人工智能

什么是人工智能?

从广义上来说,人工智能 (AI) 是指机器或系统所呈现的任何模拟人类的行为。最基本的 AI 形式是对计算机进行编程,使它们能够根据从过去类似行为中收集的海量数据来“模拟”人类行为。从识别猫与鸟的差异到在生产设施中进行复杂作业,都属于这一范畴。

深入了解人工智能

无论是深度学习、战略思维还是其他类型的 AI,其应用基础都是需要极速响应的场景。在 AI 技术的支持下,机器可以高效运作并即刻分析海量数据,进而通过有监督、无监督或强化学习的方式来解决各种问题。

 

早期的 AI

早期的 AI 使计算机能够与人类进行跳棋等游戏,而如今的 AI 已成为日常生活不可或缺的一部分。现在,AI 解决方案不仅可用于质量控制、视频分析、语音到文本转换(自然语言处理)和自动驾驶,还可用于医疗保健、制造业、金融服务以及娱乐产业等。

相关 HPE 解决方案、产品或服务

为企业和组织提供强大助力

无论是对于产生大量数据的大型企业,还是对于需要更富成效地处理客户通话的小型组织,人工智能都是一款非常强大的工具。AI 可以简化业务流程、提高工作效率、消除人为错误等。

 

 

边缘 AI

目前,HPE 正在大力挖掘边缘数据的价值并从中获得洞见,以期开拓 AI 的新领域。我们将实时分析 AI 用于自动化、预测和控制,可帮助您更快地实现数据的价值,并抓住各种机会实现创新、增长和成功,以此助您一臂之力。

人工智能简史

在 1949 年之前,计算机可以执行命令,但“记不住”所执行的操作,因为它们无法存储这些命令。1950 年,Alan Turing 在其论文《计算机与智能》(Computing Machinery and Intelligence) 中探讨了如何打造智能计算机并测试其智能程度。五年后,第一个 AI 程序在达特茅斯夏季人工智能研究计划 (DSPRAI) 中问世。这一程序的出现强有力地推动了接下来几十年的 AI 研究。

1957 年至 1974 年间,计算机技术迅猛发展,速度更快、成本更低且更容易获得。在此期间,机器学习算法也得到了改进。1970 年,DSPRAI 计划的一位主办人向《Life》杂志透露,三到八年后将出现一台智能程度与普通人类不相上下的机器。尽管他们取得了成功,但计算机仍无法高效存储及快速处理信息,这成为未来十年人工智能发展面临的主要障碍。

20 世纪 80 年代,随着算法工具包的扩展和更多专项资金的投入,AI 得以崛起。John Hopefield 和 David Rumelhart 提出了“深度学习”技术,使计算机能够从经验中学习演进。Edward Feigenbaum 还提出了能够模拟人类决策能力的“专家系统”。尽管缺乏政府的资金支持和公众的宣传推广,但 AI 仍在蓬勃发展,并在接下来的二十年内实现了多个里程碑式的目标。1997 年,IBM 专为下棋而设计的计算机程序“深蓝”在对弈中战胜了国际象棋世界冠军和特级大师 Gary Kasparov。同年,由 Dragon Systems 开发的语音识别软件开始在 Windows 上实施。此外,Cynthia Breazeal 还开发了可识别和模拟人类情绪的机器人 Kismet。

2016 年,Google 的 AlphaGo 程序击败了围棋大师李世石,而 2017 年,用于玩扑克的超级计算机 Libratus 完胜了多位顶级人类牌手。

 

人工智能的类型

人工智能主要分为两大类:基于功能的 AI 和基于能力的 AI。

 

基于功能

  • 响应式机器 - 此类 AI 没有记忆能力,无法从过去的行为中学习,例如 IBM 的“深蓝”。
  • 有限理论 - 随着记忆的增加,此类 AI 能够根据既往信息制定更明智的决策,例如 GPS 定位应用等常见应用。
  • 心智理论 - 此类 AI 仍在开发中,旨在深入了解人类思维。
  • 自我意识 AI - 此类 AI 可以理解和唤起人类情感并拥有自己的情感,目前仍处于假设阶段。

基于能力

  • 专用人工智能 (ANI) – 专注于执行狭义编程任务的系统。此类 AI 是响应式机器与有限记忆的结合,如今的大部分 AI 应用都属于这一类。
  • 通用人工智能 (AGI) - 此类 AI 具有像人类一样的训练、学习、理解和执行能力。
  • 超级人工智能 (ASI) - 此类 AI 具有卓越的数据处理、记忆和决策能力,能够比人类更好地完成任务。目前尚无应用实例。

 

人工智能、机器学习与深度学习之间的关系

人工智能是计算机科学的一个分支,旨在以机器模拟人类智能。AI 系统基于算法,运用机器学习和深度学习 等技术来呈现“智能”行为。

 

机器学习

当计算机上的软件能够基于以往结果,成功预测出现的场景并做出响应时,即意味着机器正在“学习”。机器学习指的是计算机的一个学习过程,在此过程中,计算机可以形成模式认知或者基于数据持续学习并做出预测,最后实现无需特别编程也可做出相应调整。机器学习是人工智能的一种形式,它能够有效地自动处理分析建模过程,使计算机能够独立适应新场景。

机器学习建模的四大步骤:
1. 选择并准备解决问题所需的训练数据集。这些数据标不标记均可。
2. 选择要对训练数据运行的算法。

  • 对于标记数据,可以运行回归算法、决策树或基于实例的算法。
  • 对于未标记数据,可以运行聚类算法、关联算法或神经网络。

3. 训练算法,建立模型。
4. 使用并改进模型。

有三种机器学习方法:“有监督”学习使用标记数据,所需的训练较少。“无监督”学习可通过识别模式和关系对未标记数据进行分类。“半监督”学习先使用一小部分标记数据集进行训练,然后再来处理大型未标记数据集的分类任务。

 

深度学习

深度学习是机器学习的一个分支,性能表现明显优于一些传统的机器学习方法。科学研究让我们对人类大脑行为有了新的理解,受此启发,深度学习综合利用了多层人工神经网络、数据密集型训练和计算密集型训练。这种方法非常有效,甚至在图像识别、语音识别和自然语言处理等许多领域超越了人类的能力。

深度学习模型可处理海量数据,通常采用无监督或半监督形式。

 

借助现代化 AI 应用将数据转变为效率和竞争优势

经过几个世纪的理论研究、数十年的技术研究以及多年的推广宣传,人工智能终于开始走进企业,即将成为一个普遍存在的功能。在最近的一项行业调查中,50% 的受访者表示他们已经部署了 AI 计划、正处于概念验证阶段或计划在未来一年内部署。%E2%80%9C%E4%BC%81%E4%B8%9A%20AI%20%E6%8C%87%E5%8D%97%EF%BC%9A%E7%94%A8%E4%BE%8B%E5%8F%8A%E5%A6%82%E4%BD%95%E6%94%BB%E5%85%8B%E9%87%87%E7%94%A8%E6%97%B6%E7%9A%84%E5%85%B3%E9%94%AE%E9%9A%9C%E7%A2%8D%E2%80%9D%28A%20Guide%20to%20Enterprise%20AI%3A%20Use%20Cases%20and%20Overcoming%20Key%20Barriers%20to%20Adoption%29%EF%BC%8C451%20Research%20Pathfinder%20%E6%8A%A5%E5%91%8A%EF%BC%8C2019%20%E5%B9%B4%207%20%E6%9C%88%E3%80%82

 

为何企业 AI 步伐正在加快

近来取得的多项算法突破、激增的数字化数据集以及计算技术的进步(处理能力提高而使用成本降低)共同催生出一种全新的企业 AI 技术。几乎所有组织都拥有越来越多的数据资产,而 AI 可以提供大规模分析这些资源的手段。

AI 也将成为企业的主力军,成为数字化转型过程中的一块基石。AI 是一种多用途技术,能够改善几乎所有业务流程的效率并为企业提供洞见,囊括从客户服务运营、物理和网络安全系统到各种研发部门和业务分析流程。

 

AI 的现代应用

AI 具备从数据中提取重要洞见的独特能力,如果您确定答案是什么但无法确定取得答案的方法,则 AI 可以大显身手。AI 不仅能完成人类凭一己之力难以攻克的任务,还能从呈指数型增长的海量数据中挖掘洞见,进而指导行动、实现价值。

如今,AI 广泛用于各行各业的各种应用,包括医疗保健、制造和政务等。以下是几个具体的用例:

  • 规范维护和质量控制可通过开放式 IT/OT 框架改善生产、制造和零售。此类集成解决方案能够实施基于企业 AI 的计算机视觉技术,从而提供最佳维护决策、自动执行操作并加强质量控制流程。
  • 语音和语言处理可将非结构化音频数据转化为洞见和智能。通过应用自然语言处理、语音到文本分析、生物特征搜索或实时呼叫监控等技术,让机器自动理解口头和书面语言。
  • 视频分析和监控可自动分析视频以检测事件,查明身份、环境和人员,并获得运营洞见。此场景会利用边缘到核心的视频分析系统,适用于各种工作负载和运作条件。
  • 高度自动驾驶基于横向扩展的数据摄取平台打造而成,使开发人员能够构建卓越的高度自动驾驶解决方案,而且此解决方案专门针对开源服务、机器学习和深度学习神经网络进行了优化。

 

选择合适的 AI 合作伙伴为何如此关键

在企业 AI 之旅中,关键在于找到一个合适的合作伙伴:既要了解企业当前所处的 AI 阶段,也要帮助企业规划前进道路,从而实现近期和长期目标。

携手合适的合作伙伴,企业能够释放整个企业的数据价值,从而促进业务转型和增长。理想的合作伙伴能够提供:

  • 端到端解决方案,以此降低复杂性并与现有基础设施集成
  • 咨询和专业服务
  • 内部部署、云和混合方案,充分考量团队位置、访问需求、安全性和成本限制
  • 可随当前及未来需求扩展的系统
  • 专业的合作伙伴生态系统,可以提供行业特定的解决方案

 

HPE AI:真知灼见,如您所需,规模任意

企业转型离不开实时分析 AI,以实现主动式控制、预测性维护、自主式流程和颠覆传统的洞见。借助智能边缘 AI,企业能够更快地从数据中挖掘价值,并获得无限的业务创新和增长机会。

HPE 与多家企业强强联合,在 AI 的新领域中充分挖掘数据的力量,能够在所需的时间和地点按需要的方式交付边缘洞见。

 

为何选择 HPE 作为 AI 合作伙伴?

作为 AI 合作伙伴,HPE 可为客户带来:

 

AI 技术领导力与创新力

HPE 专为 AI 打造了成果导向型解决方案,并针对智能边缘进行了专业设计。

  • 丰富的 HPE 硬件和软件
  • HPE Ezmeral Software 产品组合,可用于容器编排、数据管理和数据架构
  • Aruba Edge Services Platform

 

AI 专业知识

HPE 以深厚的专业知识和丰富的实践经验为依托,提供了以下服务和部署模式:

  • HPE Pointnext 咨询和运维服务
  • HPE Financial Services 选项
  • HPE GreenLake 部署和消费模式
  • HPE 物联网转型研讨会,助您顺利踏上边缘 AI 之旅

 

AI 竞争优势

HPE 的强大实力可转变为客户的业务优势,进而:

  • 将实时分析能力用于自动化、预测和控制,实现边缘发展
  • 践行边缘计算,以创造新的价值、业务机会、业务模式和客户体验
  • 搭建 IT 和运维技术 (OT) 合作关系,以提高效率并加快获取洞见的速度

 

HPE AI 横跨多个行业

HPE AI 可助力各行各业 的企业利用专用技术挖掘边缘洞见。如今,企业纷纷在边缘 AI 领域发力,以期实现互联性、自主性、海量数据管理并应对有时效性的事件。AI 广泛应用于从诊所到实验室、从仓库到企业的各个领域,用例包括自然语言处理 (NLP)、视频分析、质量保证 (QA)、监控和安全以及了解客户情绪等。

在医疗保健和生命科学领域,企业利用 HPE AI 来挖掘医疗洞见,将边缘护理水平推向了新高。用例包括可穿戴健康监测设备、个性化医疗、健康医疗以及互联健康等。边缘 AI 还在群体学习 (Swarm Learning) 中用于分布式发现,并且在推动医学研究和科学突破的诸多其他应用中也大有用武之地。

在制造业,HPE AI 有助于提高边缘生产力和整体设备效益 (OEE)。用例包括智能运维、对供应链中的资产和流程进行预测性分析以及借助 AI 进行模拟等。