XiaoMi-AI文件搜索系统
World File Search System透明性
高能粒子雷达回波的观测...
简介：超高能（UHE；≳ 10 16 eV）天体物理中微子具有巨大的发现潜力。它们将探测超高能宇宙射线的加速器，超高能宇宙射线的探测能量最高可达 ∼ 10 20 eV。与在宇宙微波背景上向下散射并在磁场中偏转的宇宙射线不同，探测到的中微子将指向其来源。超高能中微子-核子相互作用探测对撞机能量尺度以上的质心能量，从而可以进行灵敏的新物理测试。为了充分利用超高能中微子的科学潜力，我们最终需要一个具有足够曝光度的天文台，即使在悲观的通量情景下也能收集高统计数据。当超高能中微子在物质中相互作用时，它们会产生相对论性粒子级联，以及由于相对论性粒子能量损失而产生的非相对论性电子和原子核尾迹。冰中的时间积分级联轮廓是一个长度约 10 米、半径约 0.1 米的椭圆体。几乎所有的主要相互作用能量都用于介质的电离。来自单个级联电子和正电子的非相干光学切伦科夫辐射可以在 TeV–PeV 探测器（如 IceCube [1]）和类似实验 [2–4] 中探测到。然而，由于中微子谱急剧下降，拟议的后继者 IceCube-Gen2 [5] 的光学探测率太小，不足以成为合适的超高能天文台。已经提出并实施了几种更有效的技术来探测来自超高能中微子的级联。首先，级联中净电荷不对称产生的相干射频辐射（阿斯卡里安效应 [6]）已在实验室中观测到 [7]，并且是过去 [8]、现在 [9–11] 和拟议 [12, 13] 实验的焦点。由于冰中无线电的透明性 [16–20]，无线电方法（详见参考文献 [14, 15]）可以比光学探测器更稀疏地测量大体积 [16–20]，从而使得大型探测器的建造更具成本效益。其次，τ 中微子与地球相互作用，可以产生 τ 轻子（携带大部分原始 ν τ 能量），该轻子离开地球并在空气中衰变，产生 cas-
Polydiketoenamines（PDK）：可持续塑料创新的有前途的新手
塑料几乎在现代社会的每个方面都变得普遍，使其成为最广泛使用的合成材料（Sánchez等，2011； Worm等，2017）。其固有的特性，例如耐用性，可塑性，透明性和惰性，在环境中的持续性有助于其持续性，从而导致了塑料积累的紧迫问题。实际上，塑料占土地填充物数量总数的20％，这使垃圾填埋场成为不可持续的选择，这是由于塑料的延长降解时间（Sánchez等，2011）。有效的塑料废物回收已被确定为塑料回收领域的下一个主要挑战，需要开发新过程（Hopewell等，2009）。当前的回收实践使用机械研磨，熔体过滤，挤出和颗粒化来生产用于二级制造的树脂。但是，这些过程通过链分裂降低了聚合物的性能，从而导致分子量降低，从而影响聚合物熔体的粘弹性特性。没有办法升级再生材料以使其更有价值（例如，通过溶剂辅助过程，通过删除添加剂，杂质和低聚物来生产食品级树脂），目前的再循环效果的经济可行性可能不足以鼓励大规模的循环效果。化学回收塑料废物到可重复使用的单体被认为是解锁圆形性的关键，只要该过程可以在闭环中有效地进行。尽管在当前实践中很难实现，但是有一种新发现的称为Polydiketoenamine（PDK）的材料，可以作为新塑料经济的圆形聚合物（Helms，2022）。PDK树脂是由可商购的胺单体和新型Triketones产生的，这些单体是从1,3-二酮和二羧酸合成的（Demarteau等，2022）。pdk树脂由于动态键合的动态粘合而表现出热塑性和热固性的特征，该粘结具有良好的文献记载且独有的动态共价聚合物网络（Scheutz等，2019; Jin等，2019; Yue等，2020）。PDK树脂可以以相对较高的产率（90-99％，取决于公式）以相对较高的产量（90-99％）恢复原始质量单体（Demarteau等，2022）。可以生产，使用，回收和重新使用的PDK树脂的性质而不会丢失价值，这表明可以产生具有最小环境影响的可持续聚合物的可能性（Christensen等，2019）。
请求提案
1。背景保护国际（CI）已有30多年的历史来保护自然。通过科学，政策，现场工作和金融，我们聚焦并确保了气候，生物多样性和人民自然界中最重要的地方。在30个国家 /地区拥有100多个国家 /地区的项目，国际保护区与政府，公司，民间社会，土著人民和当地社区有帮助，以帮助人们和自然共同繁荣发展。CI在利比里亚活跃了20年，与社区，私营部门，政府和民间社会领导人密切合作，以支持保护和可持续发展。为此，CI利比里亚与环境保护署（EPA）合作，正在实施五年的全球环境设施（GEF）资助的粮食系统，土地使用和恢复（FOLUR）项目（“减少棕榈油和可可价值链中的森林砍伐”的项目，为此，CI Liberia寻求对咨询策略进行咨询策略的服务。在过去的二十年中，CI利比里亚一直在各个层面的利益相关者，从地方政府到各个部门和社区的公司。ci利比里亚的目的是证明利比里亚可以通过综合景观方法来实现可持续发展，该方法试图平衡自然保护，生产和经济发展。它已支持利比里亚政府建立保护区，例如萨波国家公园，东尼姆巴自然保护区（ENNR），以及在这些地区围绕这些地区的支持性社区活动的发展。ci利比里亚的重点是基于与当地社区的自下而上的参与，通过参与式参与的最佳实践以及与政府和私营部门的国家级政策合作。为此，CI利比里亚还领导了保护区网络战略的制定，并支持了许多关键的国家政策程序，例如转型议程，低碳发展战略议程，对可持续油棕榈的圆桌会议，利比里亚的2021 - 2025年2021 - 2025年国家油棕榈战略和行动计划的解释。In addition, CI supported the Government of Liberia to increase the quality and ambition of its updated NDC, fast-track the National Determined Contribution (NDC) implementation, ensure the NDC revision was a whole-of-government and whole-of-society effort, and supported the Economic Advisory initiative to develop recommendations for Liberia's Pro-Poor Agenda for Development to better align with a climate and biodiversity-friendly development vision for the国家也是CI利比里亚建立和加强了利比里亚实施巴黎气候协议透明性要素的国家能力，包括开发温室气库（GHGI）以及监测，报告和验证（MRV）系统。凭借大量自然资源，利比里亚处于发展历史上的重要时刻，并有机会鼓励投资者并促进发展计划，这些计划既支持经济增长和发展，又可以维持利比里亚为子孙后代的重要自然资源。CI利比里亚试图通过促进利比里亚对利比里亚人民的未来福祉至关重要的利比里亚资源的适当管理来成为这一发展轨迹的一部分。
教育扫描隧道显微镜
弗罗茨瓦夫科技大学，纳米计量学系 (1) ORCID: 1. 0000-0003-1565-7278; 2. 0000-0001-6649-1963； 3. 0000-0001-6218-0658； 4.0000-0001-9197-1862； 5. 0000-0002-5146-2868； 6. 0000-0003-1300-6420； 7.0000-0001-8482-301X； 8. 0000-0002-3187-1488； 9. 0000-0003-4182-9192 doi:10.15199/48.2024.06.41 教育扫描隧道显微镜——用于纳米技术教学和纳米计量研究的开放式架构平台摘要。在本文中，我们提出了一个教育性扫描隧道显微镜平台，可以研究纳米级的表面。该设计结构的主要优点是其开放式架构，可以进行各种实验，包括教学实验和高度专业化的科学工作。该系统是弗罗茨瓦夫科技大学电子、光子学和微系统学院纳米计量学系文凭和博士论文的一部分。 （教育扫描隧道显微镜——用于教育和纳米计量研究的开放式架构平台）摘要。在本文中，我们介绍了内部硬件和软件平台，可以演示扫描隧道显微镜 (STM) 的设计和操作以及衍生的诊断技术，从而能够确定纳米级表面的特性。所述设置的主要优点是开放式架构，这对于全面了解构造的某些方面以及执行测量的方式至关重要。由于平台采用模块化设计，学生可以通过基础培训课程和文凭课程等各种形式的学习活动来提高自己的能力。所描述的解决方案是一种独特的设置，它是利用弗罗茨瓦夫科技大学纳米计量学系研究人员的经验开发的。关键词：扫描探针显微镜、扫描隧道显微镜、纳米计量学、控制和信号电子学。简介扫描隧道显微镜 (STM) 自 1982 年开发以来 [1,2]，已发展成为一种先进的诊断技术，它与其他样品制备技术和分析工具相结合，能够以原子分辨率洞察材料的结构 [3–6]。尽管扫描隧道显微镜的概念看似简单，但实际设置在实施特定测量模式以及仪器方面却很复杂。然而，STM 背后的理念仍然足够简单，本土建筑商可以开发自己的测量系统——有很多自己动手 (DIY) 的项目可以找到 [7]。此外，控制和测量分析软件领域也正在快速发展[8,9]。与市售机器相比，开发的显微镜并不复杂，也不是开放式装置。在未来纳米技术专家的教育过程中，获得 STM 设计和操作的透明度是一个重要问题。培训旨在提供必要的知识和经验，教他们如何准备和使用 STM，以获得样品表面的原子分辨率成像。特别是，处理样品、准备扫描尖端、配置系统的特定部分、优化测量参数以及数据处理和分析等问题是培训的重要组成部分。很少有实验室会自下而上地开设扫描探针显微镜 (SPM) 课程 [10]。在这种情况下，需要为学生提供纳米技术工具 [11]。为了提供实现上述培训条件的环境，纳米计量学系开发了一种特定的硬件软件设置。与商用 STM 系统不同，它在信号处理和采集方面提供了完全透明性，包括隧道电流、PID 信号（特别是 Z 和误差信号）、扫描控制（X、Y）信号和输出数据。系统由专门的
美国白宫科技政策办公室首席技术官迈克尔·克拉特西奥斯在商务委员会面前，
人工智能在过去的几十年里，人工智能取得了巨大的进步，如今它有望带来更好、更准确的医疗保健，增强国家安全，改善交通运输和更有效的教育，这些只是其中的几个好处。为确保美国在人工智能领域继续保持全球领导地位，近一年前，白宫公布了美国人工智能计划，即我们国家的人工智能战略，该计划在过去一年中取得了重大进展。首先，该计划优先投资人工智能研发，正如总统的 2020 财年预算请求所示，其中包括近 10 亿美元的非国防人工智能研发。总统 2020 财年预算的网络和信息技术研究与发展计划 (NITRD) 补充文件中对这些人工智能投资进行了详细的逐机构细分，这是首次对非国防人工智能研发投资进行此类报告。这一报告流程为跟踪美国未来人工智能研发支出提供了重要的机制和基准。 《2016-2019 年人工智能研发进展报告》显示了联邦政府在人工智能领域的投资广度和深度，这些投资正在改变该领域的现状。这些投资集中在政府 2019 年 6 月发布的《国家人工智能研发战略计划》中概述的关键战略重点领域。有影响力的研发投资包括国防高级研究计划局 (DARPA) 的 20 亿美元 AI Next 运动（2018 年 9 月）；美国国家科学基金会与国土安全部、交通部、退伍军人事务部和美国农业部 (USDA) 合作启动国家人工智能研究机构计划（2019 年 10 月）；美国国家海洋和大气管理局发布的人工智能战略（2019 年 11 月）；美国国立卫生研究院的数据科学战略计划（2018 年 6 月）；以及国防部 (DOD) 联合人工智能中心的建立（2018 年 6 月）。为了确保联邦在人工智能研发方面的活动得到强有力的协调，白宫特许成立了人工智能特别委员会（2018 年 5 月），该委员会定期开会监督和确定联邦在人工智能方面的研发活动的优先顺序。其次，人工智能计划正在释放联邦资源用于人工智能研发，包括改善公众获取高质量联邦数据的渠道，从而推动更多的人工智能研究和测试。为了收集公众对这一过程的意见，白宫发布了关于联邦人工智能研发和测试数据和模型的信息请求（2019 年 7 月）。这些反馈现在被用于寻求增加联邦数据和模型的访问和使用机会，同时保护安全、保密和机密性。第三，该计划正在消除人工智能创新的障碍。2020 年 1 月 13 日，白宫就向联邦机构提出的关于管理私营部门人工智能开发和使用的监管和非监管政策的拟议指导意见征询公众意见。最终确定后，该指导意见将确保各机构在监管由人工智能赋能或推动的技术和工业部门之前，考虑减少人工智能开发和采用障碍的方法。白宫的指导意见草案还为支持美国创新的人工智能应用管理制定了政策原则，同时适当保护隐私、公民自由和美国价值观，并允许采取针对特定行业和应用的方法。这些原则促进了可信赖的人工智能的发展，并要求监管机构在考虑与人工智能相关的任何行动时考虑公平性、透明性和安全性。
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。