XiaoMi-AI文件搜索系统
World File Search System百度
NSB-2020-5，人工智能商业化
人工智能 (AI) 的商业化正在四个不同的领域发生：互联网、商业、感知和自主 (Lee 2018)。互联网 AI 主要是使用 AI 算法作为推荐引擎——根据我们的个人偏好推荐内容的 AI 系统 (Lee 2018:107)。例如，Netflix 根据观看者的历史记录推荐电影和电视节目，Facebook 根据用户的活动（包括他们的帖子、新闻和与其他用户的互动）向用户投放广告。第二个领域，商业 AI，挖掘公司和组织的数据库，开发与人类匹敌或超越人类的算法 (Lee 2018:110-11)。例如，金融行业已经开发了根据申请人的信用记录、收入和其他特征批准抵押贷款的算法。美国的研究人员已经展示了根据图像诊断特定疾病的算法，其水平与医生相当 (Lee 2018:113)。这两个领域已经得到广泛实施，并开始产生重大的经济影响。第三个领域是感知人工智能，它通过传感器和智能设备的普及将物理环境数字化。这些设备将物理世界转化为数字数据，可以通过人工智能算法进行分析和优化。第四个领域是自主人工智能，包括自动驾驶汽车和无人机、智能机器人以及其他将取代或补充人类劳动力（如卡车司机）的设备和硬件。与其他三个领域相比，该领域的技术通常仍处于开发阶段或尚未广泛商业化（Lee 2018:106）。例如，谷歌和其他公司正在测试自动驾驶汽车，以进一步完善和开发该技术。中国和美国的人工智能技术商业化主要发生在大型高科技公司和初创公司。根据李开复（2018:83）的“人工智能时代七巨头”，总部位于美国的四家公司——Alphabet（谷歌的母公司）、Facebook、亚马逊和微软——以及中国三家公司——百度、阿里巴巴和腾讯——在人工智能研发和人才招聘方面投入了大量资金。从这七家公司的研发总额数据来看，它们在人工智能方面的研发支出一直在大幅增加。这四家美国公司的研发支出从 2012 年的 180 亿美元增长了两倍多，达到 2018 年的 590 亿美元（图 6-J）。2018 年，亚马逊和 Alphabet 分别成为全球企业研发支出排名第一和第二的公司（Jaruzelski、Chwalik 和 Goehle，2018 年）。三家中国公司的研发支出也增长迅速，从合计 10 亿美元增长了 8 倍，达到 80 亿美元。2018 年，阿里巴巴、腾讯和百度分别是中国公司研发支出的第一、第二和第四大企业。这些中美大型企业的战略大型企业一直在构建私人控制的计算网络，将人工智能技术广泛应用于整个经济，类似于公用事业公司在电网中分配能源 (Lee 2018:83)。例如，亚马逊正在销售人工智能服务，包括自然语言处理、语音合成、图像分析和视频识别，目的是为那些想要人工智能而无需前期成本的大型和小型开发商提供服务 (CB Insights 2018:27)。阿里巴巴正在与杭州市合作，利用先进的物体识别和预测交通算法优化交通流量并向紧急服务部门发出交通事故警报 (Lee 2018:94)。与大型企业的一般人工智能网格方法相比，人工智能初创公司正在构建高度具体的“电池供电”人工智能产品，这些产品是独立的应用程序。电池供电的人工智能产品用于特定任务，包括医疗诊断、抵押贷款和自主无人机 (Lee 2018:95)。
人工智能在城市规划中的前景
摘要 在过去的几十年中，城市规划考虑了各种先进的分析方法，采用程度有高有低。地理信息系统 (GIS) 可能是最引人注目的，其他系统，例如数据库管理系统 (DBMS)、决策支持系统 (DSS)、规划支持系统 (PSS) 和专家系统 (ES)，其认可度和接受度也参差不齐 (Kontokosta, CE (2021)。城市信息学在规划科学与实践中的应用。规划教育与研究杂志，41 (4)，382 – 395。doi:10.1177/0739456X18793716；Yigitcanlar, T.、Desouza, KC、Butler, L. 和 Roozkhosh, F. (2020)。人工智能 (AI) 在建设更智慧城市中的贡献和风险：从文献系统综述中获得的见解。能源，13 (6)，1473)。信息技术在城市规划领域的进步非常缓慢，最近在“智慧城市”技术方面取得了进展，同时却在消费品和服务等其他领域掀起了革命。百度、亚马逊、Net Fix、谷歌等许多公司都在利用这些技术来洞察消费者的行为和特征，并改善供应链和物流。鉴于数据可用性大幅增加、处理速度加快以及规划相关应用程序的普及和发展，现在是城市规划者考虑应用人工智能相关技术的绝佳时机。过去几年，城市规划学者对这些主题的研究有所增加，但几乎没有证据表明这些研究成果能够被专业规划人员所采用（Batty, M. (2018). 人工智能与智慧城市。环境与规划 B：城市分析与城市科学，45（1），3 – 6；Batty, M. (2021). 数字时代的规划教育。环境与规划 B：城市分析与城市科学，48（2），207 – 211）。另一些人则鼓励规划者利用数据的普遍性和计算技术的进步来增强信息资源的再分配正义和边缘化社区决策的程序正义（Boeing, G., Besbris, M., Schachter, A., & Kuk, J. (2020). 大数据时代的住房搜索：更智能的城市还是同样的旧盲点？住房政策辩论，31 (1), 112 – 126; Goodspeed, R. (2015). 智慧城市：超越城市控制论来解决棘手问题。剑桥区域、经济与社会杂志，8 (1), 79 – 92）。本文重点介绍了最近文献中的发现
2022 年获得美国专利的前 300 家组织
50 日本电报电话公司 815 89% 52 应用材料株式会社 793 5% 53 腾讯控股有限公司 789 24% 54 VMWARE, INC. 762 -18% 55 甲骨文公司 759 10% 56 霍尼韦尔国际公司 750 -20% 57 通用汽车公司 734 -3% 58 西部数据公司 733 -4% 59 CAPITAL ONE FINANCIAL 708 1% 60 诺基亚公司 694 0% 61 理光公司676 -13% 61 VERIZON COMMUNICATIONS INC. 676 -3% 63 BROTHER INDUSTRIES, LTD. 659 10% 64 英飞凌科技股份公司 657 -4% 65 SAP SE 656 4% 66 夏普株式会社 653 -24% 67 富士通有限公司 652 -18% 68 SALESFORCE.COM, INC. 634 7% 69 保时捷汽车控股 SE 633 -8% 70 联想集团有限公司 632 10% 71 铠侠控股株式会社 625 -7% 72 康普公司 624 30% 73 百度公司 618 43% 74 住友电气工业公司 611 -13% 75 美国银行公司 608 19% 76 TDK CORPORATION 594 11% 77 意法半导体 587 -4% 78 加州大学 570 -15% 79 软银集团公司 565 -3% 79 东京电子有限公司 565 21% 81 赛峰集团 560 2% 82 空中客车公司 523 12% 83 三菱重工业株式会社522 -2% 84 惠普企业 511 -4% 85 3M 公司 508 -11% 85 拜耳股份公司 508 4% 87 小米公司 503 33% 88 波士顿科学公司 494 -7% 89 康宁公司 483 13% 90 卡特彼勒公司 482 1% 91 恩智浦半导体公司 471 -2% 92 劳斯莱斯控股公司 464 -13% 93 大陆汽车集团 459 1% 94 德国电信股份公司 457 10% 94 三星电机 457 -5% 96 迪尔公司 452 4% 97 史赛克公司 444 -8% 98 先进微设备公司 438 -2% 99 斯奈普公司 437 24% 100 宝洁公司 433 -20%
2021 年获得美国专利的前 300 家组织
51 TCL集团 837 -5% 52 京瓷株式会社 831 -15% 53 富士通有限公司 795 -27% 54 步步高电子株式会社 792 40% 55 先进新技术 790 22% 56 理光株式会社774 -17% 57 西部数据公司 760 -4% 58 通用汽车公司 759 -5% 59 应用材料公司 756 2% 60 威瑞森通信公司 712 0% 61 保时捷汽车控股公司 708 8% 62 住友电气工业公司 707 -4% 63 第一资本金融公司 699 -6% 64 诺基亚公司 697 -8% 65 英飞凌技术股份公司 688 -18% 66 铠侠控股公司 672 -11% 67 加州大学 671 -2% 68腾讯控股有限公司 639 3% 69 SAP SE 633 -14% 70 甲骨文公司 617 -21% 71 意法半导体 606 -6% 72 兄弟工业株式会社 599 -16% 73 SALESFORCE.COM, INC. 594 13% 74 3M 公司 581 -13% 75 联想集团有限公司 573 -9% 76 软银集团有限公司 561 -22% 77 赛峰集团 549 -14% 78 宝洁公司 540 -16% 79 惠普企业 537 -35% 80 三菱重工业株式会社534 1% 81 TDK 株式会社 531 -8% 82 奥林巴斯株式会社 523 -19% 83 波士顿科学公司 518 -14% 84 拜耳股份公司 517 -27% 85 劳斯莱斯控股有限公司 515 -7% 86 美国银行公司 513 16% 87 ADOBE INC. 489 0% 88 巴斯夫 SE 488 -6% 89 半导体能源实验室 483 -13% 90 康普公司 482 -12% 90 恩智浦半导体公司 482 -26% 92 三星电机 481 1% 93卡特彼勒公司 479 19% 94 罗氏控股公司 476 4% 95 史赛克公司 475 20% 96 东京电子有限公司 467 -6% 97 空中客车公司 465 -17% 98 大陆集团 453 -8% 99 百度公司 443 14% 100 斯伦贝谢有限公司 435 -31%
2023 年获得美国专利的前 300 家组织
51 哈里伯顿公司 739 -24% 52 京瓷株式会社 717 -12% 53 英飞凌科技股份公司 716 7% 54 腾讯控股有限公司 702 -11% 55 惠普公司 691 -50% 56 意法半导体 689 17% 57 铠侠控股株式会社 687 10% 58 T-MOBILE / 德国电信股份公司 680 7% 59 西部数据公司 674 -8% 60 SNAP 公司 658 51% 61 诺基亚公司 651 -6% 61 荷兰皇家飞利浦公司 651 -21% 63 SALESFORCE.COM, INC. 646 1% 64 美国银行公司 644 6% 65 康普公司 638 2% 66 兄弟工业株式会社 637 -3% 67 百度公司 626 1% 68 TDK 株式会社 604 -4% 69 理光公司576 -15% 70 ADEIA INC. 554 27% 71 东京电子有限公司 551 -2% 72 美国电话电报公司 547 -35% 73 加州大学 546 -4% 74 康宁公司 544 13% 75 威瑞森通信公司 540 -2% 76 富国银行 537 32% 77 联想集团有限公司 530 -16% 78 康卡斯特公司 529 28% 79 保时捷汽车控股 SE 521 -20% 79 日本显示器公司 521 35% 79 富士通有限公司 521 -20% 82史赛克公司 520 15% 83 SAP SE 519 -21% 84 OPPO 移动通信 516 -32% 85 TCL 集团 515 -54% 86 空中客车公司 512 -3% 87 贝克顿·迪金森公司 511 22% 88 先进微设备公司 508 9% 89 惠普企业 503 -3% 90 赛峰公司 502 -10% 90 三星电机 502 10% 92 卡特彼勒公司 500 4% 93 夏普公司 498 -24% 94 迪尔公司 497 9% 95 英伟达公司 494 77% 96 波士顿科学公司 491 -1% 97 宝洁公司 489 13% 98 Adobe Inc. 481 15% 99 半导体能源实验室 475 16% 100 耐克公司 464 20%
人工是什么意思
在当今快节奏的世界中，人工智能已成为一个广泛讨论的话题，它已从科幻小说中的概念转变为影响我们日常生活的现实。人们对人工智能及其将想象力融入日常生活的能力着迷。本文旨在探讨人工智能的概念、发展历程、各种类型的人工智能、训练模型、优势以及其多样化应用的案例。人工智能是指开发能够执行需要人类智能的任务的计算机系统。它通过机器学习、自然语言处理、计算机视觉和机器人技术等技术，帮助处理大量数据、识别模式并根据收集的信息做出决策。人工智能涵盖学习、推理、感知、解决问题、数据分析和语言理解等能力。人工智能的最终目标是创造出能够模拟人类能力并以更高的效率和精度执行各种任务的机器。人工智能领域有可能彻底改变我们日常生活的各个方面，例如虚拟个人助理、自动驾驶汽车、医疗诊断和治疗、推荐系统和欺诈检测。人工智能已融入众多行业和日常生活，展现出其多样化的应用。Siri、Google Assistant 和 Amazon Alexa 等虚拟个人助理利用人工智能进行自然语言处理和机器学习，从而提供更精准的响应。自动驾驶汽车使用人工智能算法分析传感数据，并进行实时驾驶决策。医疗保健专业人员利用 IBM Watson for Health 和 Google DeepMind 等平台，将人工智能算法应用于医疗诊断和治疗。Netflix、Amazon 和 Spotify 等在线平台利用人工智能根据用户行为和偏好提供个性化推荐。金融机构利用人工智能通过分析数据的算法实时检测欺诈活动。人工智能 (AI) 是一个复杂的决策过程，在某些领域超越了人类的能力。人工智能机器的一个关键特性是重复学习，这使它们能够从现实生活中的事件中学习并与人类互动。这种学习过程被称为机器学习，是人工智能的一个子领域。由于缺乏准确性和热情，人类难以完成重复性任务。相比之下，人工智能系统在其任务中表现出卓越的准确性。人工智能在医疗保健、零售、制造和银行等各个领域都有广泛的应用。人工智能主要分为两类：弱人工智能（Narrow AI）和强人工智能（General AI）。弱人工智能是指专为特定任务或特定范围的任务而设计的人工智能系统。这些系统在其指定领域表现出色，但缺乏广泛的认知能力。其特征包括专业化能力、应用范围有限以及缺乏意识。狭义人工智能的例子包括虚拟个人助理、推荐系统、图像识别软件、聊天机器人和自动驾驶汽车。而广义人工智能则旨在全面模拟人类智能，包括推理、解决问题、学习和适应新情况的能力。广义人工智能的特征包括类似人类的认知能力、适应性以及在各种任务和领域中概括知识的能力。目前，狭义人工智能是人工智能最常用的形式，广泛应用于各行各业。狭义人工智能的例子包括Siri和Alexa等虚拟个人助理、推荐系统、图像识别软件、聊天机器人和自动驾驶汽车。随着研究人员不断突破人工智能的界限，他们提出了不同级别的人工智能能力。广义人工智能就是这样一个概念，它被认为具有自我意识、意识和主观体验。然而，达到这一水平仍然是一个理论挑战。广义人工智能的发展仍是一个持续研究的领域。另一个极端是超级人工智能，也称为人工智能超级智能 (ASI)。这种类型的人工智能几乎在各个方面都超越了人类智能，并对社会和人类的未来产生重大影响。超级人工智能的特点包括认知优势、快速学习和适应能力，这些特点可以推动各个领域的快速发展。超级人工智能的发展也引发了人们对其潜在社会影响的担忧，包括与控制相关的风险、与人类价值观的契合度以及对人类生存的威胁。尽管目前还处于理论阶段，但研究人员正在积极探索其发展带来的影响和挑战。相比之下，反应式机器是最基本的人工智能类型，纯粹是反应式的。它们不会形成记忆，也不会利用过去的经验来做出决策。例如，IBM 的“深蓝”国际象棋超级计算机在 1997 年击败了国际象棋大师加里·卡斯帕罗夫。这些机器可以感知世界并采取行动，而无需存储任何记忆。而记忆有限的机器可以回顾过去，并根据观察结果做出决策。一个常见的例子是自动驾驶汽车，它会观察其他车辆的速度和方向，并相应地进行调整。这需要在特定时间内监控车辆的驾驶情况。这些信息不会存储在机器的经验库中。基于心智理论的机器可以理解人类的信念、情绪、期望等，并做出情绪化的反应。索菲亚就是这类人工智能的典型例子，尽管该领域的研究仍在进行中。换句话说，先进的机器正在被开发，它们对世界及其实体（包括人类和动物）有着更深入的理解。这些机器将能够回答简单的“假设”问题，并具备同理心，从而更好地理解他人的观点。更重要的飞跃是创造出具有自我意识的机器，它们能够意识到自身身份并预测他人的感受。这种智能水平将代表人工智能研究的重大突破。人工智能 (AI) 的工作原理是通过算法、计算能力和来自各种来源的数据来利用海量数据。该过程包括收集相关数据，对其进行预处理以确保其清洁度和结构化，根据任务需求选择合适的算法，使用标记或未标记数据训练模型，评估其性能，并将其部署到生产环境中执行实际任务。人工智能功能广泛而多样，涵盖各种随时间推移进行调整和改进的技术。这使得模型能够通过持续学习在动态环境中保持相关性和准确性。在线学习、迁移学习和强化学习等技术有助于从经验和反馈中获取新知识。在推理过程中，经过训练的人工智能模型会运用其学习到的模式和表征，对新数据进行预测或决策。此过程包括将输入数据输入模型，并根据模型的内部工作原理获得输出预测或分类。人工智能系统依靠数据、算法和计算能力从经验中学习、做出决策并自主执行任务。人工智能系统的具体功能取决于其架构、算法以及其设计目标任务的性质。人工智能的应用领域广泛，已被广泛应用于医疗保健、金融、零售、制造、交通运输、教育、市场营销、游戏、安全和自然语言处理等各个行业。这些应用包括诊断、患者预后预测、个性化治疗方案、信用评分、欺诈检测、客户服务、需求预测、供应链优化、智能游戏角色、面部识别、入侵检测、机器翻译、情绪分析等等。人工智能的未来很可能涉及机器学习、自然语言处理和计算机视觉的进一步发展，从而为各种应用和行业带来功能日益强大、集成度更高的系统。人工智能的潜在增长领域包括医疗保健、金融、交通、客户服务、刑事司法决策、招聘、教育以及其他涉及道德考虑的敏感领域。人工智能 (AI) 是一种使计算机和机器能够模拟人类学习、解决问题和决策等能力的技术。AI 应用程序和设备可以识别物体、理解人类语言、从新信息中学习，并向用户和专家提供建议。AI 研究的最新焦点是生成式 AI，它可以创建文本、图像和视频等原创内容。生成式 AI 依赖于机器学习 (ML) 和深度学习技术。深度学习彻底改变了机器学习领域，它使算法能够在无需人工干预的情况下从大量未标记数据集中进行预测。这项技术尤其适用于自然语言处理、计算机视觉以及其他需要在海量数据中识别复杂模式和关系的任务。因此，深度学习为我们日常生活中的大多数 AI 应用提供支持。深度学习还支持多种先进技术，包括半监督学习，它结合了监督学习和非监督学习，可以在标记数据和未标记数据上训练模型。此外，自监督学习从非结构化数据中生成隐式标签，而强化学习则通过反复试验和奖励函数进行学习。迁移学习允许将从一个任务或数据集获得的知识应用于另一个相关任务或不同的数据集。生成式人工智能是指能够根据用户的提示或请求创建复杂原始内容（例如文本、图像、视频或音频）的深度学习模型。这些模型对其训练数据的简化表示进行编码，然后从该表示中提取数据以生成与原始数据相似但不完全相同的新作品。生成式人工智能的最新进展促成了复杂的深度学习模型类型的发展，包括变分自编码器 (VAE)、扩散模型和变换器。变换器是许多备受瞩目的生成式人工智能工具的核心，例如 ChatGPT 和 GPT-4、Copilot、BERT、Bard 和 Midjourney。生成式人工智能的运作分为三个阶段：训练、调整和生成。该流程始于基础模型，这是一种深度学习模型，可作为多种不同类型生成式人工智能应用的基础。基础模型可以针对特定任务进行定制，例如文本或图像生成，并且通常基于海量数据进行训练。深度学习算法处理海量非结构化数据（TB级或PB级的文本、图像或视频），并使用基础模型根据提示自主生成内容。这一训练过程计算密集、耗时且成本高昂，需要数千个GPU和数周的处理时间，总计数百万美元。像Meta的Llama-2这样的开源基础模型项目使开发人员能够绕过这一步骤及其成本。为了针对特定的内容生成任务对模型进行微调，开发者可以使用诸如标记数据微调或人工反馈强化学习 (RLHF) 等技术。这需要向模型输入特定于应用的问题或提示以及正确答案。开发者定期评估其生成式 AI 应用的输出，进一步调整模型以提高准确性或相关性。另一种方法是检索增强生成 (RAG)，它通过整合训练数据以外的相关来源来扩展基础模型，从而优化参数以提高准确性或相关性。生成式 AI 为各行各业和应用带来了诸多优势，包括重复性任务的自动化、更快地从数据中获取洞察、增强决策能力、减少人为错误、全天候可用以及降低物理风险。AI 可以自动化日常任务，使人类能够专注于创造性工作。它能够做出更快、更准确的预测和可靠的决策，使其成为决策支持或全自动决策的理想选择。AI 通过引导人们完成流程、标记潜在错误以及在无人干预的情况下自动执行任务来减少人为错误，尤其是在医疗保健等精准度至关重要的行业。随着机器学习算法接触更多数据并从经验中学习，其准确性不断提高，错误也随之减少。人工智能始终在线，全天候提供一致的结果。人工智能可以通过使用聊天机器人或虚拟助手来简化客户服务或支持的人员需求。它还可以简化生产流程，保持一致的产出水平，并自动执行那些可能危及人类工人的危险任务。例如，自动驾驶汽车可以降低乘客受伤风险。人工智能的实际应用包括通过聊天机器人改善客户服务、检测欺诈交易、个性化客户体验以及简化招聘流程。此外，人工智能代码生成工具可以加速应用程序开发，而预测性维护模型可以防止设备故障和停机。人工智能的快速应用带来了诸多好处，但也带来了挑战和风险。人工智能系统依赖的数据集可能容易受到篡改、偏见或网络攻击，从而损害其完整性和安全性。为了降低这些风险，组织必须在从开发到部署的整个人工智能生命周期中保护数据完整性。威胁行为者会针对人工智能模型进行盗窃、逆向工程或未经授权的操作，这可能会损害模型的架构、权重或参数。此外，还存在诸如模型漂移、偏差和治理结构崩溃等运营风险。如果不加以解决，这些风险可能会导致系统故障和网络安全漏洞，而威胁行为者可能会利用这些漏洞。为了优先考虑安全和道德，组织必须开发透明、可解释、公平的人工智能系统，包容、稳健、安全且可问责。人工智能伦理是一个多学科领域，旨在优化人工智能的有益影响，同时降低风险。人工智能伦理的原则包括可解释性、公平性和透明性。可解释的人工智能使人类用户能够解读算法产生的结果和输出。公平性和包容性要求在数据收集和模型设计过程中最大限度地减少算法偏差。建立多元化的团队对于创建包容性的人工智能系统至关重要。稳健的人工智能能够处理异常情况而不会造成损害，能够抵御有意和无意的干扰，并防止漏洞。问责制要求对人工智能的开发、部署和结果建立明确的责任和治理结构。与人工智能伦理相关的共同价值观包括可解释性、公平性、包容性、稳健性、安全性、问责制、透明性和责任感。用户必须了解人工智能的开发方式、功能、优势和劣势。提高透明度可以为人工智能模型和服务的创建提供宝贵的见解。确保隐私和合规性至关重要，因为像《通用数据保护条例》（GDPR）这样的监管框架要求组织保护个人信息。这包括保护可能包含敏感数据的人工智能模型，并开发能够适应不断变化的法规的适应性系统。研究人员根据人工智能的复杂程度对其进行了分类：弱人工智能（狭义人工智能）执行特定任务，而强人工智能（通用人工智能，AGI）则具有理解、学习和应用知识处理各种任务的能力，超越人类智能。具有自我意识的人工智能系统的概念仍是一个有争议的话题。人工智能发展的关键里程碑包括：- 1950 年：艾伦·图灵出版了《计算机器与智能》，提出了“机器能思考吗？”的问题，并提出了图灵测试。- 1956 年：约翰·麦卡锡在达特茅斯学院的第一次人工智能会议上提出了“人工智能”一词。- 1967 年：弗兰克·罗森布拉特制造了 Mark 1 感知器，这是一台基于通过反复试验进行学习的神经网络的计算机。- 1980 年：使用反向传播算法的神经网络在人工智能开发中得到广泛应用。 1995年，斯图尔特·罗素和彼得·诺维格出版了《人工智能：一种现代方法》，这是一本关于人工智能的权威教科书，探讨了人工智能的四个潜在目标或定义。大约在同一时期，IBM的“深蓝”国际象棋系统在一场对决中击败了世界冠军加里·卡斯帕罗夫。大数据和云计算时代到来，使企业能够管理用于训练人工智能模型的大型数据资产。21世纪初，人工智能取得了重大进展，包括约翰·麦卡锡在其2004年的论文《什么是人工智能？》中对人工智能的定义。数据科学开始成为一门热门学科，IBM Watson击败了《危险边缘！》冠军肯·詹宁斯和布拉德·鲁特。2015年，百度的 Minwa 超级计算机使用卷积神经网络识别图像的准确率高于人类。同年，在 DeepMind 的 AlphaGo 程序击败世界围棋冠军李索孛后，谷歌以 4 亿美元收购了 DeepMind。2020 年代，大型语言模型 (LLM) 兴起，例如 OpenAI 的 ChatGPT，它们显著提高了人工智能性能和推动企业价值的潜力。生成式人工智能实践使深度学习模型能够在大型数据集上进行预训练。截至 2024 年，人工智能趋势表明它将持续复兴，多模态模型通过结合计算机视觉和 NLP 功能提供更丰富的体验。IBM 强大的人工智能战略：推进值得信赖的人工智能以获得竞争优势一种利用人工智能力量的全面方法，包括创造竞争优势、在整个业务中扩展人工智能以及推进值得信赖的人工智能。