新聞中心
聯系我們
- 聯系地址：廣東省廣州市天河區科新路優可商務中心B棟
- 服務熱線：020-85279740
- 聯系電話：020-85279740（8線） 020-37889427
- 傳真電話：020-85279740
利達信：什么是人工智能（AI）？
發表時間：2023年11月30日瀏覽量：
利達信：什么是人工智能（AI）？
人工智能（AI）是計算機系統的理論和發展，能夠執行歷史上需要人類智能的任務，例如識別語音、做出決策和識別模式。AI是一個總稱，涵蓋了多種技術，包括機器學習、深度學習和自然語言處理（NLP）。盡管該術語通常用于描述當今使用的一系列不同技術，但許多人對這些技術是否真的構成人工智能存在分歧。相反，一些人認為，當今現實世界中使用的大部分技術實際上構成了高度先進的機器學習，這只是邁向真正人工智能或“通用人工智能”（GAI）的第一步。
然而，盡管關于“真正的”智能機器是否真的存在許多哲學分歧，但當大多數人今天使用人工智能一詞時，他們指的是一套機器學習驅動的技術，例如聊天GPT或計算機視覺，這些技術使機器能夠執行以前只有人類才能完成的任務，例如生成書面內容、駕駛汽車、或分析數據。
人工智能是如何工作的？
隨著圍繞人工智能的炒作加速，供應商一直在爭先恐后地宣傳他們的產品和服務如何使用它。通常，他們所說的人工智能只是技術的一個組成部分，例如機器學習。人工智能需要專門的硬件和軟件基礎來編寫和訓練機器學習算法。沒有一種編程語言是人工智能的代名詞，但Python，R，Java，C++和Julia具有AI開發人員流行的功能。通常，AI系統的工作方式是攝取大量標記的訓練數據，分析數據中的相關性和模式，并使用這些模式對未來狀態進行預測。通過這種方式，提供文本示例的聊天機器人可以學習與人進行逼真的交流，或者圖像識別工具可以通過查看數百萬個示例來學習識別和描述圖像中的對象。新的、快速改進的生成式人工智能技術可以創建逼真的文本、圖像、音樂和其他媒體。
AI編程側重于認知技能，包括以下內容：
- 學習。人工智能編程的這一方面側重于獲取數據并創建如何將其轉化為可操作信息的規則。這些規則稱為算法，為計算設備提供有關如何完成特定任務的分步說明。
- 推理。人工智能編程的這一方面側重于選擇正確的算法以達到預期的結果。
- 自我糾正。人工智能編程的這一方面旨在不斷微調算法，并確保它們提供最準確的結果。
- 創造力。 人工智能的這一方面使用神經網絡、基于規則的系統、統計方法和其他人工智能技術來生成新圖像、新文本、新音樂和新想法。
人工智能、機器學習和深度學習的區別
人工智能、機器學習和深度學習是企業IT中的常用術語，有時可以互換使用，尤其是公司在其營銷材料中。但也有區別。人工智能一詞創造于 1950年代，指的是機器對人類智能的模擬。隨著新技術的開發，它涵蓋了一組不斷變化的功能。人工智能旗下的技術包括機器學習和深度學習。機器學習使軟件應用程序能夠更準確地預測結果，而無需明確編程。機器學習算法使用歷史數據作為輸入來預測新的輸出值。隨著用于訓練的大型數據集的興起，這種方法變得更加有效。深度學習是機器學習的一個子集，它基于我們對大腦結構的理解。深度學習對人工神經網絡結構的使用是人工智能最新進展的基礎，包括自動駕駛汽車和ChatGPT。
為什么人工智能很重要？
人工智能因其改變我們生活、工作和娛樂方式的潛力而具有重要意義。它已被有效地用于商業自動化人類完成的任務，包括客戶服務工作、潛在客戶生成、欺詐檢測和質量控制。在許多領域，人工智能可以比人類更好地執行任務。特別是當涉及到重復的、注重細節的任務時，例如分析大量法律文件以確保正確填寫相關字段，人工智能工具通常可以快速完成工作，錯誤相對較少。由于它可以處理海量數據集，人工智能還可以讓企業深入了解他們可能沒有意識到的運營情況。快速增長的生成式人工智能工具在從教育和營銷到產品設計等領域都很重要。事實上，人工智能技術的進步不僅推動了效率的爆炸式增長，而且為一些大型企業打開了通往全新商機的大門。在當前的人工智能浪潮之前，很難想象使用計算機軟件將乘客與出租車聯系起來，但Uber已經通過這樣做成為財富500強公司。
人工智能的優缺點是什么？
人工神經網絡和深度學習人工智能技術正在迅速發展，主要是因為人工智能可以比人類更快地處理大量數據，并做出更準確的預測。雖然每天產生的大量數據會讓人類研究人員陷入困境，但使用機器學習的人工智能應用程序可以獲取這些數據并快速將其轉化為可操作的信息。在撰寫本文時，人工智能的一個主要缺點是處理人工智能編程所需的大量數據成本高昂。隨著人工智能技術被納入更多的產品和服務中，組織還必須適應人工智能有意或無意地創建有偏見和歧視性的系統的潛力。
人工智能的優勢
以下是人工智能的一些優勢。- 擅長注重細節的工作。事實證明，人工智能在診斷某些癌癥（包括乳腺癌和黑色素瘤）方面與醫生一樣好，甚至更好。
- 縮短了數據密集型任務的時間。人工智能廣泛應用于數據密集型行業，包括銀行和證券、制藥和保險，以減少分析大數據集所需的時間。例如，金融服務部門經常使用人工智能來處理貸款申請和檢測欺詐行為。
- 節省勞動力，提高生產率。這里的一個例子是倉庫自動化的使用，它在大流行期間有所增長，預計隨著人工智能和機器學習的整合而增加。
- 提供一致的結果。最好的AI翻譯工具可提供高度的一致性，即使是小型企業也能以客戶的母語接觸客戶。
- 可以通過個性化提高客戶滿意度。 人工智能可以為個人客戶提供個性化的內容、消息傳遞、廣告、推薦和網站。
- AI驅動的虛擬代理始終可用。人工智能程序不需要睡覺或休息，提供24/7全天候服務。
人工智能的缺點
以下是人工智能的一些缺點。- 貴。
- 需要深厚的技術專長。
- 用于構建人工智能工具的合格工人供應有限。
- 大規模反映其訓練數據的偏差。
- 缺乏從一項任務推廣到另一項任務的能力。
- 消除了人類工作，增加了失業率。
強AI與弱AI
人工智能可以分為弱或強。- 弱 AI，也稱為狹義AI，旨在完成特定任務并對其進行訓練。工業機器人和虛擬個人助理，如蘋果的Siri，使用弱人工智能。
- 強人工智能，也稱為通用人工智能 （AGI），描述了可以復制人腦認知能力的編程。當面臨不熟悉的任務時，強大的人工智能系統可以使用模糊邏輯將知識從一個領域應用到另一個領域，并自主找到解決方案。從理論上講，一個強大的人工智能程序應該能夠通過圖靈測試和中國房間論證。
人工智能的4種類型是什么？
密歇根州立大學（MichiganStateUniversity）綜合生物學和計算機科學與工程助理教授ArendHintze解釋說，人工智能可以分為四種類型，從今天廣泛使用的特定任務智能系統開始，到尚不存在的感知系統。類別如下。- 類型1：反應式機器。這些AI系統沒有內存，并且是特定于任務的。一個例子是DeepBlue，這是IBM國際象棋程序，在1990年代擊敗了GarryKasparov。深藍可以識別棋盤上的棋子并做出預測，但由于它沒有記憶，它不能使用過去的經驗來告知未來的經驗。
- 類型2：內存有限。這些人工智能系統具有記憶力，因此它們可以利用過去的經驗為未來的決策提供信息。自動駕駛汽車中的一些決策功能就是這樣設計的。
- 類型3：心理理論。心理理論是一個心理學術語。當應用于人工智能時，這意味著該系統將具有理解情緒的社會智能。這種類型的人工智能將能夠推斷人類的意圖并預測行為，這是人工智能系統成為人類團隊不可或缺的成員的必要技能。
- 類型4：自我意識。在這個類別中，人工智能系統具有自我意識，這賦予了它們意識。具有自我意識的機器了解自己的當前狀態。這種類型的人工智能尚不存在。
人工智能技術的應用場景，今天如何使用它？
人工智能被整合到各種不同類型的技術中。這里有七個例子。自動化。當與人工智能技術結合使用時，自動化工具可以擴展所執行任務的數量和類型。一個例子是機器人流程自動化（RPA），這是一種軟件，可以自動執行傳統上由人類完成的重復的、基于規則的數據處理任務。當與機器學習和新興的AI工具相結合時，RPA可以自動執行大部分企業作業，使RPA的戰術機器人能夠傳遞來自AI的情報并響應流程變化。
機器學習。這是讓計算機無需編程即可運行的科學。深度學習是機器學習的一個子集，簡單來說，可以被認為是預測分析的自動化。機器學習算法有三種類型：
- 監督學習。對數據集進行標記，以便可以檢測模式并用于標記新數據集。
- 無監督學習。數據集不會被標記，而是根據相似性或差異性進行排序。
- 強化學習。數據集不會被標記，但在執行一項或多項操作后，人工智能系統會得到反饋。
自然語言處理（NLP）。這是計算機程序對人類語言的處理。NLP最古老和最著名的例子之一是垃圾郵件檢測，它查看電子郵件的主題行和文本并確定它是否是垃圾郵件。目前的NLP方法基于機器學習。NLP任務包括文本翻譯、情感分析和語音識別。
機器人。該工程領域專注于機器人的設計和制造。機器人通常用于執行人類難以執行或一致執行的任務。例如，機器人被用于汽車生產裝配線或美國宇航局在太空中移動大型物體。研究人員還使用機器學習來構建可以在社交環境中互動的機器人。
自動駕駛汽車。自動駕駛汽車結合使用計算機視覺、圖像識別和深度學習來構建自動化技能，以駕駛車輛，同時保持在給定的車道上并避開行人等意外障礙物。
文本、圖像和音頻生成。生成式人工智能技術從文本提示創建各種類型的媒體，正在企業中廣泛應用，以創建從逼真的藝術到電子郵件回復和劇本的看似無限的內容類型。
人工智能不僅僅是一種技術。
人工智能有哪些應用？
人工智能已經進入了各種各樣的市場。這里有11個例子。- 醫療保健中的人工智能。最大的賭注是改善患者的治療效果和降低成本。公司正在應用機器學習來做出比人類更好、更快的醫療診斷。最著名的醫療保健技術之一是IBMWatson。它理解自然語言，并能回答向它提出的問題。該系統挖掘患者數據和其他可用數據源以形成假設，然后以置信度評分模式呈現該假設。其他人工智能應用包括使用在線虛擬健康助手和聊天機器人來幫助患者和醫療保健客戶查找醫療信息、安排預約、了解計費流程和完成其他管理流程。一系列人工智能技術也被用于預測、對抗和理解 疫情等流行病。
- 商業中的人工智能。機器學習算法正在被集成到分析和客戶關系管理（CRM）平臺中，以發現有關如何更好地為客戶服務的信息。聊天機器人已被納入網站，為客戶提供即時服務。ChatGPT 等生成式AI技術的快速發展預計將產生深遠的影響：消除工作崗位、徹底改變產品設計和顛覆商業模式。
- 人工智能在教育中的應用。人工智能可以自動評分，讓教育工作者有更多時間完成其他任務。它可以評估學生并適應他們的需求，幫助他們按照自己的節奏工作。人工智能導師可以為學生提供額外的支持，確保他們保持在正軌上。這項技術還可以改變學生的學習地點和方式，甚至可能取代一些教師。正如ChatGPT、GoogleBard 和其他大型語言模型所展示的那樣，生成式AI可以幫助教育工作者制作課程作業和其他教材，并以新的方式吸引學生。這些工具的出現也迫使教育工作者重新思考學生的家庭作業和測試，并修改有關剽竊的政策。
- 人工智能在金融領域的應用。個人理財應用中的人工智能，如IntuitMint或TurboTax，正在顛覆金融機構。此類應用程序收集個人數據并提供財務建議。其他程序，如IBMWatson，已被應用于購房過程。今天，人工智能軟件執行了華爾街的大部分交易。
- 人工智能在法律中的應用。法律上的發現過程-篩選文件-對人類來說往往是壓倒性的。使用AI幫助實現法律行業勞動密集型流程的自動化，可以節省時間并改善客戶服務。律師事務所使用機器學習來描述數據和預測結果，使用計算機視覺從文檔中分類和提取信息，并使用NLP來解釋信息請求。
- 人工智能在娛樂和媒體中的應用。娛樂業使用人工智能技術進行有針對性的廣告、推薦內容、分發、檢測欺詐、創建腳本和制作電影。自動化新聞幫助新聞編輯室簡化媒體工作流程，減少時間、成本和復雜性。新聞編輯室使用人工智能來自動化日常任務，例如數據輸入和校對;并研究主題并協助頭條新聞。新聞業如何可靠地使用ChatGPT和其他生成式AI來生成內容還有待商榷。
- 軟件編碼和IT流程中的AI。新的生成式AI工具可用于根據自然語言提示生成應用程序代碼，但這些工具還處于早期階段，它們不太可能很快取代軟件工程師。人工智能還被用于自動化許多IT流程，包括數據輸入、欺詐檢測、客戶服務以及預測性維護和安全。
- 安全。人工智能和機器學習是安全供應商用來推銷其產品的流行語列表的首位，因此買家應謹慎對待。盡管如此，人工智能技術仍被成功應用于網絡安全的多個方面，包括異常檢測、解決誤報問題和進行行為威脅分析。組織在安全信息和事件管理（SIEM） 軟件和相關領域使用機器學習來檢測異常并識別表明威脅的可疑活動。通過分析數據并使用邏輯來識別與已知惡意代碼的相似之處，人工智能可以比人類員工和以前的技術迭代更快地為新的和新興的攻擊提供警報。
- 制造業中的人工智能。制造業一直處于將機器人納入工作流程的最前沿。例如，曾經被編程為執行單一任務并與人類工人分離的工業機器人越來越多地充當協作機器人：更小的多任務機器人，與人類協作，并承擔倉庫、工廠車間和其他工作空間中更多部分的工作。
- 人工智能在銀行業的應用。銀行正在成功地使用聊天機器人來讓客戶了解服務和產品，并處理不需要人工干預的交易。人工智能虛擬助手用于改善和降低遵守銀行法規的成本。銀行組織使用人工智能來改善貸款決策、設置信用額度和識別投資機會。
- 人工智能在交通領域的應用。 除了人工智能在運營自動駕駛汽車方面的基本作用外，人工智能技術還用于運輸，以管理交通、預測航班延誤，并使海運更安全、更高效。在供應鏈中，人工智能正在取代預測需求和預測中斷的傳統方法，疫情加速了這一趨勢，當時許多公司因全球大流行對商品供需的影響而措手不及。
增強智能與人工智能
一些行業專家認為，人工智能一詞與流行文化的聯系過于緊密，這導致公眾對人工智能將如何改變工作場所和生活抱有難以置信的期望。他們建議使用“增強智能”一詞來區分自主行動的人工智能系統（流行文化的例子包括Hal9000和終結者）和支持人類的人工智能工具。- 增強智能。一些研究人員和營銷人員希望具有更中性內涵的“增強智能”標簽將幫助人們理解大多數人工智能的實現將是薄弱的，而只是改進產品和服務。示例包括在商業智能報告中自動顯示重要信息或在法律文件中突出顯示重要信息。ChatGPT和Bard在各行各業的迅速采用表明他們愿意使用人工智能來支持人類決策。
- 人工智能。真正的人工智能（AGI）與技術奇點的概念密切相關，奇點是一個由人工超級智能統治的未來，遠遠超過了人腦理解它的能力，或者它如何塑造我們的現實。這仍然屬于科幻小說的范疇，盡管一些開發人員正在研究這個問題。許多人認為，量子計算等技術可以在使AGI成為現實方面發揮重要作用，我們應該保留使用AI一詞來表示這種通用智能。
合乎道德地使用人工智能
雖然人工智能工具為企業提供了一系列新功能，但人工智能的使用也引發了倫理問題，因為無論好壞，人工智能系統都會強化它已經學到的東西。這可能是有問題的，因為機器學習算法是許多最先進的人工智能工具的基礎，其智能程度取決于它們在訓練中獲得的數據。由于人類選擇用于訓練AI程序的數據，因此機器學習偏差的可能性是固有的，必須密切監控。
任何希望將機器學習用作現實世界生產系統的一部分的人都需要將道德因素納入其AI訓練過程，并努力避免偏見。當使用在深度學習和生成對抗網絡（GAN）應用中固有無法解釋的AI算法時，尤其如此。
可解釋性是在嚴格的監管合規要求下運營的行業中使用人工智能的潛在絆腳石。例如，美國的金融機構在規定下運作，要求他們解釋其信貸發放決定。然而，當拒絕信貸的決定是由人工智能編程做出的，可能很難解釋這個決定是如何做出的，因為用于做出這種決定的人工智能工具是通過梳理出數千個變量之間的微妙相關性來運作的。當決策過程無法解釋時，該程序可以稱為黑匣子AI。
總而言之，人工智能的倫理挑戰包括：
- 由于訓練不當的算法和人為偏見而導致的偏見。
- 由于深度偽造和網絡釣魚導致的濫用。
- 法律問題，包括人工智能誹謗和版權問題。
- 由于人工智能能力的不斷增強，工作崗位被淘汰。
- 數據隱私問題，特別是在銀行、醫療保健和法律領域。
這些組件構成了負責任的AI使用。
AI治理和法規
盡管存在潛在風險，但目前很少有管理人工智能工具使用的法規，而且即使存在法律，它們通常也間接與人工智能有關。例如，如前所述，美國公平貸款法規要求金融機構向潛在客戶解釋信貸決策。這限制了貸方使用深度學習算法的程度，深度學習算法本質上是不透明且缺乏可解釋性的。歐盟的《通用數據保護條例》（GDPR）正在考慮人工智能法規。GDPR對企業如何使用消費者數據的嚴格限制已經限制了許多面向消費者的AI應用程序的訓練和功能。
美國的政策制定者尚未發布人工智能立法，但這種情況可能很快就會改變。白宮科技政策辦公室（OSTP）于2022年10月發布的“人工智能權利藍圖”指導企業如何實施合乎道德的人工智能系統。美國商會在2023年3月發布的一份報告中也呼吁制定人工智能法規。
制定監管人工智能的法律并不容易，部分原因是人工智能包含公司用于不同目的的各種技術，部分原因是監管可能以犧牲人工智能的進步和發展為代價。人工智能技術的快速發展是形成有意義的人工智能監管的另一個障礙，人工智能缺乏透明度帶來的挑戰也使得很難看到算法如何達到其結果。此外，ChatGPT和Dall-E等技術突破和新穎應用可能會使現有法律立即過時。當然，政府為監管人工智能而制定的法律并不能阻止犯罪分子惡意使用這項技術。
從1950年的圖靈測試到今天的ChatGPT等生成式AI聊天機器人，AI有著悠久且有時有爭議的歷史。
人工智能的歷史是什么？
自古以來，賦予智能的無生命物體的概念就已經存在。希臘神赫菲斯托斯在神話中被描繪成用黃金鍛造出類似機器人的仆人。古埃及的工程師建造了由祭司制作的神像。幾個世紀以來，從亞里士多德到13世紀西班牙神學家拉蒙·魯爾（RamonLlull），再到勒內·笛卡爾（RenéDescartes）和托馬斯·貝葉斯（ThomasBayes），思想家們都使用他們那個時代的工具和邏輯將人類的思維過程描述為符號，為人工智能概念（如一般知識表示）奠定了基礎。- 19世紀末和20世紀上半葉帶來了產生現代計算機的基礎性工作。1836年，劍橋大學數學家查爾斯·巴貝奇（CharlesBabbage）和洛夫萊斯伯爵夫人奧古斯塔·阿達·金（AugustaAdaKing）發明了第一個可編程機器的設計。
- 1940年代。普林斯頓大學數學家約翰·馮·諾依曼（JohnVonNeumann）構思了存儲程序計算機的架構，即計算機的程序和它處理的數據可以保存在計算機的內存中。WarrenMcCulloch和WalterPitts為神經網絡奠定了基礎。
- 1950年代。隨著現代計算機的出現，科學家們可以測試他們對機器智能的想法。確定計算機是否具有智能的一種方法是由英國數學家和二戰密碼破譯者艾倫·圖靈（AlanTuring）設計的。圖靈測試的重點是計算機欺騙審訊者的能力，讓他們相信它對他們問題的回答是由人類做出的。
- 1956. 現代人工智能領域被廣泛引用為從今年達特茅斯學院夏季會議開始。該會議由美國國防高級研究計劃局（DARPA）贊助，該領域的10位杰出人士出席了會議，其中包括人工智能先驅馬文·明斯基（MarvinMinsky）、奧利弗·塞爾弗里奇（OliverSelfridge）和約翰·麥卡錫（JohnMcCarthy），后者因創造了人工智能一詞而受到贊譽。出席會議的還有計算機科學家艾倫·紐厄爾（AllenNewell）和經濟學家、政治學家和認知心理學家赫伯特·西蒙（HerbertA.Simon）。兩人展示了他們開創性的邏輯理論家，這是一種能夠證明某些數學定理的計算機程序，被稱為第一個人工智能程序。
- 1950年代和1960年代。 在達特茅斯學院會議之后，新興人工智能領域的領導者預測，相當于人腦的人造智能即將到來，吸引了主要的政府和行業支持。事實上，近20年資金充足的基礎研究在人工智能領域取得了重大進展：例如，在1950年代后期，紐厄爾和西蒙發表了通用問題求解器（GPS）算法，該算法未能解決復雜問題，但為開發更復雜的認知架構奠定了基礎;McCarthy開發了 Lisp，一種至今仍在使用的AI編程語言。在1960年代中期，麻省理工學院教授約瑟夫·魏岑鮑姆（JosephWeizenbaum）開發了ELIZA，這是一個早期的NLP程序，為今天的聊天機器人奠定了基礎。
- 1970年代和1980年代。 通用人工智能的實現被證明是難以捉摸的，而不是迫在眉睫的，受到計算機處理和內存的局限性以及問題的復雜性的阻礙。政府和企業放棄了對人工智能研究的支持，導致了從1974年到1980年的休耕期，被稱為第一個“人工智能冬天”。在1980年代，對深度學習技術的研究和行業對愛德華·費根鮑姆專家系統的采用引發了新一輪的人工智能熱情，但隨之而來的是政府資金和行業支持的又一次崩潰。第二個人工智能冬天一直持續到1990年代中期。
- 1990年代。 計算能力的提高和數據的爆炸式增長引發了1990年代后期的人工智能復興，為我們今天看到的人工智能的顯著進步奠定了基礎。大數據和計算能力的提高推動了自然語言處理、計算機視覺、機器人技術、機器學習和深度學習的突破。1997年，隨著人工智能技術的加速發展，IBM的“深藍”擊敗了俄羅斯國際象棋大師加里·卡斯帕羅夫，成為第一個擊敗國際象棋世界冠軍的計算機程序。
- 2000年代。機器學習、深度學習、自然語言處理、語音識別和計算機視覺的進一步發展催生了塑造我們今天生活方式的產品和服務。其中包括2000年推出的谷歌搜索引擎和2001年推出的亞馬遜推薦引擎。Netflix開發了電影推薦系統，Facebook推出了面部識別系統，Microsoft推出了語音識別系統，用于將語音轉錄為文本。IBM推出了Watson，Google啟動了其自動駕駛計劃Waymo。
- 2010年代。2010年至2020年的十年見證了人工智能的穩定發展。其中包括蘋果Siri和亞馬遜Alexa語音助手的推出;IBMWatson在 Jeopardy 上的勝利;自動駕駛汽車;開發第一個生成對抗網絡;推出Google的開源深度學習框架TensorFlow;成立研究實驗室 OpenAI，開發GPT-3語言模型和Dall-E圖像生成器;圍棋世界冠軍李世石被谷歌DeepMind的AlphaGo擊敗;以及實施基于人工智能的系統，以高度準確地檢測癌癥。
- 2020年代。在過去的十年中，生成式人工智能（GenerativeAI）出現了，這是一種可以產生新內容的人工智能技術。生成式AI從提示開始，提示可以是文本、圖像、視頻、設計、音符或AI系統可以處理的任何輸入。然后，各種AI算法會根據提示返回新內容。內容可以包括論文、問題的解決方案或由人物的圖片或音頻創建的逼真的假貨。ChatGPT-3、谷歌的Bard和Microsoft的威震天-圖靈NLG等語言模型的能力讓世界驚嘆不已，但該技術仍處于早期階段，其產生幻覺或歪曲答案的傾向就證明了這一點。
AI工具和服務
人工智能工具和服務正在快速發展。目前AI工具和服務的創新可以追溯到2012年的AlexNet神經網絡，它開創了基于GPU和大型數據集構建的高性能AI的新時代。關鍵的變化是能夠以更具可擴展性的方式在多個GPU內核上并行訓練神經網絡。在過去的幾年里，谷歌、Microsoft和OpenAI的AI發現與Nvidia開創的硬件創新之間的共生關系使得在更多互聯的GPU上運行更大的AI模型成為可能，從而推動了性能和可擴展性的顛覆性改進。
這些AI杰出人物之間的合作對于ChatGPT最近的成功至關重要，更不用說其他數十項突破性AI服務了。以下是AI工具和服務的重要創新概要。
變形金剛。例如，谷歌率先找到了一種更有效的流程，用于在配備GPU的大型商用PC集群上提供AI訓練。這為發現轉換器鋪平了道路，這些轉換器可以在未標記的數據上自動訓練AI的許多方面。
硬件優化。同樣重要的是，像Nvidia這樣的硬件供應商也在優化微碼，以便在多個GPU內核上并行運行，以實現最流行的算法。英偉達聲稱，更快的硬件、更高效的AI算法、微調的GPU指令和更好的數據中心集成相結合，正在推動AI性能提高一百萬倍。英偉達還與所有云中心提供商合作，通過IaaS、SaaS和PaaS模型使此功能更易于作為AI即服務訪問。
生成式預訓練變壓器。人工智能堆棧在過去幾年中也發展迅速。以前，企業必須從頭開始訓練他們的AI模型。OpenAI、Nvidia、Microsoft、Google等越來越多的供應商提供生成式預訓練轉換器（GPT），可以針對特定任務進行微調，同時大幅降低成本、專業知識和時間。雖然一些最大的模型估計每次運行的成本為500萬到1000萬美元，但企業可以以幾千美元的價格對最終的模型進行微調。這樣可以縮短上市時間并降低風險。
AI云服務。阻礙企業在其業務中有效使用AI的最大障礙之一是將AI功能編織到新應用程序或開發新應用程序所需的數據工程和數據科學任務。所有領先的云提供商都在推出自己的品牌AI即服務產品，以簡化數據準備、模型開發和應用程序部署。主要示例包括AWSAI服務、GoogleCloudAI、MicrosoftAzureAI平臺、IBMAI解決方案和 Oracle云基礎設施AI服務。
尖端的AI模型即服務。領先的AI模型開發人員還在這些云服務之上提供尖端的AI模型。OpenAI擁有數十個大型語言模型，這些模型針對聊天、NLP、圖像生成和代碼生成進行了優化，這些模型通過Azure進行預配。英偉達通過銷售針對所有云提供商提供的文本、圖像和醫療數據進行優化的AI基礎設施和基礎模型，采取了一種與云無關的方法。數以百計的其他參與者也提供針對各種行業和用例定制的模型。
