热门问题
时间线
聊天
视角
人工智能应用
来自维基百科，自由的百科全书
Remove ads
人工智能应用是指利用模拟人类智能的计算技术，执行通常需要人类思考的任务。与传统电脑不同，人工智能能通过学习适应不同场景，并作出智能反应。[1] 人工智能已广泛应用于工业、科学研究等领域，例如通过优化生产线提升工业效率、加速蛋白质结构分析推进科学发现、以及在自动驾驶中处理复杂路况。[2][3] 人工智能在不同领域的应用显著提升人类的工作效率，实现人力难以企及的精准与速度，并能够促进不同领域的技术融合与创新。[4]
 |
Agriculture 农业
在农业领域，人工智能（AI）被提出作为农民识别需要灌溉、施肥或病虫害处理区域的方法，以提高产量，从而提升效率。[5] AI已被用于尝试分类畜牧猪的叫声情感，[6] 自动化温室管理，[7] 检测疾病和害虫，[8] 以及优化灌溉。[9]
Architecture & Design 建筑与设计
在建筑领域，人工智能（AI）为建筑师提供了超越人类理解的创作方式。AI应用机器学习文本到渲染技术（如DALL-E和稳定扩散），赋予复杂视觉化的能力。[10]
AI使设计师能够展现创意，甚至在设计过程中发明新想法。未来，AI不会取代建筑师，而是将提高草图转化为设计的速度。[10]
Business 商业
光学字符阅读器用于提取商业文件（如发票和收据）中的数据。它还可用于商业合同文件，例如劳动协议，提取关键数据，如劳动条件、交付条款、终止条款等。[11]
Computer Science 计算机科学
AI可用于实时代码补全、聊天交互和自动化测试生成。这些工具通常作为插件集成到编辑器和IDE中。它们在功能、质量、速度和隐私处理方式上有所不同。[12] 代码建议可能不正确，软件开发者在接受前应仔细审查。
GitHub Copilot是由GitHub和OpenAI开发的人工智能模型，能在多种编程语言中自动补全代码。[13] 个人定价：每月10美元或每年100美元，包含一个月免费试用。
Tabnine由Jacob Jackson创建，最初由Tabnine公司拥有，2019年底被Codota收购。[14] Tabnine工具作为插件适用于大多数主流IDE，提供多种定价选项，包括免费的有限“入门”版本。[15]
CodiumAI由位于特拉维夫的初创公司CodiumAI开发，提供自动化测试生成，目前支持Python、JavaScript和TypeScript。[16]
Ghostwriter由Replit提供，支持代码补全和聊天功能。[17] 提供多种定价计划，包括免费版本和每月7美元的“Hacker”计划。
CodeWhisperer由亚马逊开发，收集用户的个人内容，包括IDE中打开的文件。它们声称在传输和存储时注重安全性。[18] 个人计划免费，专业计划为每用户每月19美元。
其他工具：SourceGraph Cody、CodeComplete、FauxPilot、Tabby[12]
Remove ads
AI可用于创建其他AI。例如，2017年11月左右，谷歌的AutoML项目通过进化新的神经网络拓扑结构，创建了NASNet，该系统针对ImageNet和POCO F1进行了优化。NASNet的性能超越了所有先前发布的ImageNet性能。[19]
机器学习已被用于量子技术中的降噪，[20] 包括量子传感器。[21] 此外，量子计算机与机器学习算法的结合有大量研究和开发。例如，存在一种原型光子记忆器件，能够通过测量和经典反馈方案在单光子状态下产生记忆动态，用于神经形态（量子）计算机/人工神经网络，以及使用量子材料的各种潜在神经形态计算相关应用。[22][23] 量子机器学习是一个发展中的领域，拥有各种应用。AI可用于量子模拟器，可能应用于解决物理学和化学问题，[24][25] 以及用于量子退火器，以训练用于AI应用的神经网络。[26] 在化学领域（如药物发现）和材料科学（如材料优化/发现，与量子材料制造相关）也可能具有一定应用价值。[27][28][29][30][31][需要较佳来源]
人工智能研究人员创建了许多工具来解决计算机科学中最困难的问题。他们的许多发明已被主流计算机科学采用，不再被视为人工智能。以下均最初在人工智能实验室中开发：[32]
Customer Service 客户服务
人工智能的另一应用是在人力资源领域。AI可以筛选简历并根据资格对候选人进行排名，预测候选人在特定角色中的成功可能性，并通过聊天机器人自动化重复性沟通任务。[来源请求]
人工智能简化了招聘者和求职者的招聘/求职流程。据Indeed的Raj Mukherjee表示，65%的求职者在入职后91天内再次搜索工作。人工智能驱动的引擎通过评估工作技能、薪资和用户倾向等信息，匹配求职者与最相关的职位，简化求职的复杂性。机器智能使用自然语言处理（NLP）从文本中提取相关词语和短语，计算适当的薪资，并为招聘者突出简历信息。另一应用是人工智能简历生成器，可在5分钟内编制一份简历。[来源请求] 聊天机器人协助网站访客并优化工作流程。
人工智能支持网页上的自动化在线助手。[33] 它可以降低运营和培训成本。[33] Pypestream为其移动应用程序自动化客户服务，以简化与客户的沟通。[34]
谷歌的一款应用程序分析语言并将语音转换为文本。该平台可以通过客户的语言识别愤怒的客户并适当回应。[35] 亚马逊使用聊天机器人提供客户服务，可执行检查订单状态、取消订单、提供退款以及将客户与人工代表联系等任务。[36] 生成式人工智能（GenAI），如ChatGPT，越来越多地用于商业，以自动化任务并增强决策。[37]
在酒店业中，人工智能用于减少重复性任务、分析趋势、与客人互动以及预测客户需求。[38] AI酒店服务以聊天机器人、应用程序、虚拟语音助手或服务机器人的形式提供。[39]
Computer Vision 计算机视觉
计算机视觉（Computer Vision，缩写为 CV）是一门研究如何使计算机从图像或视频中提取、处理和理解信息的学科，旨在模拟人类视觉系统的环境感知能力。其核心任务包括图像形成、图像处理、特征提取、物体检测、人脸识别、三维重建以及场景理解。计算机视觉广泛应用于人工智能技术，结合机器学习、深度学习（特别是卷积神经网络）和模式识别，在多个领域展现出显著潜力。
计算机视觉在特定任务上已取得突破性进展，例如图像分类、物体检测和人脸识别，得益于深度学习的发展，特别是卷积神经网络（CNN）和生成对抗网络（GAN）的应用。机器在某些场景（如医疗影像诊断或图像分割）已达到或超越人类表现。然而，计算机视觉仍面临挑战，如在复杂、动态或非结构化环境中实现泛化能力，距离达到人类视觉的全场景理解仍有差距。
计算机视觉是自动驾驶技术的核心组成部分，用于环境感知和决策支持。通过摄影机和激光雷达收集的视觉数据，计算机视觉算法能够执行物体检测（如行人、车辆和交通标志）、车道线检测、距离估计和路径规划。例如，Tesla 的 Autopilot 系统利用深度学习模型处理实时视频流，以识别道路障碍物并执行自主导航。[40] 此外，计算机视觉还支持交通流量分析，提高道路安全性和效率。然而，恶劣天气（如大雾或暴雨）和复杂城市环境仍对算法的稳健性提出挑战。
计算机视觉在医疗影像分析中发挥重要作用，辅助医生进行疾病诊断和治疗规划。算法可处理X射线、CT扫描、磁共振成像（MRI）和超声波等影像数据，执行图像分割、病灶检测和异常分类。例如，基于深度学习的模型能识别乳腺癌的早期征兆或检测肺结节，提高诊断准确性。[41] 此外，计算机视觉支持手术导航，通过实时影像分析协助机器人手术，如达芬奇手术系统。尽管如此，医疗影像的异质性和数据隐私问题仍是当前挑战。
计算机视觉在安防监控领域广泛应用，用于提高公共安全和犯罪预防。人脸识别技术可识别监控视频中的个体身份，广泛用于机场、车站等公共场所。例如，中国的监控系统利用计算机视觉进行实时人脸匹配和行为分析。[42] 此外，计算机视觉支持异常行为检测（如人群聚集或可疑动作）和车牌识别，辅助执法部门进行交通管理和案件调查。然而，这些应用引发了隐私和伦理问题，需平衡技术效益与社会影响。[43] [44]
Education 教育
人工智能提升了教学质量，聚焦于知识联系和教育平等等重要议题。人工智能在教育与技术中的演进应被用于增强人机关系中的人类能力，而非取代人类。联合国教科文组织将人工智能视为实现可持续发展目标4（即“包容和公平的优质教育”）的工具。[45]
人工智能驱动的辅导系统，如Khan Academy、Duolingo和Carnegie Learning，是提供个性化教育的先锋。[46]
这些平台利用人工智能算法分析个别学习模式、优势和弱点，定制化内容和算法以适应每位学生的学习速度和风格。[46]
在教育机构中，人工智能越来越用于自动化例行任务，如考勤追踪、评分和标记作业，使教师能将更多时间投入互动教学和直接与学生互动。[47]
此外，人工智能工具用于监测学生进度、分析学习行为并预测学术挑战，促进及时的主动干预，帮助可能落后的学生。[47]
尽管人工智能在教育中带来诸多益处，但其应用引发了显著的伦理和隐私问题，特别是在处理敏感学生数据方面。[46]
教育领域的AI系统必须以透明度、安全性和尊重隐私为核心进行设计和运营，以保持信任并维护教育实践的完整性。[46]
许多规范将受到AI法案的影响，这是世界上第一部全面的人工智能法规。[48]
Energy & Environment 能源与环境
电力电子转换器应用于可再生能源、能源储存、电动车和高压直流输电。这些转换器易发生故障，可能中断服务，需要昂贵的维护，或在关键任务应用中导致灾难性后果。[来源请求] 人工智能（AI）可指导可靠电力电子转换器的设计过程，通过计算精确的设计参数，确保所需的寿命。[49]
美国能源部强调人工智能在实现国家气候目标中的关键作用。借助人工智能，实现经济整体净零温室气体排放的宏伟目标成为可能。人工智能还通过避免电网拥堵和提高电网可靠性，为风能和太阳能在电网中的应用腾出空间。[50]
机器学习可用于能源消耗预测和调度，例如帮助管理可再生能源间歇性（另见：智能电网和电网中的气候变化缓解）。[51][52][53][54][55]
自主监测海洋的船舶、人工智能驱动的卫星数据分析、被动声学[56]或遥感以及其他环境监测应用均使用机器学习。[57][58][59][60]
例如，“全球塑料观察”是一个基于人工智能的卫星监测平台，用于分析/追踪塑料垃圾场地，帮助防止 塑料污染，主要是海洋污染，通过识别谁以及在何处错误管理塑料垃圾，将其倾倒入海洋。[61][62]
机器学习可用于发现灾害和环境问题的早期预警信号，可能包括自然大流行病、[63][64]地震、[65][66][67]滑坡、[68]暴雨、[69]长期供水脆弱性、[70]生态系统崩溃的临界点、[71]蓝藻暴发、[72]以及干旱。[73][74][75]
AI for Good 是由联合国国际电信联盟（ITU）机构于2017年推出的平台。该平台的目标是利用人工智能帮助实现联合国的可持续发展目标。[来源请求]
南加州大学成立了人工智能与社会中心，旨在利用人工智能解决诸如无家可归等问题。史丹佛研究人员使用人工智能分析卫星图像，以识别高贫困地区。[76]
Entertainment & Media 娱乐与媒体
人工智能应用分析媒体内容，如电影、电视节目、广告视频或用户生成内容。解决方案通常涉及计算机视觉。
典型场景包括使用物体识别或人脸识别技术分析图像，或分析视频以识别场景、物体或人脸。基于人工智能的媒体分析可促进媒体搜索、为内容创建描述性关键词、内容政策监测（例如验证内容是否适合特定电视观看时间）、语音转文本用于存档或其他目的，以及检测标志、产品或名人面孔以进行广告投放。
深度伪造可将个人置于有害或妥协的情境中，特别是当内容具有诽谤性或违反个人伦理时，可能导致严重的声誉损害和情感困扰。虽然诽谤和虚假陈述法提供了一些追诉途径，但其重点在于虚假陈述，而非伪造的图像或视频，这往往使受害者的法律保护有限，且举证责任具有挑战性。[90]
2016年1月，[91]Horizon 2020计划资助了InVID项目[92][93]，帮助记者和研究人员检测伪造文件，作为浏览器插件提供。[94][95]
2016年6月，慕尼黑技术大学的视觉计算小组与斯坦福大学开发了Face2Face，[96]一个能动画化面部照片的程序，模仿另一人的面部表情。该技术已展示用于动画化包括巴拉克·奥巴马和弗拉基米尔·普京等人的面部。其他方法基于深度神经网络，从中衍生出“深度伪造”名称。
2018年9月，美国参议员马克·华纳提议惩罚允许在其平台上分享深度伪造文件的社交媒体公司。[97]
2018年，Darius Afchar和Vincent Nozick找到了一种通过分析视频帧的中间尺度属性检测伪造内容的方法。[98] DARPA提供了 6800 万美元用于深度伪造检测研究。[98]
音频深度伪造[99][100]以及能够检测深度伪造和克隆人类声音的人工智能软件已经开发出来。[101][102]
Respeecher 是一款程序，使一个人能以另一人的声音说话。
人工智能也开始用于视频制作，开发出利用生成式人工智能创建新视频或修改现有视频的工具和软件。目前在此过程中使用的一些主要工具包括DALL-E、Mid-journey和Runway。[105] Waymark Studios利用DALL-E和Mid-journey提供的工具，在2023年夏天创作了完全由人工智能生成的电影《The Frost》。[105] Waymark Studios正在实验使用这些人工智能工具在几秒内为公司生成广告和商业广告。[105] 南加州大学娱乐技术中心人工智能与神经科学媒体项目主任Yves Bergquist表示，好莱坞的后期制作团队已经在使用生成式人工智能，并预测未来更多公司将接受这项新技术。[106]
人工智能已被用于创作各种流派的音乐。
David Cope创建了一个名为Emily Howell的人工智能，在算法计算机音乐领域颇有名气。[107] Emily Howell背后的算法已注册为美国专利。[108]
2012年，人工智能Iamus创作了第一张完整的古典音乐专辑。[109]
AIVA（人工智能虚拟艺术家）创作交响乐，主要为电影配乐创作古典音乐。[110] 它实现了全球首创，成为第一个被音乐专业协会认可的虚拟作曲家。[111]
Melomics创建用于缓解压力和疼痛的电脑生成音乐。[112]
在索尼CSL研究实验室，Flow Machines软件通过从庞大的歌曲数据库中学习音乐风格来创建流行歌曲。它可以以多种风格进行创作。
Watson Beat使用强化学习和深度信念网络，根据简单的种子输入旋律和选定的风格进行音乐创作。该软件已开源[113]，音乐家如Taryn Southern[114]与该项目合作创作了音乐。
韩国歌手Hayeon的出道歌曲《Eyes on You》由人工智能创作，并由包括NUVO在内的真实作曲家监督。[115]
Narrative Science销售电脑生成的新闻和报告。它根据比赛的统计数据总结体育赛事。它还创建财务报告和房地产分析。[116] Automated Insights为Yahoo Sports梦幻足球生成个性化的回顾和预览。[117]
Yseop使用人工智能将结构化数据转化为自然语言评论和建议。Yseop撰写财务报告、执行摘要、个性化的销售或营销文件等，支援多种语言，包括英语、西班牙语、法语和德语。[118]
TALESPIN创作了类似伊索寓言的故事。该程序从一组希望实现特定目标的角色开始。故事讲述了他们试图满足这些目标的过程。[来源请求] Mark Riedl和Vadim Bulitko认为，讲故事的本质是体验管理，或者“如何平衡连贯故事进展与用户能动性的需求，这常常是矛盾的”。[119]
虽然人工智能讲故事聚焦于故事生成（角色和情节），故事传达也受到关注。2002年，研究人员开发了用于叙事散文生成的架构框架。他们忠实地再现了故事如小红帽的文本多样性和复杂性。[120] 2016年，一个日本人工智能共同撰写了一篇短篇小说，差点赢得文学奖。[121]
韩国公司Hanteo Global使用新闻机器人撰写文章。[122]
文学作者也在探索人工智能的应用。例如David Jhave Johnston的作品《ReRites》（2017-2019年），诗人每天编辑神经网络的诗歌输出，创建了一系列表演和出版物。
2010年，人工智能使用棒球统计数据自动生成新闻文章。这由大十联盟网络使用Narrative Science的软件推出。[123]
在无法以大型团队报导每场小联盟棒球比赛后，美联社于2016年与Automated Insights合作，创建由人工智能自动化的比赛回顾。[124]
巴西的UOL扩展了人工智能在写作中的应用。他们不仅生成新闻故事，还编程人工智能使其包含Google搜索上常用的搜索词。 [124]
El País，一家涵盖包括体育在内多方面的新闻网站，允许用户对每篇新闻文章发表评论。他们使用Perspective API来审核这些评论，如果软件认为评论含有毒性语言，评论者必须修改后才能发布。[124]
一家荷兰当地媒体集团使用人工智能自动报导业余足球比赛，计划在单一赛季内涵盖60,000场比赛。NDC与United Robots合作创建了这种算法，实现了以前在无需庞大团队的情况下无法实现的报导规模。[124]
2023年，Lede AI用于从高中橄榄球比赛的得分生成自动化故事，为当地报纸提供内容。然而，这因其发布的语言过于机械化而受到读者的强烈批评。例如，将比赛描述为“运动场上的近距离接触”，读者对此表示不满，并在社交媒体上向出版公司Gannett表达意见。Gannett已暂停使用Lede AI，直到找到解决方案，并称这是一项实验。[125]
其数百万篇文章已被机器人编辑[126]，但这些通常不是人工智能软件。许多人工智能平台使用维基百科数据，[127]主要用于训练机器学习应用。针对维基百科的各种人工智能应用正在研究和开发中，例如识别过时句子、[128]检测隐秘破坏行为[129]或为新编辑者推荐文章和任务。
机器翻译也已用于翻译维基百科文章，并可能在未来在创建、更新、扩展和整体改进文章中发挥更大作用。内容翻译工具允许某些语言版本的维基百科编辑者更轻松地在几种选定语言之间翻译文章。[130][131]
人工智能已被用于创作视觉艺术。第一个人工智能艺术程序名为AARON，由Harold Cohen于1968年开发[132]，目标是能够编码绘图行为。它最初创建简单的黑白图画，后来使用程序自行选择的特殊画笔和染料进行绘画，无需Cohen的介入。[133]
人工智能平台如DALL-E、[134] 稳定扩散、[134] Imagen、[135] 和 Midjourney[136] 已用于从文本或其他图像等输入生成视觉图像。[137] 一些人工智能工具允许用户输入图像并输出修改版本的图像，例如在不同环境中显示物体或产品。人工智能图像模型还可以尝试复制特定艺术家的风格，并为粗略草图添加视觉复杂性。
自2014年设计以来，生成对抗网络（GANs）已被人工智能艺术家使用。GAN计算机编程通过机器学习框架生成技术图像，超越了对人类操作者的需求。[132] 生成艺术的GAN程序示例包括Artbreeder和DeepDream。
除了原创艺术的创作外，还生成了一些利用人工智能定量分析数字艺术收藏的研究方法。虽然过去几十年大规模数字化艺术品的主要目标是允许这些收藏的可访问性和探索，但人工智能在分析它们中的应用带来了新的研究视角。[138] 两种计算方法，近距离阅读和远距离观看，是分析数字化艺术的典型方法。[139] 远距离观看包括对大型收藏的分析，而近距离阅读涉及单件艺术品。
人工智能自2000年代初开始使用，最著名的是由皮克斯设计的一个名为“Genesis”的系统。[140] 它被设计为学习算法并为其角色和道具创建3D模型。使用这项技术的著名电影包括《飞屋环游记》和《恐龙当家》。[141] 近年来，人工智能的使用较少公开。2023年，日本Netflix透露他们使用人工智能为即将推出的节目生成背景图像，引发了网络上的反弹。[142] 近年来，动作捕捉成为一种易于访问的人工智能动画形式。例如，Move AI是一个通过学习人工智能捕捉任何人类运动并在其动画程序中重新动画化的程序。[143]
Finance 金融
金融机构长期以来使用人工神经网络系统来检测异常的费用或索赔，并将这些异常标记出来供人工调查。人工智能在银行业的应用始于1987年，当时Security Pacific National Bank成立了反诈骗工作小组，以应对未经授权的借记卡使用。[144]
银行使用人工智能来组织簿记、股票投资和物业管理等运营。人工智能能够适应非营业时间的变化。[145] 人工智能用于打击诈骗和金融犯罪，通过监控行为模式来检测任何异常变化或异常。[146][147][148]
人工智能在线上交易和决策等应用中的使用改变了主要的经济理论。[149] 例如，基于人工智能的买卖平台估计个性化的供需曲线，从而实现个性化定价。人工智能系统减少了市场中的资讯不对称，从而使市场更有效率。[150] 人工智能在金融行业的应用可以缓解非国有企业的融资限制，特别是对于较小型和更具创新性的企业。[151]
算法交易涉及使用人工智能系统以远超人类能力的速度做出交易决策，每天进行数百万次无需人工干预的交易。这种高频交易代表了一个快速增长的领域。许多银行、基金和专有交易公司现在拥有由人工智能管理的投资组合。自动交易系统通常由大型机构投资者使用，但也包括使用自有人工智能系统进行交易的较小公司。[152]
大型金融机构使用人工智能来协助其投资实践。BlackRock的人工智能引擎Aladdin在公司内部和客户中使用，帮助进行投资决策。其功能包括使用自然语言处理分析新闻、经纪报告和社交媒体动态等文本。然后，它会评估提及的公司的情绪并分配分数。银行如UBS和德意志银行使用SQREEM（Sequential Quantum Reduction and Extraction Model）挖掘数据，以开发消费者档案并将其与财富管理产品匹配。[153]
ZestFinance的Zest自动机器学习（ZAML）平台用于信用承保。该平台使用机器学习分析数据，包括购买交易和客户填写表单的方式，为借款人评分。该平台对于为信用记录有限的人分配信用评分特别有用。[155]
人工智能使持续审计成为可能。潜在好处包括降低审计风险、提高保证水平和缩短审计时间。[156][多少？]
使用人工智能进行持续审计允许对财务活动进行实时监控和报告，为企业提供及时的洞察，从而促进快速决策。[157]
在1980年代，人工智能开始在金融领域崭露头角，因为专家系统开始商业化。例如，杜邦公司创建了100个专家系统，帮助他们每年节省近1000万美元。[160] 其中一个最早的系统是Pro-trader专家系统，预测了1986年道琼斯工业平均指数87点的下跌。“该系统的主要功能是监控市场中的溢价，确定最佳投资策略，在适当的时候执行交易，并通过学习机制修改知识库。”[161]
第一个帮助制定财务计划的专家系统之一是PlanPowerm和Client Profiling System，由Applied Expert Systems（APEX）创建。它于1986年推出，帮助人们制定个人财务计划。[162]
在1990年代，人工智能被应用于诈骗检测。1993年，FinCEN人工智能系统（FAIS）推出。它能够每周审查超过200,000笔交易，在两年内帮助识别了400个潜在的洗钱案件，涉及金额达10亿美元。[163] 这些专家系统后来被机器学习系统取代。[164]
人工智能可以促进创业活动，人工智能是初创企业最具活力的领域之一，吸引了大量的风险投资。[165]
Gaming 游戏
在电子游戏中，人工智能常被用于生成非玩家角色（NPC）的行为。此外，人工智能还用于寻路。一些研究者认为，对于大多数制作任务，游戏中的NPC人工智能已是一个“已解决的问题”。[谁？] 具有较不典型的人工智能的游戏包括《Left 4 Dead》（2008）的AI导演和《Supreme Commander 2》（2010）中战队的神经进化训练。[166][167] 人工智能也在《Alien Isolation》（2014）中用于控制外星人下一个动作的行为。[168]
自1950年代以来，游戏一直是人工智能能力展示的主要应用。[有关吗?] 在21世纪，人工智能在多个游戏中击败了人类玩家，包括国际象棋（Deep Blue）、《危险边缘！》（Watson）、[169]围棋（AlphaGo）、[170][171][172][173][174][175][176]扑克（Pluribus[177] 和 Cepheus）、[178]电子竞技（星际争霸）、[179][180]以及通用游戏玩法（AlphaZero[181][182][183] 和 MuZero）。[184][185][186][187]
Health 健康
医疗保健中的人工智能常用于分类，以评估CT扫描或心电图，或识别人群健康的高风险患者。人工智能正在帮助解决剂量成本高昂的问题。一项研究表明，人工智能可以节省160亿美元。2016年，一项研究报告称，人工智能衍生的公式能够为移植患者提供适当的免疫抑制药物剂量。[188] 当前研究表明，非心脏血管疾病也正在使用人工智能（AI）进行治疗。对于某些疾病，人工智能算法可以协助诊断、推荐治疗方案、预测结果并追踪患者进展。随着人工智能技术的进步，预计其在医疗保健行业中的重要性将进一步提升。[189]
人工智能算法通过分析复杂的医疗数据集，实现了癌症等疾病的早期检测。例如，IBM Watson系统可能用于筛选大量数据，如医疗记录和临床试验，以帮助诊断问题。[190] 微软的人工智能项目Hanover帮助医生从超过800种药物和疫苗中选择癌症治疗方案。[191][192] 其目标是记忆所有相关论文，以预测哪些（药物）组合对每位患者最有效。髓系白血病是其中一个目标。另一项研究报告了一个人人工智能在识别皮肤癌方面与医生表现相当。[193] 另一个项目通过根据医生/患者互动数据向每位患者提问，监控多位高风险患者。[194] 在一项使用转移学习的研究中，一个人人工智能诊断眼部疾病的能力与眼科医生相当，并推荐治疗转诊。[195]
另一项研究展示了使用自主机器人进行手术。研究团队监督机器人进行软组织手术，缝合猪肠的表现被认为优于外科医生。[196]
人工神经网络被用作医疗诊断的临床决策支持系统，[197] 例如在EMR软件中的概念处理技术。
其他被认为适合人工智能的医疗保健任务，目前正在开发中，包括：
- 筛查[198]
- 心音分析[199]
- 用于老年护理的伴侣机器人[200]
- 医疗记录分析
- 治疗计划设计[来源请求]
- 药物管理
- 协助盲人[201]
- 咨询[来源请求]
- 药物创建[202]（例如通过识别候选药物[203] 以及使用现有药物筛选数据，例如在延长寿命研究中）[204]
- 临床培训[205]
- 手术结果预测
- HIV预后
- 识别新型病原体的基因组病原特征[206] 或通过基于物理的特征识别病原体[207]（包括大流行病原体）
- 帮助连结基因与其功能，[208] 或分析基因[209] 以及识别新的生物靶点[210]
- 帮助开发生物标记物[210]
- 在个人化医疗/精准医疗中帮助为个体量身定制疗法[210][211][212]
人工智能启用的聊天机器人减少了人类执行基本呼叫中心任务的需求。[213]
在情绪分析中使用机器学习可以检测疲劳，以防止过劳。[213] 同样，决策支持系统可以防止工业灾害并提高灾害应对的效率。[214] 对于从事物料搬运的手动工人，预测分析可用于减少肌肉骨骼损伤。[215] 从可穿戴感测器收集的数据可以改善职场健康监测、风险评估和研究。[214][具体情况如何？]
人工智能可以自动编码劳工补偿索赔。[216][217] 人工智能启用的虚拟现实系统可以增强危险识别的安全培训。[214] 人工智能可以更有效地检测事故接近失误，这对于降低事故率很重要，但往往被低估。[218]
AlphaFold 2可以在数小时内确定（折叠）蛋白质的3D结构，而早期自动化方法需要数月时间，并被用于提供人体内所有蛋白质以及科学已知的所有蛋白质（超过2亿个）的可能结构。[219][220][221][222]
Language Processing 语言处理
语音翻译技术试图将一种语言的口语转换为另一种语言。这有可能减少全球商业和跨文化交流中的语言障碍，使不同语言的使用者能够相互沟通。[223]
人工智能已被用于自动翻译口语和文本内容，应用于产品如Microsoft Translator、Google Translate 和 DeepL Translator。[224] 此外，研究和开发正在进行，以解码和进行动物沟通。[6][225]
意义不仅通过文本传达，还通过使用和上下文（见语义学和语用学）。因此，机器翻译的两种主要分类方法是统计机器翻译（SMT）和神经机器翻译（NMT）。旧的翻译方法是使用统计方法来预测最佳可能的输出，并使用特定算法。然而，通过 NMT，该方法采用动态算法，根据上下文实现更好的翻译。[226]
Legal & Government 法律与政府
人工智能人脸识别系统被用于大规模监控，特别是在中国。[227][228] 2019年，印度班加罗尔部署了人工智能管理的交通信号灯。该系统使用摄影机监控交通密度，并根据清除交通所需的间隔调整信号时机。[229]
人工智能是法律相关职业的支柱。算法和机器学习执行了一些原本由初级律师完成的任务。[230] 虽然其使用很普遍，但预计在不久的将来不会取代律师的大部分工作。[231]
电子发现行业使用机器学习来减少手动搜索。[232]
执法部门已开始使用人脸识别系统（FRS）从视觉数据中识别嫌疑人。与目击者结果相比，FRS 的结果证明更为准确。此外，与人类参与者相比，FRS 在视频清晰度和能见度较低时识别个人的能力更强。[233]
COMPAS 是一个由美国法院使用的商业系统，用于评估再犯的可能性。[234]
一个问题涉及算法偏差，人工智能程序在处理展现偏差的数据后可能变得有偏见。[235] ProPublica 声称，黑人被告的 COMPAS 分配的再犯风险水平平均显著高于白人被告。[234]
2019年，中国杭州市建立了一个试点项目，基于人工智能的互联网法院，用于裁决与电子商务和互联网相关的知识产权争议。[236]（p. 124） 当事人通过视频会议出庭，人工智能评估提交的证据并应用相关法律标准。[236]（p. 124）
Manufacturing 制造业
在1990年代，早期人工智能工具控制了Tamagotchi 和 Giga Pet、互联网以及第一个广泛发布的机器人Furby。Aibo 是一款具有智能功能和自主性的家用机器人狗。
Mattel 创造了一系列人工智能启用的玩具，能“理解”对话、给出智能回应并学习。[239]
Military 军事
多个国家正在部署人工智能军事应用。[242] 主要应用包括增强指挥与控制、通信、感测器、整合与互操作性。[来源请求] 研究目标包括情报收集与分析、物流、网络运作、资讯运作以及半自主和自主车辆。[242] 人工智能技术实现了感测器与效应器的协调、威胁检测与识别、敌方位置标记、目标获取、联网作战车辆之间分布式联合火力的协调与去冲突化，涉及有人与无人团队。[来源请求]
Retail and e-commerce 零售与电子商务
机器学习已被用于推荐系统，以决定社群媒体动态中应显示哪些贴文。[246][247] 各种类型的社群媒体分析也使用机器学习，[248][249] 并且正在研究其用于（半）自动标签/增强/修正线上错误资讯及相关过滤气泡。[250][251][252]
智能个人助手使用人工智能以多种方式理解自然语言请求，而非仅限于基本命令。常见例子包括苹果的 Siri、亚马逊的 Alexa，以及较新的人工智能 OpenAI 的 ChatGPT。[255]
机器学习可用于对抗垃圾邮件、诈骗和网络钓鱼。它可以审查垃圾邮件和网络钓鱼攻击的内容，试图识别恶意元素。[257] 一些通过机器学习算法构建的模型在区分垃圾邮件和合法电子邮件方面具有超过90%的准确率。[258] 这些模型可以使用新数据和不断演变的垃圾邮件策略进行精炼。机器学习还分析发送者行为、电子邮件标头资讯和附件类型等特征，可能增强垃圾邮件检测。[259]
人工智能已被用于人脸识别系统。一些例子包括苹果的Face ID 和安卓的Face Unlock，用于保护行动设备安全。[260]
图像标签已被Google Image Labeler 用于检测照片中的产品，并允许人们根据照片进行搜寻。图像标签还被证明可用于生成语音，为盲人描述图像。[224] Facebook 的DeepFace 在数位图像中识别人脸。[来源请求]
Scientific Research 科学研究
2024年4月，欧洲委员会的科学建议机制发布了建议，[261] 包括对人工智能在科学研究中带来的机遇与挑战的全面证据审查。
证据审查[262] 强调了以下优势：
- 其在加速研究和创新方面的作用
- 其自动化工作流程的能力
- 增强科学工作的传播
挑战包括：
- 透明度、可重现性和可解释性方面的限制与风险
- 性能不佳（不准确）
- 通过误用或意外使用造成的伤害风险
- 社会问题，包括错误资讯的传播和不平等加剧
机器学习可用于恢复和归因古代文本。[263] 它有助于为文本编索引，例如使片段的搜寻和分类更方便、更高效。[264]
人工智能还可用于调查基因组，以揭示遗传历史，例如古代人类与现代人类的杂交，从而推断出过去存在一个非尼安德塔人或丹尼索瓦人的幽灵种群。[265]
它还可用于“非侵入性和非破坏性地获取考古遗址内部结构”。[266]
据报导，一个深度学习系统通过基于对婴儿视觉认知研究的未公开方法，从视觉数据（虚拟3D环境）中学习直观物理学。[267][268] 其他研究人员开发了一种机器学习算法，能够发现各种物理系统的基本变量集，并从其行为的视频记录中预测系统的未来动态。[269][270] 未来，这可能可用于自动化发现复杂系统的物理定律。[269]
人工智能（AI）正通过优化和发现新材料改变材料科学，例如预测稳定化合物及其晶体结构。[271]2023年11月，Google DeepMind 和 劳伦斯伯克利国家实验室 的研究人员推出了 GNoME，一个在短时间内发现超过220万种新材料的人工智能系统。GNoME 利用深度学习高效探索潜在材料结构，显著提高了稳定无机晶体的识别率，通过自主机器人实验验证的成功率达71%。这些数据通过材料专案 数据库公开，帮助研究人员为可再生能源和电子学等应用寻找所需材料。这一突破显示人工智能加速材料创新的潜力，减少对手动实验的依赖，并降低产品开发成本。通过自动化结构预测，人工智能使科学家更专注于设计和分析独特化合物，为可持续技术和奈米技术的进展铺平道路。[272][273][274]
机器学习被应用于多种逆向工程领域。例如，机器学习已用于逆向工程复合材料部件，实现未经授权的高品质部件生产，[275] 并用于快速理解恶意软件的行为。[276][277][278] 它还可用于逆向工程人工智能模型。[279] 此外，通过对尚未存在的虚拟组件的逆向工程，机器学习可设计具有特定功能的组件，例如针对特定功能的反向分子设计[280] 或针对预设功能位点的蛋白质设计。[281][282] 生物网络逆向工程可以人类可理解的方式建模交互，例如基于基因表达水平的时间序列数据。[283]
人工智能被应用于天文学，以分析日益增长的数据量，[284][285] 主要用于“分类、回归、聚类、预测、生成、发现和新科学洞察的发展”，例如发现系外行星、预测太阳活动，以及在引力波天文学中区分信号与仪器效应。[286] 它还可用于太空活动，如太空探索，包括分析太空任务数据、太空飞行器的实时科学决策、太空垃圾规避，[287] 以及更自主的操作。[288][289][60][285]
在搜寻地外智慧（SETI）中，机器学习被用于尝试识别数据中人工生成的电磁波，[290][291] 如实时观测，[292] 以及其他技术特征，例如通过异常检测。[293] 在不明飞行物研究中，由 Hakan Kayal 教授领导的 SkyCAM-5 项目[294] 和由Avi Loeb领导的伽利略计划使用机器学习尝试检测和分类不明飞行物类型。[295][296][297][298][299] 伽利略计划还寻求利用人工智能检测另外两种潜在的地外技术特征：类似奥陌陌的星际天体和非人类制造的人造卫星。[300][301]
机器学习还可用于生成分子光谱特征数据集，这些分子可能参与大气中特定化学物质的生成或消耗，例如可能在金星上检测到的膦，这有助于避免错误分配，并在未来提高其他行星上分子检测和识别的准确性。[302]
Security & Surveillance 安全与监控
网络安全公司正采用神经网络、机器学习和自然语言处理来提升其系统性能。[303]
人工智能在网络安全的应用包括：
Transportation & Logistics 运输与物流
运输中的人工智能预计将提供安全、高效和可靠的运输，同时最大程度减少对环境和社区的影响。主要发展挑战在于运输系统的复杂性，涉及独立组件和各方，可能存在相互冲突的目标。[309]
基于人工智能的模糊逻辑控制器操作变速箱。例如，2006年的奥迪TT、福斯途锐 [来源请求] 和 福斯Caravell 配备了DSP变速器。部分Škoda车型（Škoda Fabia）包括基于模糊逻辑的控制器。汽车具有驾驶辅助功能，如自动停车和自适应巡航控制。
还有自主汽车公共运输车辆的原型，例如电动迷你巴士，[310][311][312][313] 以及自主铁路运输的运行 自动化列车系统列表。[314][315][316]
还有自主配送车辆的原型，有时包括配送机器人。[317][318][319][320][321][322][323]
运输的复杂性意味着在大多数情况下，在真实驾驶环境中训练人工智能不切实际。基于模拟器的测试可以降低道路训练的风险。[324]
人工智能支撑自动驾驶车辆。涉及人工智能的公司包括特斯拉、Waymo 和通用汽车。基于人工智能的系统控制功能，如刹车、变道、碰撞预防、导航和地图绘制。[325]
自主卡车正处于测试阶段。英国政府于2018年通过立法，开始测试自主卡车编队。[326] 一组自主卡车紧密相随行驶。德国公司戴姆勒正在测试其Freightliner Inspiration。[327]
人工智能已被用于优化交通管理，可减少等待时间、能源使用和排放量多达25%。[330]
智能交通灯自2009年起在卡内基梅隆大学开发。史蒂芬·史密斯教授创办了Surtrac公司，已在22个城市安装智能交通控制系统。每个路口安装成本约为20,000美元。安装后，驾驶时间减少25%，交通堵塞等待时间减少40%。[331]
2003年，德莱登飞行研究中心的一个项目开发了软件，使受损飞机能继续飞行直至安全着陆。[332] 该软件通过依赖剩余未受损的组件来补偿受损组件。[333]
2016年的智能自动驾驶系统结合了学徒学习和行为克隆，自动驾驶仪通过观察操作飞机所需的低层次动作以及应用这些动作的高层次策略来学习。[334]
Utilities 公用事业
许多电信公司利用启发式搜寻来管理其劳动力。例如，英国电信集团部署了启发式搜寻[336]，应用于一个为20,000名工程师排程的系统。机器学习也用于语音辨识（SR），包括语音控制设备，以及与语音辨识相关的转录，包括视频转录。[337][338]
应用列表
目前学术界与产业界对人工智能实际应用的分类尚未完全统一，但存在几种常见的分类方法，根据技术功能、应用场景或产业领域进行组织. 以下是基于产业领域的分类（Industry-Based Classification）：
- 精准农业
- 作物监测
- 自动化收割
- 产量预测
- 市场分析
- 业务流程自动化
- 用户活动监控，个性化目标推广和广告营销
- 基于代理的计算经济学
- 个性化学习
- 教育技术
- 智能辅导系统
- 教育与学习障碍相关问题
- 游戏人工智能
- 电脑游戏机器人
- 博弈论
- 战略规划
- 招聘
- 员工参与
- 培训计划
- 自主武器
- 情报分析
- 模拟训练
- 博弈论与战略规划
参考
Wikiwand - on
Seamless Wikipedia browsing. On steroids.
Remove ads