什么是人工智能 (AI)?

人工智能 (AI) 是指计算机模仿或复制人类认知的能力。

学习目标

阅读本文后,您将能够:

  • 定义人工智能 (AI)
  • 区分机器学习、深度学习和生成式 AI
  • 说明 AI 的用途

相关内容


想要继续学习吗?

订阅 TheNET,这是 Cloudflare 每月对互联网上最流行见解的总结!

参阅 Cloudflare 的隐私政策,了解我们如何收集和处理您的个人数据。

复制文章链接

什么是人工智能 (AI)?

人工智能 (AI) 是指计算机等人造机器模仿或复制人类认知任务的能力。拥有 AI 的机器可以进行计算、分析数据以进行预测、识别各种标志和符号、与人类交谈,以及在没有手动输入的情况下帮助执行任务。

例如,传统汽车只对人类驾驶员的输入做出反应:当驾驶员看到红绿灯变绿并踩下油门时,汽车就会加速;当驾驶员看到停车标志并踩下刹车踏板时,汽车就会停在停车标志前。拥有 AI 的自动驾驶汽车可能可以自行识别停车标志和红绿灯,并且可以停车或加速,而无需驾驶员输入。

AI 起源于计算机诞生之初,数学家阿兰·图灵是其中一位最早描述人工智能机器如何运作的人。此后制造的所有计算机在某种程度上都具有人工智能,因为它们能够执行以前只能由人类完成的计算。然而,近几十年来,计算机的能力、速度和存储容量都在迅速提升。如今,"AI" 一词指的是计算机能够完成的更高级的认知任务。

AI 如何工作?

大多数 AI 都是建立在对大数据集的分析基础上的,这些数据集包含的信息量太大,人类无法在合理的时间内独立分析。建立 AI 模型是为了识别这些数据集中的模式,然后利用这些模式预测未来或其他模式。为此,AI 模型使用概率和统计分析。一些 AI 模型在模仿人类行为方面已经足够出色。

理论上,AI 有朝一日可能会超越这一点,能够“思考”原创性思维。在某些方面,确定何时达到这一点是一个哲学问题,而不是技术问题。

什么是机器学习?

机器学习是 AI 的一个分支,指的是向一个程序提供结构化或标签化数据,以训练该程序如何在没有人工干预的情况下识别这些数据。例如,在打开的冰箱照片中寻找番茄酱瓶的机器学习模型一开始可能无法识别任何调味品,更不用说番茄酱了。然后,它被输入数百万张不同冰箱中番茄酱瓶的图片,并被告知每张图片都代表一个番茄酱瓶。最终,它甚至能在从未见过的照片中自动识别番茄酱瓶。

机器学习依赖于称为算法的预定义过程。机器学习程序在“学习”方面略有不同,具体取决于算法的设置方式。

机器学习还依赖于对大型数据集的访问。如果机器学习程序只看到三四张番茄酱的照片,那么几乎肯定无法持续准确地识别番茄酱瓶,或者会在没有番茄酱的照片中识别出番茄酱。模型获得的数据越多,就越准确。

如今,各式各样的软件和技术解决方案都在使用机器学习。从利用机器学习来检测欺诈和识别机器人的安全解决方案,到利用机器学习推荐要关注的内容或帐户的社交媒体平台,机器学习已被证明是一种非常有用的开发工具。

什么是深度学习?

正如机器学习是 AI 的一种一样,深度学习也是机器学习的一种。深度学习模型能够利用概率分析来识别原始数据中的差异。深度学习模型有可能在没有被告知番茄酱瓶是什么的情况下,仅从打开的冰箱照片中就能学会什么是番茄酱瓶,以及如何将它与其他调味品区分开来。

与其他类型的机器学习一样,深度学习需要访问大型数据集。即使是先进的深度学习模型,也可能需要分析几百万张打开冰箱的照片才能识别番茄酱。

什么是生成式 AI?

生成式 AI 是一种可以创建文本、图像、音频和视频等内容的人工智能模型。举例来说,生成式 AI 模型可以接收一张空冰箱的照片,并根据过去展示过的照片填充可能的内容。虽然这样的模型生成的内容可能被认为是“新的”,但它是基于以前提供给模型的内容。

生成式 AI 工具越来越受欢迎。其中,大型语言模型 (LLM) ChatGPT 以及图像生成器 DALL-E 和 Midjourney 吸引了公众的想象力和商业界的注意力。其他热门的生成式 AI 工具包括 Bard、Bing Chat 和 Llama。

如何使用 AI?

AI 的应用领域仍在不断扩大。下面是目前正在探索的一些实际应用:

  • 聊天机器人基于 AI 的程序可以生成听起来像人一样的答案,而且通常可以真实地回复人类用户提供的不可预测的输入。换句话说,一些 AI 模型可以进行自然对话,从而增强聊天机器人的能力。
  • 自动驾驶汽车:AI 的预测能力使其能够应对现实世界的路况,即使它们之前从未遇到过这些路况也不例外。
  • 推荐算法:如流媒体平台和社交媒体应用程序使用的算法。
  • 医疗保健:可以使用 AI 来帮助诊断健康状况,以及处理医疗保健领域的其他重复性工作。
  • 金融:许多金融公司已经使用 AI 来尝试识别市场趋势或预测哪些股票会表现良好。
  • 编码:LLM 能够为新函数快速生成代码、创建文档以及扫描现有代码以查找漏洞。
  • 内容创作:生成式 AI 模型可以生成文本、图像、视频等。
  • Report creation: Parsing and summarizing data is a repetitive task that can often be automated using machine learning.
  • 试验性用途:AI 的更多用途仍在探索之中,随着 AI 能力的不断增强,使用案例也会不断扩大。

AI 对企业有哪些风险?

安全风险

数据泄露:AI 服务使用输入数据来进一步训练其模型;它们在设计上没有安全保险库功能。但许多人使用 LLM 的方式会增加数据暴露的风险,包括处理机密信息或封闭源代码。可能会在这些 LLM 的进一步回答中复制或模仿这些数据。

失去对数据的控制:数据一旦上传到 LLM,就不再受个人控制,用户可能无法知道会对所提供输入执行什么处理。例如,如果一位面包师把自己新研制的佛卡恰面包秘方输入 LLM,并要求 LLM 为其面包店的网站撰写一份具有吸引力的说明,他们可能会得到这样一份说明,但面包师的秘方不再是秘密,因为它可能会暴露给 LLM 的其他用户或 LLM 的运营商。

违反法规:使用外部 AI 工具通常会带来一定程度的数据风险。因此,AI 可能会使企业无法遵守 GDPR 等监管框架。

其他风险

幻觉:生成式 AI 工具可能会编造信息以生成回答——这种现象的专业术语是“幻觉”。如果企业不加批判地将这些信息纳入其内容,那么有可能会损害品牌。

过度依赖 AI 进行决策:由于 AI 模型提供的信息并不总是可靠的,在决策过程中过度使用 AI 可能会导致决策对企业产生负面影响。

AI 对消费者有哪些风险?

  • 隐私丢失和个人数据泄露:在公开提供的 LLM 中输入泄露或机密数据的人可能会发现,他们的数据会被使用相同工具的其他用户重复使用。
  • AI 应用程序中的安全漏洞:与任何应用程序一样,AI 工具也可能存在安全漏洞,导致个人数据泄露。
  • 幻觉:如上所述,生成式 AI 工具经常会编造信息,以便对用户的提示做出听起来可信的回答。这可能导致传播错误的信息。
  • 网络钓鱼或社会工程学攻击中的深度伪造:AI 工具可以模仿一个人的形象、声音或写作风格,并且达到令人信服的程度。这可用于社会工程学攻击,冒充已知个人,诱骗受害者交出钱财或数据。

Cloudflare 如何帮助降低 AI 的风险?

Cloudflare 数据丢失防护 (DLP) 可帮助组织掌握员工如何使用 AI。DLP 可以限制上传、复制和粘贴以及键盘输入,阻止机密数据离开受保护的安全环境。进一步了解 DLP 的工作原理

How does Cloudflare help developers build new AI models?

Cloudflare for AI allows developers to build and deploy new AI applications on the Cloudflare global network. Learn more about Cloudflare for AI.