执行的大多数智力任务与人类相当。流行电影中的例子可能包括《2001：太空漫游》中的HAL或《钢铁侠》中的J.A.R.V.I.S。许多研究人员目前正在努力开发通用人工智能。
- 超级人工智能也仍然是理论上的，它的智力能力远远超过了人类。这种人工智能还没有接近成为现实。
另一种流行的分类法使用了四个不同的类别：
- 反应型机器接受一个输入并提供一个输出，但它们没有任何记忆或从过去的经验中学习。你在许多视频游戏中可以对抗的机器人就是反应型机器的好例子。
- 记忆有限的机器可以回顾一下过去。今天道路上的许多车辆都有先进的安全功能，这就属于这一类。例如，如果你的汽车在一辆车或一个人即将从你的车后通过时发出备用警告，它是在使用一组有限的历史数据来得出结论和提供输出。
- 心智理论机器意识到人类和其他实体的存在，并有自己的独立动机。大多数研究人员同意，这种人工智能还没有被开发出来，一些研究人员说，我们不应该尝试这样做。
- 自我意识的机器能够意识到自己的存在和身份。尽管少数研究人员声称今天存在自我意识的人工智能，但只有少数人赞同这种观点。开发自我意识的人工智能是非常有争议的。
虽然这些分类从理论的角度来看很有趣，但大多数组织对他们能用人工智能做什么更感兴趣。而这就把我们带到了人工智能产生大量收入的方面--人工智能的使用案例。
人工智能使用案例
人工智能的可能用例和应用是无限的。今天最常见的一些人工智能用例包括以下内容:
- 推荐引擎--无论你是在选购一件新毛衣，寻找一部电影，滚动浏览社交媒体，还是试图寻找真爱，你都有可能遇到一个基于人工智能的算法，提出建议。大多数推荐引擎使用机器学习模型，将你的特征和历史行为与你周围的人进行比较。这些模型可以很好地识别偏好，即使用户自己不知道这些偏好。
- 自然语言处理 - 自然语言处理（NLP）是人工智能的一个广泛类别，包括语音到文本、文本到语音、关键词识别、信息提取、翻译和语言生成。它允许人类和计算机通过普通人类语言（音频或打字）进行互动，而不是通过编程语言。由于许多NLP工具包含了机器学习功能，它们往往会随着时间的推移而不断改进。
- 情感分析--人工智能不仅可以理解人类语言，还可以识别支撑人类对话的情感。例如，人工智能可以分析成千上万的技术支持对话或社交媒体互动，并确定哪些客户正在经历强烈的积极或消极情绪。这种类型的分析可以让客户支持团队专注于可能有叛变风险的客户和/或极其热情的支持者，可以鼓励他们成为品牌的拥护者。
- 语音助手--我们中的许多人每天都在与Siri、Alexa、Cortana或Google互动。虽然我们经常认为这些助手是理所当然的，但它们结合了先进的AI技术，包括自然语言处理和机器学习。
- 预防欺诈 - 金融服务公司和零售商经常使用高度先进的机器学习技术来识别欺诈性交易。他们在金融数据中寻找模式，当一项交易看起来不正常或符合已知的欺诈模式时，他们会发出警报，以阻止或减轻犯罪活动。
- 图像识别--我们很多人都使用基于人工智能的面部识别来解锁我们的手机。这种人工智能还可以实现自动驾驶汽车，并允许自动处理许多与健康有关的扫描和测试。
- 预测性维护--许多行业，如制造业、石油和天然气、运输业和能源业都严重依赖机械，而当这些机械出现故障时，可能会造成极大的损失。公司现在正在使用对象识别和机器学习技术的组合，以提前识别设备可能发生故障的时间，这样他们就可以在最小化干扰的时候安排维修。
- 预测性和规范性分析--预测性算法可以分析几乎任何种类的业务数据，并将其作为预测未来可能发生的事件的基础。预测性分析仍处于起步阶段，它更进一步，不仅做出预测，而且还提供建议，说明组织应该做什么来准备未来可能发生的事件。
- 自主车辆--今天生产的大多数车辆都有一些自主功能，如停车辅助、车道居中和自适应巡航。虽然它们仍然昂贵且相对罕见，但完全自主的车辆已经上路了，而且为它们提供动力的人工智能技术每天都在变得更好、更便宜。
- 机器人--工业机器人是人工智能的最早实施者之一，而且它们仍然是人工智能市场的重要组成部分。消费者机器人，如机器人吸尘器、调酒师和割草机，正变得越来越普遍。
当然，这些只是人工智能的一些更广为人知的使用案例。这项技术正在以许多方式渗入日常生活，我们往往没有完全意识到它们。
人工智能的未来
那么，人工智能的未来在哪里？显然，它正在重塑消费者和商业市场。
驱动人工智能的技术继续以稳定的速度发展。像量子计算这样的未来进展可能最终会促成新的重大创新，但就近期而言，技术本身似乎可能会继续沿着可预测的道路不断改进。
不太清楚的是人类将如何适应人工智能。这个问题提出了在未来几十年里笼罩在人类生活中的巨大问题。
许多早期的人工智能实施都遇到了重大挑战。在某些情况下，用于训练模型的数据让偏见感染了人工智能系统，使其无法使用。
在许多其他情况下，企业在部署人工智能后没有看到他们希望的财务结果。技术可能是成熟的，但围绕它的业务流程并不成熟。
"Gartner高级研究总监Alys Woodward说："人工智能软件市场正在提速，但它的长期轨迹将取决于企业推进其人工智能成熟度。
"成功的人工智能商业成果将取决于对用例的谨慎选择，"伍德沃德补充说。"能带来重大商业价值的用例，同时又能扩大规模以降低风险，对于向商业利益相关者展示人工智能投资的影响至关重要。"
企业正在转向AIOps等方法，以帮助他们更好地管理其人工智能部署。他们正越来越多地寻找以人为本的人工智能，利用人工智能来增强而不是取代人类工作者。
在一个非常现实的意义上，人工智能的未来可能更多的是关于人而不是关于机器。
