XiaoMi-AI文件搜索系统
World File Search System加以解决
意大利未来人工智能
人工智能是信息科学技术科学界的中心研究领域；同时这也是一个能够彻底改变整个社会的挑战。国家大学间信息学联合会（CINI）已将其一个国家实验室（通常缩写为 AIIS（人工智能和智能系统））专门用于人工智能和智能系统。来自意大利所有大学和国家研究委员会的研究人员都参与了由 Rita Cucchiara 领导的 AIIS 实验室。我请他们在整个 IT 社区的帮助和支持下表达对意大利人工智能研究的全面愿景，这可以为机构环境中制定的研究战略做出贡献。为了响应这一请求，AIIS实验室组建了一个出色的编辑委员会：委员会由非常有能力的人员组成，他们来自不同背景，但都参与了全球人工智能的发展。我想在此向他们和 AIIS 实验室主任以及整个联盟的工作人员表示感谢，感谢他们的奉献和取得的优异成绩。我还要感谢部长会议主席国在该工作的规划阶段所做出的贡献。人工智能不能仅仅在国家框架内思考；除了 CINI-AIIS 编辑委员会的愿景和想法之外，该文件还立即考虑到了优秀的来源，包括近年来与意大利 IT 社区通过密切的科学合作联系最紧密的欧洲和非欧洲国家制定的人工智能战略。然而，最初的提议首先是长期激烈讨论的成果。这一步至关重要，因为我认为最好的想法总是来自于比较和分享。从文件的第一个版本开始，编辑委员会就能够通过国家研究委员会和计算机科学（GRIN）和计算机工程（GII）小组收集和总结来自整个社区的意见，这也极大地促进了思考，这要感谢主席 Paolo Atzeni（GII）和 Paolo Ciancarini（GRIN）的承诺。从所有这些比较中，人工智能的形象已显现为一个非常广泛的领域，分为许多特定的主题，但必须以系统的方式加以解决。正是通过与机构正在进行的工作的协同与合作，以及共同的信念，意大利科学界才能够成功且坚定地为这场新兴革命做出贡献。
无冰北极海军行动研讨会 - NOAA Star
行动 • 预计的无冰北极环境将对海军行动的安全性和有效性产生重大影响。这些影响将最明显地影响舰队长期执行行动的能力。虽然目前的任务范围可能会适用，但未来的系统必须适应对所需作战能力 (ROC) 和预计作战环境 (POE) 的重大修改，以进行扩展的极地作战。环境的建模和预测以及针对操作条件的平台设计修改将非常重要。• 极地 C4ISR 基础设施似乎是一个限制因素。需要专门的极地空间支持作战概念来为极地作战提供网络中心战能力。冰侦察应该是一个关键组成部分。• 扩展行动的后勤支持似乎是一个限制因素。必须增强有机航母船上交付/垂直船上交付 (COD/VOD) 能力和岸上基础设施，以保持当前的航行补给 (UNREP) 能力和所需的战斗节奏。• 需要新的传感器和武器性能能力来支持海底战争和打击战争。还需要新的传感器能力来支持利用其他战争领域的情报、监视和侦察水平。• 当前的环境测量和预测，包括北极天气和冰层预测、浅水声学性能预测和动态海洋环境变化，不足以支持北极更大规模的海军行动。需要重新关注天气和冰况的短程预报准确性。对合成孔径雷达 (SAR) 的依赖将增加，必须为其购买 (OM&N) 编制预算。• 海军目前没有在北极环境中对传统或正在开发的武器系统进行武器测试和评估。• 目前的寒冷天气/极地作战训练水平不足以进行长期作战。• 目前的图表和 GPS 支持计划不支持长期极地作战。除非解决这些不足之处，否则安全导航和精确武器投送能力都可能受到严重限制。• 目前的破冰船能力无法支持战斗群规模的部队进行长期极地作战。美国海军没有破冰能力，美国海岸警卫队只有三艘极地破冰船。破冰船应被视为扩展极地作战基础设施的重要组成部分。• 有限的机动空间和快速变化的天气条件将需要新的战术、技术和程序，这些必须在量身定制的极地训练评估中加以解决。需要经过极端天气和低能见度认证的自动导航系统。
爱丽丝泉中心区规划
背景 爱丽丝泉区域土地利用规划（2016 年）为爱丽丝泉提供了土地利用愿景。区域规划通过认可该镇独特的环境、遗产和文化，以及爱丽丝泉作为主要区域经济和行政中心的作用，确定了将爱丽丝泉认定为澳大利亚内陆首府的机会。爱丽丝泉中心将需要容纳预期人口增长的一部分，重点是建立一个可持续的、紧凑的中心，具有更高的密度和适当的向低密度过渡。商业和零售业的未来增长需要得到巩固，以保持中央商务区的经济主导地位。目的 本区域规划的目的是认识到建筑环境的变化性质，以指导爱丽丝泉中心未来的土地开发。区域规划旨在满足未来人口不断变化的需求，通过支持基础设施的有效交付和商业中心的持续生存。区域规划为商业、服务业、商业和工业、医疗和卫生服务、遗产和体育等不同行业的增长提供了重点位置，以支持发展和更广泛的爱丽丝泉地区。愿景声明 澳大利亚的“红色中心”爱丽丝泉在地理和经济上都处于一个独特的位置。中央商务区是当地居民进行商业、零售和娱乐活动的主要地点，也是澳大利亚中部地区的主要服务中心。这里是旅游热点，拥有丰富的原住民和欧洲文化遗产，与周围的自然环境有着持久的联系，为社区和社会活动提供了背景和焦点。这些因素都促成了爱丽丝泉成为澳大利亚内陆首府的地位——它是澳大利亚中部一个繁荣而充满活力的商业中心，承认其文化遗产的重要性。 规划结构 土地利用愿景确定了本区域规划适用的未来土地利用愿景。虽然它主要反映了北领地规划方案下土地的现有分区，但它确定了未来可能有不同的用途的地点。愿景声明包括为所示土地用途提供背景。土地利用愿景是一种简单的参考工具，可用于确定土地用途的变化是否与区域规划一致。规划原则为土地使用规划中确定的开发提供指导政策，并且必须作为本区域规划适用的土地未来开发的一部分加以解决。这些原则围绕以下主题构建： 混合用途和住宅 服务业、商业和工业 交通和运输 物理基础设施 社会基础设施 环境 遗产和文化
量子计算的新兴商业前景
量子计算的新兴商业前景 Evan R. MacQuarrie 1,2,3,*、Christoph Simon 4,5、Stephanie Simmons 1,2 和 Elicia Maine 3 1 加拿大西蒙弗雷泽大学物理系 2 加拿大 Photonic Inc. 3 加拿大西蒙弗雷泽大学 Beedie 商学院 4 加拿大卡尔加里大学物理与天文系 5 加拿大卡尔加里大学量子科学与技术研究所 *电子邮件：emacquar@sfu.ca 量子计算技术正在不断发展，可解决的问题种类也在不断扩大。再加上新企业和政府资助的合作伙伴关系的出现，这些趋势将有助于降低采用新技术的门槛，并在不确定的市场中提供稳定性。在此之前，量子计算为新兴市场中的不同策略提供了一个令人兴奋的试验台。尽管技术进步和投资浪潮涌现，但新兴的量子计算 (QC) 商业市场仍然面临着高度的技术和市场不确定性。这种技术不确定性中存在的机遇导致活跃的 QC 企业数量迅速增长，随着研究强度的增加以解决突出的技术挑战，各种各样的商业策略也应运而生，以应对市场不确定性。我们从主导产品设计的视角来研究 QC 市场近期的增长 [1]，并对比了开发 QC 市场的新兴策略。市场演变新市场的出现往往充满不确定性，人们已经对此类市场将如何演变的预测因素进行了大量研究。市场演变的主导设计模型认为，活跃于某个行业的企业数量可以有力地表明该市场在其生命周期中的位置 [1-3]。随着企业被技术不确定性中存在的机遇所吸引，企业数量不断增加。然而，一旦出现主导设计，企业数量就会通过整合和退出过程而减少。从该领域活跃的现有公司和私人初创公司的数量（图 1a）可以看出，在过去二十年中，现有公司一直在为量子计算的商业化奠定基础，而初创公司的数量则落后了。然而，当 D-Wave Systems 于 2011 年出售其第一台量子退火系统时，初创公司的数量开始增加。到 2015 年（IBM 发布第一台商用云量子计算机的前一年），初创公司的数量超过了该领域的现有公司数量，而且自那以后，这一数字一直在快速增长。图 1a 中的趋势表明，现有公司的丰富资源提供了额外的稳定性，以经受多年的基础研究，这些研究证明了商业量子计算是可行的。然而，一旦这一点得到证明，私人企业开始用新技术和雄心壮志涌入该行业。这有趣地证明了新企业更有可能追求高度不确定技术的商业化。根据主导的设计趋势，我们可以预计未来将出现标准实践，技术不确定性将消散，最终市场进入者将减少，企业将整合 [2,3]。然而，就目前而言，量子计算领域的机遇以及哪些设计将成为主导的不确定性继续激励着新企业进入该行业。这种趋势的一个有趣变体出现在积极参与开发我们所谓的量子计算软件（图 1b）的公司数量上，其中包括算法、应用程序、模拟器和界面。这些技术的开发所需的资金要少得多，这使得软件公司一旦商业云量子计算能够提供开发其技术的平台，就会激增。
量子引力理论探索中对奇点的四种态度
奇点在基础物理学的最佳理论中占有重要地位：量子场论（QFT）是粒子物理学标准模型的框架，描述了所有基本粒子和力，而广义相对论（GR）将引力描述为时空的曲率。这些奇点有多种类型，引发了人们对它们对这些理论的地位和未来理论发展所暗示的不同诊断。然而，至少其中一些被标准解释为促使人们寻找一种更基本的理论：量子引力（QG）。此外，这些奇点在广义相对论和量子场论中的出现通常被认为表明了量子引力的某些特征，这些特征将使非基础理论中的奇点不再成为问题；也就是说，人们期望新理论将解决或消除特定的奇点，并解释它们在当前理论中的出现。因此，奇点通常不仅被视为寻找新理论的动机，而且还为该理论的形式提供了宝贵的见解。鉴于缺乏可用于辅助其发展的经验动机、指导原则和约束，这一点对于寻找量子引力场至关重要。鉴于奇点的重要性和潜在价值，值得更彻底地研究奇点在广义相对论和量子场论中的意义，以了解它们对寻找量子引力场有何启示。特别有趣的是，对比这些理论对不同奇点的不同态度，并探究对量子引力场的推测含义是否有充分的动机。这是本文的目的。我们首先考虑广义相对论中的两种时空奇点：测地线不完备性（§2.1）和曲率奇点（§2.2）。关于广义相对论中这些奇点的意义，物理学界和哲学界的主流态度已经存在分歧。在物理学中，时空奇点通常被认为代表广义相对论的“崩溃”，因而指出需要量子广义相对论。我们在哲学中发现了相反的态度，因为一些著名文献试图明确广义相对论“崩溃”的意义，却找不到任何可以指责该理论不完备的答案。我们概述了一些论据，说明为什么每一种类型的奇点都可能被认为是有问题的，从而需要加以解决。特别是，§2.3 提出了一个论据，说明曲率奇点如何可能被认为是广义相对论“崩溃”的信号，我们认为这在哲学文献中一直被低估了。然后，我们考虑 QFT 中的两种奇点：紫外发散，通常被认为源于使用微扰理论（§3.1）；以及朗道极点，紫外发散，通常被认为不是源于使用微扰理论（§3.2）。接下来（§3.3），我们考虑在量子场论的框架下以微扰方式处理广义相对论中的发散（即与爱因斯坦-希尔伯特作用的不可重正化相关的发散），以及渐近安全场景提出的潜在解决方案。在§3.4中，我们发现了对量子场论奇点的四种可能立场。这四种立场是当前理论中对奇点的四种更一般态度的案例。在§4中，我们概述了对奇点的四种态度，这主要基于对物理学文献的调查。虽然似乎普遍一致认为至少一些奇点必须或将会被重正化，但这并不意味着我们对奇点的态度是绝对的。
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。