本文文字由 4.0生成，生成本文是提示过程，给出指令，角色提示，多角色提示和组合提示，自动生成改写新闻。以及 Bot生成配图。
这是你需要知道的
1955 年 13 月，一群学者提交了500美元的资金申请，以便在新罕布什尔州达特茅斯学院举办夏季研讨会。他们提议探索的领域是人工智能（AI）。尽管资金要求不高，但研究人员的假设并非如此：“原则上，学习的每个方面或智能的任何其他特征都可以如此精确地描述，以至于可以建造一台机器来模仿它。”
图片由 Bot生成配图
由于这些不起眼的开端，电影和媒体已经将 AI 浪漫化或将其描绘成恶棍。然而，对于大多数人来说，人工智能仍然只是一个争论的问题，而不是有意识的生活体验的一部分。
并非所有我们称为 AI 的东西实际上都是人工智能
人工智能以 已经突破科幻小说的猜测和研究实验室，进入普通大众的台式机和手机。这就是所谓的“生成式 AI”——意想不到的智能措辞提示可以写一篇文章或制作食谱和购物清单，或创作一首猫王风格的诗。
虽然是生成人工智能成功的一年中最令人印象深刻的参赛者，像这样的系统已经显示出创造新内容的更大潜力，文本到图像的提示被用来创造甚至赢得艺术比赛的生动图像。AI 可能还没有活生生的意识或科幻电影和小说中流行的心智理论，但它正在接近至少颠覆我们认为人工智能系统可以做的事情。
与这些系统密切合作的研究人员对智能的前景感到震惊，例如谷歌的 LaMDA 大型语言模型 (LLM)。LLM 是一种经过训练可以处理和生成自然语言的模型。
图片由 Bot生成配图
生成式 AI 还引发了对剽窃、利用原始内容构建模型、信息操纵和滥用信任的道德规范，甚至是“编程终结”的担忧。
人工智能究竟意味着什么？
所有这一切的核心是一个自达特茅斯夏季研讨会以来其相关性一直在增长的问题：AI 与人类智能不同吗？为了被视为人工智能，系统必须展示一定程度的学习和适应能力。因此，决策、自动化和统计系统都不是人工智能。从广义上讲，人工智能分为两大类：狭义人工智能（AI）和通用人工智能（AI）。目前，SHI 不存在。构建通用 AI 的一个关键挑战是以一致且有用的方式利用整个知识体系对世界进行充分建模。委婉地说，这是一项大规模的任务。
图片由 Bot生成配图
我们今天所知道的大多数人工智能都具有狭义智能——特定系统解决特定问题。与人类智能不同，这种狭义的 AI 智能仅在其接受过训练的领域有效：例如欺诈检测、面部识别或社交推荐。人工智能将以与人相同的方式运作。目前，尝试实现这一目标的最突出例子是使用神经网络和对大量数据进行训练的深度学习。
并非所有我们称为 AI 的东西实际上都是人工智能
神经网络的灵感来自于人脑的工作方式。与大多数对训练数据执行计算的机器学习模型不同，神经网络的工作方式是通过互连网络依次馈送每个数据点，每次调整参数。随着越来越多的数据通过网络输入，参数稳定下来，形成一个“训练有素”的神经网络，然后可以在新数据上产生所需的输出——例如，识别图像中是否包含猫或狗。
当今人工智能发展的重大飞跃是由于学习大型神经网络方法的技术改进，由于大型云计算基础设施的能力，允许在每次运行期间调整大量参数。例如，GPT-3（为 提供动力的人工智能系统）是一个拥有 175 亿个参数的大型神经网络。
图片由 Bot生成配图
人工智能工作需要什么？
人工智能需要三样东西才能成功工作。首先，他需要高质量、客观的数据，而且是大量的数据。构建神经网络的研究人员使用由于社会数字化而出现的大量数据。
作为人类程序员的补充，Co-Pilot从托管在上的数十亿行代码中提取数据。 和其他大型语言模型使用互联网上存储的数十亿个网站和文本文档。
文本到图像转换工具，例如 稳定扩散, FROM-2 和 ，使用来自 LAION-5B 等数据集的图像-文本对。随着我们将更多的生活数字化并为它们提供替代数据源，例如模拟数据或来自 等游戏设置的数据，人工智能模型将继续发展。
并非所有我们称为 AI 的东西实际上都是人工智能
人工智能还需要计算基础设施来进行有效训练。随着计算机变得越来越强大，现在需要大量工作和大规模计算的模型在不久的将来可能会在本地处理。例如， 模型已经可以在本地计算机上运行，而不是在云环境中运行。人工智能的第三个需求是改进模型和算法。数据驱动系统在曾经被认为是人类认知领域的领域继续取得快速进步。
图片由 Bot生成配图
然而，由于我们周围的世界在不断变化，人工智能系统需要不断地使用新数据进行再训练。如果没有这一重要步骤，人工智能系统将给出事实上不正确的答案，或者不考虑自训练以来出现的新信息。
神经网络并不是人工智能的唯一方法。人工智能研究中另一个值得注意的阵营是符号人工智能——它不是消化大量数据，而是依赖于类似于人类形成某些现象的内部符号表示的过程的规则和知识。
但在过去十年中，力量平衡严重倾向于数据驱动方法，现代深度学习的“创始人”最近获得了图灵奖，相当于计算机科学领域的诺贝尔奖。
并非所有我们称为 AI 的东西实际上都是人工智能
数据、计算和算法构成了未来人工智能的基础。所有指标都表明在可预见的未来所有三个类别都将取得快速进展。
对于每个企业来说，这都是一个非常有趣的教训，因为一方面，我们正在谈论的技术非常令人难以置信。然而，另一方面，人工智能似乎很快就成为一个营销术语，意思是“计算机做计算机的事情”。
营销术语很好，但人工智能基本上相当于“有机”的技术。公司竞相将其洒在每一种产品上，因为这是当前的趋势，没有人想被排除在外。
顺便说一句，当我称其为趋势时，我并不是认为人工智能作为一项技术正在消失。我只是不认为它还在这里。
例如，——可以说是最受欢迎的“人工智能”产品——并不是人工智能，尽管它是由一家名为的公司制造的。是的，这很酷，但它不是一台能够自我思考的计算机。它只是一个模型，可以解析您的提示，然后根据人类用来训练它的大量数据来决定最可能的单词组合。这并不是说它不令人印象深刻。这不是人工智能。
这是另一种看待它的方式。如果你有一堆照片，你要求一个软件根据拍摄的日期和时间来组织它们，那会怎么样——这就是人工智能吗？不，它只是一台执行计算机操作的计算机。它只是查看元数据并根据人类编程的内容对其进行组织。
曾经有一段时间，它是令人印象深刻的尖端技术。如今，这已变得司空见惯，我们只希望无论我们是否要求，照片软件都能做到这一点。
现在，如果该软件能够根据照片中的人物来组织照片，那是人工智能吗？不，它仍然只是一台执行计算机操作的计算机。这非常酷，查看图像中的像素以将它们与其他像素的计算机化地图进行匹配肯定比查看日期更复杂，但它仍然只是根据人类编程的内容来组织文件。
如果该软件可以从其中一张照片的背景中删除分散注意力的元素怎么办？人们可以使用或 Pro等软件来做到这一点。您可以使用各种画笔和工具手动绘制新像素，这些新像素看起来就像您不想要在图片中的旧像素上的背景。
有些软件可以自动完成。该公司表示，谷歌照片已经能够通过使用人工智能的所谓“Magic ”来自行做到这一点。现在，该公司表示它甚至可以编辑你的照片，包括重新调整你的主题并在缺少的内容上进行绘画。
但你的计算机不知道什么是好照片。它只知道人们告诉它什么是可取的，并且它只是省去了在界面上拖动鼠标的中间步骤，以便比您自己做的更好更快地为您提供您想要的东西。顺便说一句，这一直是使用计算机的目的。您不再需要学习 。只需使用谷歌照片即可。这只是计算机做计算机的事情。
当然，该公司在大量数据上训练了算法，让你的 Apple Watch 识别你何时从梯子上摔下来，但机器学习 (ML) 与人们所说的人工智能并不相同
在 I/O大会上，该公司硬件部门负责人Rick 在介绍新款 Pixel 7a 时表示，Pixel 一直是“基于 AI 的智能手机”，真的吗？那有什么意思？
我认为这只是意味着 的员工已经在Pixel中内置了各种有用的东西。它可以检测垃圾电话和短信、编辑您的照片，甚至可以代表您拨打电话并等待。
所有这一切之所以重要，是因为言语很重要。你所说的东西很重要。看起来可能并非如此，因为大多数人不了解计算机和软件是如何工作的。你可以把很酷的功能称为人工智能，因为我们从未见过能够自我思考的计算机。相反，我们只会满足于能够进行对话和编造事情的计算机。
我相信人工智能一定会成为现实的一天。我们只是还没有做到这一点，仅仅因为每个人都在谈论人工智能，就将其称为人工智能，这对用户和技术都是有害的。现在，让我们只关注实际情况：计算机做计算机的事情。
人工智能（AI）作为一个科学和技术领域，一直以来都备受瞩目。然而，对于普通大众而言，AI究竟是什么，它在我们生活中的地位如何，仍然是一个争论的问题。本文将探讨AI的定义、现状和未来发展，以及人们对于AI的期望与现实之间的差距。
生成式AI的崛起
近年来，生成式AI的兴起标志着AI技术进入了普通大众的生活。以为代表的生成式AI系统，通过自然语言生成文章、食谱等，引起了人们的广泛关注。这种技术的发展，尤其是文本到图像的生成，展示了AI在创造性领域的潜力。然而，这也带来了一系列伦理和道德问题，如剽窃、信息操纵等。
AI与人工智能的界限
然而，我们应该明确，虽然我们口中称之为AI，但并非所有被称为AI的技术都真正具备人工智能。最近月底等生成式AI系统的问世，引起了广泛关注，但这并不代表它们拥有自我思考和意识。它们只是通过大量数据训练的模型，能够根据提示生成文本。因此，我们需要澄清人工智能和其他自动化系统的区别，以免过度夸大其智能水平。
AI的发展需求
人工智能的成功离不开三个要素：高质量数据、计算基础设施和先进算法。这三者共同构成了AI的基石。神经网络的引入以及对大量数据进行训练的深度学习技术的改进，推动了AI领域的巨大飞跃。然而，AI系统仍然需要不断的数据输入和算法改进，以适应不断变化的世界。
AI的未来前景
尽管当前我们所知道的AI主要是狭义人工智能，即解决特定领域问题的系统，但通用人工智能的构建仍然是一个具有挑战性的目标。构建通用AI需要对整个知识体系进行一致且有用的建模，这是一项庞大而复杂的任务。未来，我们有望看到AI在数据、计算和算法方面取得更快的进展，进而更好地服务人类。
AI在生活中的应用
最近，各大科技公司纷纷将AI技术融入产品中，如谷歌的语言模型LaMDA和苹果的人工智能应用在Apple Watch上。这些应用在识别垃圾电话、短信，编辑照片等方面展现了AI的实用性。然而，我们需要注意的是，这些并非真正意义上的人工智能，而是基于机器学习的应用。
AI的言语误用
最后，我们需要注意言语对于AI的误导。将一些功能称为AI可能会导致对于AI能力的过度期望。等生成式AI系统的出现，虽然引人注目，但它们并不是真正具备思考和理解能力的人工智能。因此，在讨论和宣传中，我们应该使用准确的术语，以避免误导用户和消费者。
图片由 Bot生成配图
结论
虽然我们常称一些技术为人工智能（AI），但并不是所有被冠以这个名号的技术都真的有自我思考和意识。就拿最近引起轰动的等生成式AI系统来说，虽然能够根据提示生成文本，但并不意味着它们具备真正的自我认知。它们只是通过大量数据的训练，学会了模仿和生成文本而已。这时候我们需要弄清楚人工智能和其他自动化系统的区别，以免把它们的智能水平夸大了。
举个例子，可以把人工智能比作一台聪明的机器，而其他自动化系统则像是一台按照固定规则执行任务的机器。就像是一部“文本生成机器”，它能够根据输入的提示产生看似合理的文章，但并不真的理解文章的含义，只是通过模仿大量的文字学会了一些“技能”。
为了更清晰地展示区别，我们可以通过以下表格来对比：
维度专家问答机智能音箱电话机器人扫地机器人生成式人工智能
技术
使用自然语言处理（NLP）技术，检索和提供特定领域的问题和答案。
通过语音识别和自然语言理解（NLU）技术，响应用户语音指令并提供信息。
利用自然语言处理和语音识别技术，处理电话通话中的交互与信息获取。
采用传感器、定位、路径规划等技术，实现室内自动清扫功能。
使用神经网络和深度学习技术，从数据中生成新的内容，如文本、图像等。
设计原理
专门设计用于回答特定领域的问题，例如医学、法律或工程等。
设计为智能助理，能够执行各种任务，如播放音乐、查询天气、控制智能家居等。
旨在为电话用户提供自助服务，从预设的选项中选择或提供相关信息。
旨在检测、清理和维护家庭或商业环境中的地面表面。
通过学习大量的数据生成新的内容，具有创造性和独创性。
应用场景
医疗领域的诊断辅助、法律咨询、技术支持等领域。
家庭、办公室或公共场所，用于语音助手、智能家居控制等。
客服热线、电话银行、预约服务等电话服务场景。
家庭、办公室、商店等室内环境的地面清洁和维护。
创作文学作品、绘画、音乐等艺术创意作品，自动生成新颖内容。
差别
提供特定领域的专业知识，但功能相对较窄，仅限于问题和答案。
具有更广泛的功能，可以执行各种任务，并且更加多功能化。
以电话通话为交互媒介，更侧重于服务场景和电话交互设计。
专注于室内环境的地面清洁，具有相对较强的物理操作能力。
通过学习和理解大量的数据，生成创造性和独特的内容。
通过这个简单的比较，我们可以更好地理解生成式人工智能和已经被称为AI的产品的本质区别。
特征语音控制设备生成式人工智能（如）
设备类型
音箱、语音控制面板
软件模型、聊天机器人
技术基础
语音识别技术，基于指令的自动化
深度学习、自然语言处理技术
应用范围
控制家居设备、提供信息查询
自然语言对话、文本生成
感知能力
识别特定语音指令，执行相应任务
理解和生成自然语言文本
说明：
设备类型： 语音控制设备主要是硬件设备，如音箱和语音控制面板。生成式人工智能是基于软件模型的，通常以聊天机器人或文本生成的形式存在。
技术基础： 语音控制设备使用语音识别技术，主要通过匹配指定语音指令来执行任务。生成式人工智能基于深度学习和自然语言处理技术，能够理解和生成自然语言文本。
应用范围： 语音控制设备主要用于家居自动化和信息查询等特定任务。生成式人工智能可以进行自然语言对话，生成文本，适用于更广泛的应用场景。
感知能力： 语音控制设备感知用户的语音指令，但并不真正理解语音背后的语义。生成式人工智能更具有语言理解和生成的能力，能够处理更复杂的自然语言交流。
特征音响操控电视智能家居设备（如控制灯光、窗帘）营销电话机器人生成式人工智能（如）数字虚拟人语音克隆
感受区别
通过语音指令控制电视
控制家居环境，如灯光和窗帘
提供商品或服务信息
能进行自然语言对话，生成文本
模拟人类外观和行为
复制特定人物的语音
技术区别
语音识别和简单指令执行
语音识别和执行智能家居设备控制
预定义脚本和语音识别
深度学习、自然语言处理
人工建模和动画技术
语音模仿技术
是否评估为人工智能
有限，主要基于特定命令
有限，执行特定家居任务
有限，预定义脚本限制功能
较高，具备自然语言理解
一定程度，模拟人类外观和行为
一定程度，模仿特定人物的语音
接近人工智能度
较低，局限于特定任务
较低，受限于家居控制
较低，缺乏深层语义理解
较高，能处理复杂对话
中等，外观和行为模拟
中等，模仿特定语音
说明：
1、感受区别： 各设备的主要任务和交互方式不同，从简单的电视控制到智能家居设备的多功能控制，再到提供商品或服务信息的电话机器人，以及生成式人工智能的自然语言对话。数字虚拟人和语音克隆更注重外观和行为的模拟。
2、技术区别： 技术上的区别主要体现在使用的算法和技术，例如音响使用简单的语音识别和指令执行，而生成式人工智能采用深度学习和自然语言处理。
3、是否评估为人工智能： 评估是否为人工智能取决于设备的功能和智能程度。生成式人工智能在自然语言处理方面的能力较高，因此被更广泛地视为人工智能。
4、接近人工智能度： 生成式人工智能相对较接近人工智能，能够进行复杂的自然语言对话。数字虚拟人和语音克隆在模拟外观和语音方面也有一定程度的接近。
人工智能作为一门前沿技术，正在深刻地影响着我们的生活。然而，在我们追逐AI的过程中，我们需要理性看待它的现状和未来发展。并非所有被称为AI的技术都是真正的人工智能，我们应该对其进行明智的使用和宣传。通过明确人工智能的定义，我们可以更好地了解其在科技发展中的地位，以实现更加明智和可持续的应用。
请记住：并非所有我们称为 AI 的东西实际上都是人工智能
