科普篇 ｜AI, AI 如何工作, 以及 AI 可能会带来的风险（一）

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 Alan Turing 是率先描述人工智能机器如何运转的人之一。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、速度和存储容量都已经迅速扩展。如今的“AI”一词是指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。

什么是通用人工智能 (AGI)？

通用人工智能 (AGI) 一词是指计算机能够思考原创的想法、推理、计划和以其他方式复制人类认知。简而言之，AGI 程序的智能本质上像“人类”一样，或者具有“意识”。

一个 AGI 实体已经超越了统计计算的范畴。它能够自主思考并做出决定，以及根据比目前训练 AI 程序所需的小得多的样本进行归纳概括。后者的一个示例是，人类儿童可能只需要看到几十个停车标志的例子，就能够识别各种情况下的停车标志，而目前的 AI 程序需要看到成千上万或数百万张停车标志的图像，才能始终如一地做到这一点。不过，AGI 的学习速度与人类一样快，甚至更快。

在某种程度上，判断是否已经实现 AGI 是一个哲学问题，而不是一个技术问题。但无论 AGI 的定义是什么，大多数研究人员和专家都一致认为，AGI 实用化至少还需要数年时间。

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。特别是大型语言模型 (LLM) ChatGPT 以及图像生成器 DALL-E 与 Midjourney 吸引了全球公众的想象和业界的关注。其他热门的生成式 AI 工具包括 Bard、Bing Chat 和 Llama。

什么是预测式 AI？

预测式 AI 是计算机程序利用统计分析来识别模式、预测行为和预测未来事件的能力。长期以来，统计领域一直被用于预测未来；通过机器学习和访问海量数据，预测式 AI 能使统计分析更快、（理论上）更准确。虽然预测式 AI 并不能保证其预测的正确性，但它可以帮助企业为未来做好准备，以及为客户提供个性化体验。

想象一下，乔伊是一位渔夫，他在出海前需要知道天气情况。在过去的几个月里，每当乔伊在清晨看到红色的天空时，他都会遇到一场暴风雨。乔伊开始得出结论，每当他看到红色的天空时，就应该把它当作暴风雨即将来临的警告。预测式 AI 可通过分析成千上万的因素（而不仅仅是天空的颜色）和数十年的数据（而不仅仅是几个月的数据）得出类似的结论。

预测式 AI 只是 AI 提供的众多能力之一，而 AI 是指计算机模仿人类认知的一系列能力。

预测式 AI 如何工作？

“大数据”

在统计学中，数据越多，分析就越准确。例如，民意调查必须有最低数量的受访者才能被认为是可靠的，科学研究需要重复多次才能被认为具有统计意义。

同样，预测式 AI 需要访问海量数据——即通常所说的“大数据”。提供的数据越多，预测效果就越好。民意调查可能有数千名受访者。预测式 AI 模型可以考虑过去进行的数千或数百万次民意调查，从而对公众舆论或即将举行的选举做出预测。

机器学习

机器学习是 AI 的一个子集。这是一种无需人工干预即可训练计算机程序识别数据的方法。例如，如果网站上有足够多的用户行为实例，机器学习模型就能学会从网站上的人类流量中分拣出自动化的机器人流量。或者，如果有足够多的天空照片和天气信息，机器学习模型就能学会识别“红色”的天空，并将某些类型的天空与暴风雨天气联系起来。

在预测式 AI 中，机器学习应用于前文所述的海量数据集合。预测式 AI 模型可以处理庞大的数据集，而无需人工监督。

识别模式

就像渔夫乔伊识别出早晨红色天空的模式与暴风雨即将来临有关一样，预测式 AI 学会了将某些类型的数据或某些事件联系起来。预测式 AI 可以研究成千上万个因素以识别模式——表明未来可能再次发生的事件。

预测式 AI 有哪些使用案例？

预测式 AI 的应用领域非常广泛。即使预测并不总是准确的，但对未来的发展有一定的了解，对企业来说也是一个巨大的优势。一些可能的预测式 AI 使用案例包括：

库存管理：预测式 AI 可帮助识别消费者需求可能较高的时间，以及品牌或商店应储备更多商品的时间。

供应链管理：同样，预测式 AI 可帮助确定何时会出现道路拥堵，或何时需要更多卡车来满足用户的高峰需求。

个性化用户体验：预测式 AI 可根据用户过去的活动帮助预测用户行为。

医疗保健：只要有足够的数据，预测式 AI 就可以根据个人病史帮助预测未来可能出现的健康状况。（当然，健康数据受 HIPAA 等严格监管框架的制约）。

营销活动：正如预测式 AI 可以预测用户或客户的行为一样，它也可以帮助预测潜在客户可能感兴趣的内容或产品类型。

预测式 AI 与生成式 AI

预测式 AI 与生成式 AI 都使用机器学习，并结合大量数据，以产生输出结果。然而，预测式 AI 使用机器学习来推断未来。生成式 AI 使用机器学习来创建内容。预测式 AI 版的渔夫乔伊会在暴风雨即将来临时告诉他的同伴们。生成式 AI 版的乔伊可以写一本小说，小说中想象天气和捕鱼航行之间的各种互动。

从某种意义上说，生成式 AI 类似于预测式 AI，因为它使用统计分析来“预测”哪些词语和概念属于同一个概念。但是，生成式 AI 和预测式 AI 的目标不同，使用的机器学习模型不同，使用案例也不同。

预测式 AI 如何使用嵌入？

与大多数类型的 AI 一样，预测式 AI 需要快速高效地查询数据库，并找到类似数据项之间的关系。嵌入数据库使相似性查询成为可能。

嵌入是一种以能够识别相似性和关系的形式存储信息的方法。嵌入通过无监督神经网络层层创建，它将信息项转化为向量，并将其置于与数据集中其他信息项相关的数学空间中。

最终聚类在一起的嵌入可视为彼此相关，这样就能快速识别模式。如果“红色天空”、“风暴云”和“恶劣天气”在嵌入数据库中彼此相近，预测式 AI 模型就可以开始识别风暴何时来临。

阅读有关 AI 的更多信息。

Cloudflare 保护整个企业网络，帮助客户高效构建互联网规模的应用程序，加速任何网站或互联网应用程序，抵御 DDoS 攻击，防止黑客入侵，并能协助您实现 Zero Trust 的部署与实施。

从任何设备访问 1.1.1.1，使用我们的免费应用加速和保护您的互联网。

立即联系我们，获取更多相关信息http://t.cn/A6Tx4yTT

#Cloudflare##AI#