人工智能导论学到了什么？

一、人工智能导论学到了什么？

在人工智能导论课程中，学生将学习人工智能的基本概念、原理和技术。他们将了解机器学习、深度学习、自然语言处理、计算机视觉等关键领域的基本算法和方法。

此外，学生还将学习人工智能的应用领域，如智能机器人、自动驾驶、医疗诊断等。

他们将了解人工智能的伦理和社会影响，并探讨人工智能的未来发展趋势。

通过这门课程，学生将获得对人工智能的全面了解，为进一步深入研究和应用人工智能打下坚实基础。

二、象棋人工智能达到了什么水平？

象棋人工智能属于软件类的，其水平在目前为止还没有任何一个人能比得上的，包括全国的顶尖棋手及特级大师也不是人工智能的对手，全国的顶尖棋手及特级大师与人工智能对战最多只能有和棋的可能性，但想战胜人工智能机乎不可能的，任何一个人都不法做到。

人工智能对交通不便偏远地区的爱好者的帮助是很大的，对一些专业棋手也有很大的帮助。

三、人工智能发展到了什么地步？

目前人工智能尚处在行业发展的初期。

      人工智能虽然经过了60多年的发展，但是人工智能领域整体的进展还是比较缓慢的，在60多年的发展历史中，人工智能的研究也经历了多次起起伏伏，随着大数据技术的发展，人工智能迎来了前所未有的发展机遇。

    人工智能领域发展较为缓慢的原因有三点，其一是人工智能是一个典型的交叉学科，涉及到哲学、数学、计算机、神经学等诸多学科，所以内容比较多，其二是人工智能产品的研发难度较大，其三是人工智能产品落地难。

    虽然目前已经有不少智能体（Agent）参与到了生产环境中，但是这些智能体依然具备以下一些局限性：

第一：依赖于环境。目前大部分智能体都对应用场景有较为严格的限定，离开特定的场景就无法发挥作用，这是目前一个比较普遍的问题。虽然在特定场景下工作会降低智能体的通用性，但是在一些工业生产领域，营造特定的工作环境并不困难，比如汽车制造领域。

第二：依赖于人类决策。目前智能体的决策能力还是非常有限的，所以大部分决策需要人类给出，智能体的作用是辅助人类进行各种决策。比如目前在智能驾驶、智慧医疗等领域的智能体，往往都会进行比较全面的辅助作用。

第三：行为合理性需要加强。智能体的研发方向曾经有过较多的争论，比如像人一样思考还是合理的思考，像人一样行动还是合理的行动等问题。目前在人工智能领域更趋向于合理性，因为这样更容易判断，但是目前的智能体在合理性方面还需要不断加强。不少智能体在落地应用的过程中，发现一个比较严重的问题就是行为合理性问题

四、人工智能达到了什么程度？

人工智能大爆发，第四次工业革命来了，未来的机遇与挑战

今年对于这次人工智能的突破，很多人都在讨论chatGPT，有两种比较极端的看法，一种极端看法认为就是这次人工智能的突破将会引发第四次工业革命。另一极端看法就是这次也算不上什么大突破，依旧是收集信息归纳整理。中间派就是将会有多少人下岗。

我本人是倾向这次人工智能将会引发第四次工业革命，这次的chatGPT的表现很出彩。的确会替代部分人工，

但仅仅是替代部分人工吗？要知道现在使用的不过是GPt的第三代。从第一代到现在也不过才两年时间。而如今，chatGPT火了，天量的资金和无数的人才都会涌入这个赛道。中国必须紧跟，哪怕打开的是潘多拉魔盒。

有人说，第四次工业革命必须是底层物理学的突破，也有说必须是能源的革命性应用或者材料的突破。但我要说如果这次的人工智能突破会加速底层物理学，加速能源革命，加速材料突破，加+速量子计算的突破，加速基因研究的突破呢？？不要觉得不可能，事实上早就开始了。我记得有人说颜宁之所以回国是因为国外使用AI模拟加速了高分子材料和超大蛋白的合成，所以颜宁下岗了。我没有关心颜宁为什么回国，只要回来就好！我关心的是国外已经可以做到用Ai加速新材料和基因的突破了！

再比如麻省理工学院（MIT）的张锋团队最近利用AlphaFold技术成功发明了一种靶向蛋白质输送技术，AlphaFold技术能够准确预测蛋白质的结构，这对于研究和治疗许多疾病具有重要意义。通过这项技术，科学家们能够更精准地设计药物和疫苗，开启了治疗各种疾病的新途径。这仅仅是AI辅助科研的冰山一角。第四次工业革命并不仅仅是单一技术的革命，而是在AI的辅助下，大量新技术的爆发。每一个新技术都堪比之前的工业革命。

现在的人工智能与过去的计算机有些相似，都存在输入输出限制和训练效率不高的问题。但与过去相比，现代人工智能的输出效率已经是人类的千万倍，并且几乎所有行业都能从人工智能中获益。这在很大程度上归功于互联网的高度发展，互联网已经积累了远超个人能力范围的知识量。对于能够利用互联网的人工智能来说，在信息量上已经远远超越了人类。

量子计算机的诞生将进一步推动了人工智能的发展。量子计算机正好能够满足神经网络或其他机器学习模型的数据结构所需的计算能力。今年1月底中国第一条量子芯片生产线在繁忙的生产中；6月1号176比特的“祖冲之”号量子计算机云建成向全球用户开放！6月7号第一台批量生产的民用量子计算机“悟空”做最后调试。现在，人工智能已经具备了人才、数据、计算能力和需求等方面的条件。没有理由认为人工智能会停滞，人工智能是一个泡沫。

国家有关人工智能方面有四点举措：1是游戏产业从被限制到彻底开放甚至是鼓励。（这是对为什么中国没能诞生通用人工智能的反思，也是对文化输出和话语权不足的反思）。2是国家重申建设数字中国（这个是包含人工智能的）。3是将数字化作为政府人员的考核重点。（这个我个人觉得比划经济特区的刺激来的更猛烈。这是体制内的一次大地震）。4是国家组建数据局，（这个几乎就是专门为人工智能设计的部门。因为人工智能的迭代少不了数据的投喂。而且国家顺势收回了数据的所有权！！）

chatgpt很显然已经打开了agi，也就是强人工智能的钥匙，要是接下来不遇到新的瓶颈，按照现在的ai迭代速度，不出5年，能彻底颠覆人类世界的强ai就会出现，ai不仅会取代人类的职业，它还会代替人类认知世界。在更远的未来，所有人都会被时代的浪潮淹没。

不要只看到单一技术突破。据我观察，世界科技都已经到达突破临界点了。如量子计算，如可控核聚变，如人工智能，如脑机接口，如长寿基因，如星际航行。这些科技全部都处在突破临界点。最关键的是人工智能会大大加速这一过程。不要说学习这件只关系个人的小事，整个人类社会的构成都会剧烈变动。

现在是人工智能率先实现突破，这对人类而言是幸运的。因为如果是其他科技突破，那只是单一科技突破，对人类的影响有限。但人工智能就不一样了，人工智能具有明显的特性，1是迭代快，2是自我学习而且学习方向不限，3是能辅助人类极大的提升效率，4是与自动化技术无缝连接。

现在有一种协作机器人，不是工业机械臂。能直接像人一样干活，成本六万一台，直接替代人工。现在一个普工企业投入成本在8万一年左右，不是简简单单的工资而已。

而且现在的机械手的工艺已经非常透明化了，国产机械手成本非常低廉，四轴机械手只需要三万元多一点，而一台1.2米长的六轴机械手也只需要五六万元，如果有公司自己能生产，成本可能只有两万元多一点。大公司都有算回收期，投入这个自动化能够提升工艺良率，能够监控产品，能够反馈制程等等，开工厂就是搞工艺，工艺好工厂就好，我们中国最终的目标是灯塔工厂、数字化工厂、万物互联，都是需要自动化配合实现的，你做不到别人做出来，将来他们的产品就可以碾压你。

其实早在2021年9月，中国科学院自动化研究所发布了名为"紫光太初"的多模态大模型1.0版本。相比于仅有单一模态的ChatGPT，这个大模型采用了基于生成式预训练变换器（ GenerativePre-trainedTransformer，GPT）的语言模型构建的内核，且具备多模态能力。不同于单模态模型的局限性，"紫光太初"可以通过多模态数据进行印证，并具备推理和联想能力。

在人工智能框架生态峰会2023上，中国科学院自动化研究所推出了"紫光太初"的2.0版本。在1.0版本的基础上，新版本加入了视频、传感信号、3D点云等模态数据，实现了全模态理解能力、全模态生成能力和全模态关联能力。这意味着"紫光太初"正朝着全面模拟人类思维方式的目标迈进，甚至有望在不久的将来超越人脑。

华为大模型“盘古”最初于2020年11月在华为云内部立项，并于2021年4月向外界发布。随后，它在2023年7月升级到了3.0版本，。目前，华为大模型“盘古”包括NLP大模型、CV大模型和科学计算大模型等多个领域的AI模型。华为云盘古大模型3.0已在制造、煤矿、铁路、气象、金融、制药、代码开发、数字内容生成等领域发挥作用，提升生产效率、降低研发成本。华为给盘古大模型3.0的口号就是：重塑千行百业。

在气象预报领域，盘古气象大模型的预测可以在秒级时间内，完成未来全球一个小时到7天的天气预报，又快有准。国际顶级学术期刊《Nature》正刊北京时间7月6日发表了华为云盘古大模型研发团队独立研究成果——《三维神经网络用于精准中期全球天气预报》。

颇为前瞻性的是，华为盘古大模型具备「具身智能」的能力，说白了，就是让机器人与AI大模型结合起来，使得机器人具备AI能力，可以完成更多智能要求高的任务，这使得盘古大模型在未来智能制造、智能产线上，有很高的应用潜力。

大模型的创新不仅仅是模型自身的创新，更依赖于AI的各项根技术创新。华为在最底层构建了以鲲鹏和昇腾为基础的AI算力云平台，以及异构计算架构CANN、全场景AI框架昇思MindSpore，AI开发生产线ModelArts等，为大模型开发和运行提供分布式并行加速，算子和编译优化、集群级通信优化等关键能力。基于华为的AI根技术，大模型训练效能可以调优到业界主流GPU的1.1倍。

对于铁路行业来说，AI技术早已在铁路售票系统，铁路货物路径分配系统，中得到了很好的应用，在各个工厂以及长途快递运输行业，铁路的货运成本是非常低的，但路径规划非常难，因为根本没有那么大的算力，来规划铁路站点及其周边公路的最经济路线。铁路售票系统，也是非常明显的提升，从2021到2023年，铁路售票系统12306，甚至在春运高峰期也并没有出现down机的情况，也是因为人工智能的高算力成功分配调运了全国服务器，使得12306平稳度过了高峰

人工智能在无人机领域所达到的顶级水平，可以看看深圳1500架无人机组成编队飞行，展现出各种精彩的图案，非常震撼。这是对于这样一支由大量无人机组成的机群，任何一个无人机的意外行为或失控都有可能导致整个编队的崩溃，可以看出从感应器到算法都非常强大，才能保证其稳定性。感应器需要具备高精度和高灵敏度，以确保无人机能够准确获取必要的信息。算法需要具备高度智能化和自主性，能够实时分析感应器数据、评估无人机的状态，并做出相应的调整和控制，以保持编队的稳定和协调。

再和跟大家说下AI辅助造船，中国船舶设计研究中心方面表示，用AI来设计军舰，一天时间可以完成过去一年的工作，中国的“AI造船”技术在面对400多项非常具有挑战性的任务测试时，其准确率可以达到100%。说白了，就是过去那么多人工绘制的图纸，以后AI分分钟给干了。该研究小组表示，虽然“AI造船”技术仍然有提升的空间，但是他们已经准备好在中国造船业中投入这项技术，以提升中国的军舰制造水平。这款“AI造船”技术，目前还无法完全脱离人类独自运行。在使用的时候，需要由一名船舶设计师将相关数据输入，然后“AI造船”会给出相应的结果反馈。虽然其智能程度还有待提升，但对于中国来说已经足够了。如果该技术被验证确实能够投入实际使用的话，那么完全可以将其用于中国下一艘航空母舰的设计工作。

AI释放的生产力是巨大的，这也给美国提供了某种程度上“帝国续命”的机会，因为经济增长，要么寻找新的市场，要么提高效率，AI的出现与升级，的确会帮助全球提升效率。

不过AI最得益的国家还是中国，中国的实体经济比较发达，而美国的实体经济却空心化了。比如造船业，美国也可以利用AI提高效率，但问题在于美国缺乏产业工人和工程师队伍，所以你这个效率改善了也没用。现在美国的造船和维修能力供给有限，你AI进步了帮不了什么忙。而且美国工会非常强大，也不可能让政府大规模引入外国劳工，或者把工作外包给日本或韩国这样的国家。

近几年，全球生产效率增长有下降的趋势。现在在AI和机器人的帮助下，我们生产效率完全有能力赶上来。现在我们面临的主要矛盾是就业问题。所以我们需要在财富再分配方面下功夫。或许以后的年轻人可能要依靠生育来增加收入。如果年轻人愿意生育，国家可以提供一笔补贴，地方也可以提供一笔补贴，村里再补贴一笔。在农村地区，如果一个孩子每年可以获得一万元的补贴，那么生育的积极性估计会大幅提高。

现在我觉得大家似乎对AI有不少误解。

你觉得的工作要被chatgpt替代了，那是ai在救你。它告诉你你的人生不该是做这种事，你应该做更有价值的事情。工作占据人生那么长的时光，要只是为了挣钱，这辈子过得也太没意思了，人家AI就是为了帮你解决这个问题的，你应该去实现你的人生价值。

学习不等于卷，不要将学习等同于枯燥的学业。现在的学习被枯燥的教育污名化了，真正的学习是一件非常开心的事。举个例子，当你开始玩一款新游戏，这本质就是一场学习。而玩游戏变得越来越厉害，本质就是不断学习熟练生巧的过程，我相信绝大多数人还是很享受这种感觉吧。所以不要惧怕学习，学习时间真的是一件很开心的事。并且之前因为人类知识摄取效率低下，很多“学习”都成了枯燥的机械性劳动，这部分AI未来也可以帮你解决。你需要做的就是思考，这应该是学习过程最有趣的部分了，请不要拒绝让自己变得更聪明这件事。

ai在我眼中是第四次工业革命。前三次的工业革命发生了什么我们已经很清楚了，的确有一些岗位消失，但也有更多的岗位出现了，并且人们都比工业革命之前过得更好。所以AI作为第四次工业革命也会如此，大可不必担心。如果现在一个3口之家现在需要7万美元才能快乐，那么在十到二十年内，它可能要便宜一个数量级。

中国肯定会抓住这次第四次工业革命（人工智能时代），人均生产力翻几十倍，强化制造业强国地位，然后把产品卖给全世界。老实说，之前提的工业4.0和现在的AI大模型相比，真是小巫见大巫了。

五、人工智能已经发展到了什么程度？

      目前人工智能尚处在行业发展的初期。

      人工智能虽然经过了60多年的发展，但是人工智能领域整体的进展还是比较缓慢的，在60多年的发展历史中，人工智能的研究也经历了多次起起伏伏，随着大数据技术的发展，人工智能迎来了前所未有的发展机遇。

    人工智能领域发展较为缓慢的原因有三点，其一是人工智能是一个典型的交叉学科，涉及到哲学、数学、计算机、神经学等诸多学科，所以内容比较多，其二是人工智能产品的研发难度较大，其三是人工智能产品落地难。

    虽然目前已经有不少智能体（Agent）参与到了生产环境中，但是这些智能体依然具备以下一些局限性：

第一：依赖于环境。目前大部分智能体都对应用场景有较为严格的限定，离开特定的场景就无法发挥作用，这是目前一个比较普遍的问题。虽然在特定场景下工作会降低智能体的通用性，但是在一些工业生产领域，营造特定的工作环境并不困难，比如汽车制造领域。

第二：依赖于人类决策。目前智能体的决策能力还是非常有限的，所以大部分决策需要人类给出，智能体的作用是辅助人类进行各种决策。比如目前在智能驾驶、智慧医疗等领域的智能体，往往都会进行比较全面的辅助作用。

第三：行为合理性需要加强。智能体的研发方向曾经有过较多的争论，比如像人一样思考还是合理的思考，像人一样行动还是合理的行动等问题。目前在人工智能领域更趋向于合理性，因为这样更容易判断，但是目前的智能体在合理性方面还需要不断加强。不少智能体在落地应用的过程中，发现一个比较严重的问题就是行为合理性问题。

六、人工智能已经发展到了什么程度？

关于“人工智能”，小编在 行行查 | 行业研究数据库 帮你找到了些数据希望对你有所帮助。

人工智能可分为三个发展阶段，分别为 计算智能、感知智能 和 认知智能。

运算智能：即快速计算和记忆存储能力。计算机比较具有优势的是便是运算能力和存储能力，现阶段计算智能应用已经实现并逐渐成熟，1996年IBM的深蓝计算机战胜了当时的国际象棋冠军卡斯帕罗夫，这一事件标志着人类在强运算型场景下的计算能力已经不如机器算力了。

感知智能：即类似人的视觉、听觉、触觉等对外界刺激做出反应的能力。人和动物能够通过各种智能感知能力与自然界进行交互。机器通过AI技术，也可实现这种类人智能，如自动驾驶汽车就是通过激光雷达等感知设备和人工智能算法实现这样的感知智能的。当前人类社会的AI技术正处于感知智能不断完善的阶段。

认知智能：通俗讲是一种“能理解会思考”的能力。未来机器能在没有数据信息被动输入的情况下，主动进行环境感知、信息采集、逻辑判断、做出决策等，实现类人智能。在这一阶段机器能够替代了大量的传统体力劳动，并辅助人们做出理论上的最优决策。

人工智能产业链可以分为 基础层、技术层 和 应用层 三个层面。

基础层：人工智能基础层是支撑人工智能产业发展的基石，它提供了数据及算力资源，主要包含传感器、AI芯片、数据服务和云计算服务。

技术层：人工智能技术层是人工智能行业发展的核心驱动力，侧重核心技术的研发，主要包括深度学习框架、算法模型开发以及人工智能平台。深度学习框架和开放平台在技术层实现了对技术和算法的封装，使技术快速实现商业化，主要涉及的技术包括计算机视觉、机器学习、语音处理及自然语言处理等。

应用层：人工智能应用层是建立在基础设施层与技术平台层的基础上，结合大数据和分布式计算技术生产针对各行各业的解决方案，解锁行业的人工智能应用场景，是人工智能技术与各行业的深度融合，细分领域众多、领域交叉性强，呈现出相互促进、繁荣发展的态势，具体应用前景广阔。

机器学习 人工智能的核心，是使计算机具有智能的根本途径。机器学习专注于算法，允许机器学习而不需要编程，并在暴露于新数据时进行更改，让计算机不依赖确定的编码指令，模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。基于处理数据种类的不同，可分为有监督学习、无监督学习、半监督学习和强化学习等几种类型。基于学习方法的分类，可分为归纳学习、演绎学习、类比学习、分析学习。基于数据形式的分类，可分为结构化学习和非结构化学习。

深度学习 是机器学习的一种，机器学习是单层的，深度学习是多层的。计算机通过深度学习技术对数据信息进行总结、抽象，并发现其中的规律。在数据输入后，通过多层非线性的特征学习和分层特征提取，最终对输入的图像、声音等数据进行预测。深度学习框架多硬件平台适配总体架构技术方案包括设备管理层接入接口、算子适配层接入接口，训练框架与推理框架的多硬件适配指标体系包括安装部署、兼容适配、算子支持、模型支持、训练性能、稳定性和易扩展性等。

机器视觉 是指用机器代替人眼来做测量和判断，自动采集并分析图像，以获取控制或评估特定零件和特定活动所需的数据。机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术（图像增强和分析算法、图像卡、I/O卡等）。

自然语言处理（NLP）是指利用人类交流所使用的自然语言与机器进行交互通讯的技术。通过人为对自然语言的处理，使得计算机对其能够可读并理解。自然语言处理技术是人工智能最早的应用技术，该技术细分领域包括文本分类和聚类、信息检索和过滤、机器翻译等。文本分类和聚类按照关键字词做出统计，建造一个索引库，用于检索。信息检索和过滤是对网络关键词进行瞬时检查并运行处理，机器翻译是利用深度学习算法，进行语言翻译并提升正确性。

人工智能技术在 金融行业 中的应用主要为智能支付、智能风控、智能投研、智能投顾。金融是最依赖数据的行业之一，国内传统金融机构的发展时间并不长，在数据的数量及质量上较欧美发达国家会有一定差距，人工智能的融合可以让机器辅助人工进行数据采集、分析，帮助金融场景实现智能化。人脸识别是针对人的脸部特征信息进行身份识别的一种生物识别技术，用摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，通常也叫做人像识别、面部识别。在智能支付领域，人工智能通过生物识别为用户带来更便捷的操控体验，通过建立高频人脸数据库，减少用户二次确认概率，有效拦截照片、面具、视频等手段，从而加强金融服务供给、提高支付运营效能。

工业 是人工智能最具应用潜力的领域之一。工业制造的整个生命周期可划分为生产制造、供应链管理、质量监测、物流运输、销售服务等多个环节。以最核心的生产过程为例，基于收集的生产数据，人工智能可以自动设置和调整机器的运行参数，让机器和部件成为自优化的系统，更加节能高效。未来的工业不仅是规模化、标准化，也会是智能化、定制化。

人工智能在 工业制造环节 的应用，可实现非接触检测、提高加工精度、发现产品缺陷、进行自动分析和决策等效用，是先进工业的重要组成部分。除此之外，人工智能在工业的应用场景还包括研发、物流、营销、使用、售后等环节。

人工智能在 教育领域 的应用场景包括教师的辅助教学和学生的自主学习。在学习过程中利用人工智能技术构建学生数据画像，通过AI算法对数据持续分析，从老师的角度出发，收集学生反馈来提升教学质量和完善教学细节，让老师的教学更有针对性；从学生的角度出发，在多个维度分析学生学习能力、学习偏好、自身学科水平等，更全面的对学生的综合能力进行评估，描绘学生知识点的薄弱之处，制定最优学习路径，有针对性的提供个性化解决方案帮助改进学习模式，实现“因材施教”。

智能交通 引入人工智能技术，通过建设实时的动态信息服务体系，深度挖掘交通运输相关数据，推动交通运输相关产业的运行和发展。智能交通主要应用在车辆违法取证、智能识别抓拍、实时预警反馈、立体布控稽查、车辆大数据分析等业务。

智慧医疗 的发展为传统医疗行业带来了更高性能的计算能力、更深入的知识学习以及全面精准的数据分析。其中机器学习、计算机视觉、自然语言处理、图神经网络、知识图谱等关键技术，已经在医疗影像识别、辅助诊断、药物研发、医疗机器人、健康管理等领域取得了巨大的突破。人工智能赋能新药研发领域的应用场景有靶点发现、先导化合物研究、化合物合成、晶体预测、药理作用评估、患者招募、临床试验、批量生产、药品销售等。

数据来源：行行查，行业研究数据库

可点击下方链接查看相关行业研究报告

欢迎评论、点赞、收藏和转发！ 有任何喜欢的行业和话题也可以私信我们。

七、现在的人工智能发展到了什么样的程度？

目前人工智能尚处在行业发展的初期。

      人工智能虽然经过了60多年的发展，但是人工智能领域整体的进展还是比较缓慢的，在60多年的发展历史中，人工智能的研究也经历了多次起起伏伏，随着大数据技术的发展，人工智能迎来了前所未有的发展机遇。

    人工智能领域发展较为缓慢的原因有三点，其一是人工智能是一个典型的交叉学科，涉及到哲学、数学、计算机、神经学等诸多学科，所以内容比较多，其二是人工智能产品的研发难度较大，其三是人工智能产品落地难。

    虽然目前已经有不少智能体（Agent）参与到了生产环境中，但是这些智能体依然具备以下一些局限性：

第一：依赖于环境。目前大部分智能体都对应用场景有较为严格的限定，离开特定的场景就无法发挥作用，这是目前一个比较普遍的问题。虽然在特定场景下工作会降低智能体的通用性，但是在一些工业生产领域，营造特定的工作环境并不困难，比如汽车制造领域。

第二：依赖于人类决策。目前智能体的决策能力还是非常有限的，所以大部分决策需要人类给出，智能体的作用是辅助人类进行各种决策。比如目前在智能驾驶、智慧医疗等领域的智能体，往往都会进行比较全面的辅助作用。

第三：行为合理性需要加强。智能体的研发方向曾经有过较多的争论，比如像人一样思考还是合理的思考，像人一样行动还是合理的行动等问题。目前在人工智能领域更趋向于合理性，因为这样更容易判断，但是目前的智能体在合理性方面还需要不断加强。不少智能体在落地应用的过程中，发现一个比较严重的问题就是行为合理性问题。

八、阿尔法狗用到了什么人工智能技术？

人工的AI智能技术，是目前最为先进的人工智能技术了，这方面技术相对比较成熟了。

九、看到了水果想到了

当我们看到了水果想到了什么？在生活中，水果是我们日常饮食中不可或缺的一部分。它们不仅味道鲜美，而且富含各种维生素和矿物质，对我们的健康有着重要的影响。今天，让我们一起探讨一下水果的种类、营养价值以及如何选择新鲜的水果。

水果的种类

世界上有成千上万种不同类型的水果，从常见的苹果、香蕉到一些比较罕见的水果如杨桃、芒果等，每一种水果都有其独特的味道和营养成分。

• 常见水果：
• 苹果
• 香蕉
• 橙子
• 草莓
• 葡萄
• 罕见水果：
• 杨桃
• 木瓜
• 火龙果
• 山竹
• 龙眼

水果的营养价值

水果不仅仅是一种美味的食物，它们还含有许多对我们身体有益的营养物质。比如，水果中富含的维生素C能够增强我们的免疫系统，预防感冒和慢性疾病的发生。此外，水果中的纤维有助于消化系统的运作，促进肠道健康。

如何选择新鲜的水果

挑选新鲜水果是确保我们获得最佳营养价值的关键。以下是一些选择新鲜水果的技巧：

• 外观检查：水果的外表应该光滑、无明显褶皱或划痕，颜色鲜艳。
• 嗅觉检测：新鲜水果应有清新的香味，若有异味可能不新鲜。
• 触感测试：水果应该坚实却有一定弹性，过软或过硬的水果可能不够新鲜。
• 重量评估：相同大小的水果，更重的通常更多汁润。

通过以上这些方法，您可以更好地选择到新鲜美味的水果，享受它们带来的健康益处。

总之，看到了水果想到了美味、营养和健康。将多样化的水果融入我们的饮食中，不仅可以增添口味，还有助于保持身体健康。让我们珍惜水果这份大自然的馈赠，享受它们带来的一切好处吧！

十、到了 2022 年，人工智能有哪些真正可落地的应用？

感谢，知乎科技 邀请。

说到“真正可落地的应用”，我们先明确下什么算是真正可落地的应用？是不是能解决问题就算真正可落地？是不是技术较为成熟产品出来了就可落地？

可能每个人有自己的理解，所以回答问题之前，我先说一下我的定义。再继续回答这个问题。

1.真正可落地应用的定义

从16年到现在，小到几十万，大到千万、上亿、几十亿的AI项目。从智能客服、音箱、儿童故事机、智慧家庭、智慧社区、家庭机器人、商用服务机器人、AI教育平台、AI智慧医院到智慧城市、前沿的智能写代码等。

我对“真正可落地的应用”定义是：

1.解决用户/客户问题，可量化结果2.客户愿意为此持续付费。3.产品/方案可持续复制。

1.1.解决用户/客户问题，可量化结果

有些AI产品是资本推动盲目扩张的结果，量大也不一定持久。最早做故事机的时候，公司负责儿童故事机系统含语音交互及内容，从客户出货看，出去了上百万台。

是不是看着挺好？当然有些人会说有的公司出去了上千万台等等，但如果从供应商查询就知道是怎么回事。

儿童故事机的初衷是希望让儿童与机器进行语音交互来获取阅读内容和进一步学习，甚至包括发音矫正等。也有叫教育机器人、陪伴机器人等

当时看京东上有500+个Sku，各种各样、各种内容、各种背书等等。

实际上能切实解决： 阅读、陪伴问题的屈指可数。

一个儿童真的会与冰冷的机器频繁互动吗？别说儿童，让大人用都不知道说什么、怎么说，更何况儿童，以现在的语音交互技术，无论是语音识别还是语音合成，真的能满足儿童需要？多数连阅读发音都是机器合成的，基本上没有阅读该有的发音准确、语气、类人多感官生动讲述等。随着80后的工作越来越忙碌，独生子女陪伴问题的突出，陪伴是个需求，但是，一个机器人就能陪伴孩子？而且还是一个儿童不理解的冰冷机器，语音也不一定能听懂儿童说话的。最后基本都变成了一个收音机、MP3而已。

出货量大，但没有从儿童教育和儿童心理学方面出发，做到可量化结果。

销售做的好，产品也能卖出量。但会长久？

1.2.客户愿意为此持续付费。

这里面有两个点：1.客户愿意付费，2愿意持续付费

医院里再问诊的时候，一般医生都会提前问3-5个问题，来以此作决策，有些病症甚至要问一下病史、家人情况、生活等等信息。以往专家每天差不多能服务80-100个，为了能让更多患者享受到专家的服务，将这块通过技术手段，让患者在等候区的时候就完成了80%基础问答，并给专家展示辅助决策面板。医生就可以服务160-200个，甚至更多的患者。

客户第一次愿意付费，但是没有再继续使用和采购。没见过的东西，理论上和结果上却是不错，但是采购使用后，发现专家用着用着就不想用了，给出的原因是辅助决策不准，没啥用等等。

实际上是，80-100专家就比较累了，如果再多，就有点吃不消了。人不是机器，虽然效率提升了，但是见更多的人，会更费精力和脑力。

往往有些AI产品能解决问题，但是会遇到业务里的各种问题、客户生意不好没预算了等等，尤其是经常变化的情况比较多。

也许有人会说，开始项目也是有钱的，也不算白做。但如果一个公司，一年做了几个这样的项目，没有稳定业务持续发展，要不像业内某知名/某独角兽一样烧钱，要不就裁员，业务死等。

1.3.产品/方案可持续复制。

许多AI公司，你一问落地情况，就会给你发些文章，甚至公司营收上有个几千万（暂不说合同金额、应收未到账、烂账等），融到了B、C、D、IPO等等。

但是，业务来会变，今年安全、明年人脸识别、后年芯片化、大后年产业数字化，紧随大趋势。今年智慧地产项目、明年智慧医疗项目、后年自动驾驶项目、大后年元宇宙项目。

哪热往哪走，哪有预算往哪试试，与合作伙伴一起，样本项目一个个走起，今天上海某知名、明天深圳某知名、后天北京某知名等等

落地了，但没有真正落地，因为落地了1-2个项目以后，就没有更多项目持续了。造成1-2项目的成本投入无法继续应用到后面项目。有些好点的公司，科技为主，技术和数据留下了，甚至做了平台化。但就是没有可持续复制的项目方案/产品。

从行业发展来看，这些都是必然过程，积累实践经验继续前行，但如何降低这种啥都做一段的行为，是值得思考的。

总结下我对真正可落地的应用定义如下：1.解决用户/客户问题，可量化结果 2.客户愿意为此持续付费。 3.产品/方案可持续复制。

怎么避免和优化这些问题，这里不再继续展开，基于以上的定义。对这个问题我的回答如下。

2.到了2022年，哪些真正可落地的应用

2.1人脸检测和身份验证

这个可能是我们最常见的AI应用了。APP的解锁、买东西结账、进大楼闸机、考勤等等。降低了企业人工验证成本和用户使用成本（安全风险单聊，像人脸买东西有些都是通过局限场景解决的。），企业愿意持续买单，多个业务可拓展复制。

2.2 智能客服

无论是符号处理、神经网络模型、神经符号混合模型还是知识图谱等方法，降低了企业成本，企业愿意买单、且但凡有客服的产品，几乎都可见智能客服。符合三点定义。

当然，作为消费者，使用体验好不好是另一回事，消费者不是购买决策人。

2.3 移动类机器

送餐机器人，环境允许的话，可以节省服务人员成本（从厨房到中转台 或者，上菜人员），供应商或部分餐厅愿意买单，且只要有餐饮的地方都可拓展。

节约人成本的背后，还有人员的五险一金、上税等等开支。

（有些高档/提倡服务为主的餐厅，还是真人上菜，所以机器替代的是从厨房到中转台。）

（其他移动类机器，都满足3点定义的可留言，我也学习下。）

2.4 推荐/搜索

不论是基于标签匹配还是基于数据预测，推荐和搜索在许多产品和服务中都有所应用，而且相对比较成熟，已经逐渐开始通过深层数据分析进一步优化推荐和搜索效果。降本增效增收提质，这里复制的是匹配相关技术方案，在行业内拓展，各家按自己业务来建立并使用。企业自己招人做，持续投入，并复制到各个业务上。

其他还有很多，就不一一列举了。还有AI翻译、错题分析等等

自动驾驶、AI音箱（国内）大家也可以细研究下。

有些AI落地现在不好，不代表以后不好，目前讨论范围仅到2022年为止。