归根结底，人工智能旨在使软件更智能，以实现个性化的用户互动并解决复杂问题。
1943年，WarrenMcCulloch和WalterPitts提出了人工神经元模型，为神经网络这一人工智能核心技术奠定了基础。紧接着，AlanTuring在1950年发表了《计算机器与智能》一文，介绍了用于评测机器智能的图灵测试的概念。这促使1951年至1969年间，研究生MarvinMinsky和DeanEdmonds建造了第一台神经网络机器SNARC，FrankRosenblatt开发了最早的神经网络模型之一Perceptron，JosephWeizenbaum创造了最早的聊天机器人之一，能够模拟罗杰斯式心理治疗师角色的ELIZA。
然而，1969年至1979年间，MarvinMinsky揭示了神经网络的局限性，导致神经网络研究暂时陷入低谷。由于资金减少以及硬件和计算能力的限制，第一次“人工智能寒冬”随之而来。
从1987年到1997年，由于其他社会经济因素和互联网的繁荣，人工智能遭遇了第二次寒冬。人工智能研究变得更加分散，各团队在不同应用场景下解决特定领域的问题。
2007年至2018年间，云计算技术的进步使得计算能力和人工智能基础设施更加普及。这推动了机器学习的广泛采用、创新与发展。这些发展包括名为AlexNet的卷积神经网络（CNN）架构（该架构由AlexKrizhevsky、IlyaSutskever和GeoffreyHinton合作开发，并在ImageNet竞赛中获胜，展示了深度学习在图像识别方面的强大功能）以及Google的AlphaZero（该模型在没有人类数据的情况下，仅凭自我对弈便掌握了国际象棋、将棋和围棋游戏）。
当前的人工智能技术都要在一套预先确定的参数范围内运行。例如，在图像识别和生成方面经过训练的人工智能模型无法构建网站。
通用人工智能（AGI）是一个人工智能理论研究领域，研究如何开发具有类人智能和自学能力的软件。其目标是让软件能够执行训练或开发目的之外的任务。
作为一项理论研究，AGI旨在开发具有自主自我控制、合理的自我理解以及新技能学习能力的人工智能系统。它在创建时未进行训练的环境和情境中也能解决复杂的问题。具有人类能力的AGI仍然只是理论概念和研究目标。这是未来人工智能的一种可能。
智能文档处理（IDP）可将非结构化文档格式转换为可用数据。例如，它将电子邮件、图像和PDF等业务文档转换为结构化信息。IDP使用自然语言处理（NLP）、深度学习和计算机视觉等人工智能技术来提取、分类和验证数据。
应用程序性能监控（APM）是使用软件工具和遥测数据来监控关键业务应用程序性能的过程。基于AI的APM工具使用历史数据在问题发生之前对其进行预测。预测性维护还可以向开发人员推荐切实可行的解决方案，从而实时解决问题。这种策略可以保持应用程序的有效运行并解决瓶颈。
虽然你可能会看到人工智能和机器学习这两个术语在许多地方可以互换使用，但从技术上讲，机器学习是人工智能众多分支中的一个。它是一门开发算法和统计模型来关联数据的科学。计算机系统使用机器学习算法来处理大量历史数据，并识别数据模式。在当前背景下，机器学习是指一组称为机器学习模型的统计技术，您可以独立使用这些技术，也可以将其用于支持其他更复杂的人工智能技术。
深度学习让机器学习更进一步。深度学习模型使用神经网络来共同学习和处理信息。它们由数百万个软件组件组成，这些组件对小型数据单元执行微观数学运算以解决更大的问题。例如，它们处理图像中的单个像素，以便对图像进行分类。现代AI系统通常结合多个深度神经网络来执行复杂的任务，例如根据文本提示写诗或创建图像。
人工智能系统使用一系列技术来运作。具体情况各不相同，核心原理不变：它们将所有数据类型（例如文本、图像、视频和音频）转换为数字表示，并以数学方式识别它们之间的模式和关系。因此，人工智能技术需要培训，它们需要接触大量现有数据集来“学习”，就像人类从现有知识档案中学习一样。以下列出了使人工智能运作的一些技术。
人工神经网络构成了人工智能技术的核心。神经网络模仿了人脑中发生的处理过程。大脑包含数百万个神经元，这些神经元对信息进行处理和分析。人工神经网络使用人工神经元共同处理信息。每个人造神经元或节点都使用数学计算来处理信息并解决复杂的问题。
自然语言处理（NLP）使用神经网络来解释、理解文本数据并从中收集意义。它使用各种专门用于解码和理解人类语言的计算技术。这些技术可以让机器处理单词、语法句法和单词组合，从而处理人类文本，甚至生成新文本。自然语言处理对于总结聊天机器人文档和进行情感分析至关重要。
计算机视觉使用深度学习技术从视频和图像中提取信息和见解。您可以使用计算机视觉来监控在线内容中是否有不恰当的图像、识别人脸和对图像细节进行分类。在自动驾驶汽车和卡车中，监控环境并在瞬间做出决定至关重要。
生成式人工智能是指根据简单的文本提示创建新的内容和构件（如图像、视频、文本和音频）的人工智能系统。与过去局限于分析数据的人工智能不同，生成式人工智能利用深度学习和海量数据集来产生高质量、类似人类的创造性输出。在实现激动人心的创造性应用的同时，也存在着对偏见、有害内容和知识产权的担忧。总的来说，生成式人工智能代表了人工智能性能的重大发展，它能以类似人类的方式生成人类语言和新的内容及构件。
然后，您可以继续进行更专业的培训。攻读人工智能、机器学习或数据科学硕士学位，以获得更深入的理解和实践经验。这些计划通常涉及神经网络、自然语言处理和计算机视觉深度等主题。
一些挑战使人工智能的实施和使用变得复杂。以下是最常见的一些挑战。
数据治理政策必须遵守监管限制和隐私法。要实施AI，您必须管理数据质量、隐私和安全。您对客户数据和隐私保护负责。为了管理数据安全，您的组织应了解人工智能模型如何使用各层客户数据并与之交互。
使用机器学习训练AI会消耗大量资源。高处理能力门槛对于深度学习技术发挥作用至关重要。您必须拥有强大的计算基础架构才能运行AI应用程序和训练模型。处理能力可能很昂贵，并且会限制人工智能系统的可扩展性。
您需要输入海量数据以训练无偏见的人工智能系统。您必须有足够的存储容量来容纳并处理训练数据。同样，您必须制定有效的管理和数据质量流程，以确保用于训练的数据的准确性。
AWS让更多的人能够使用人工智能，包括创建者、数据科学家、业务分析师和学生。凭借最全面的人工智能服务、工具和资源，AWS为超过十万家客户提供了深入的专业知识，以满足他们的业务需求并让数据的价值得以体现。客户可以在隐私、端到端安全和人工智能治理的基础上使用AWS进行构建和扩展，以前所未有的速度实现转型。AWS上的人工智能包括用于现成智能技术的预先训练的人工智能服务，以及可最大限度地提高性能并降低成本的人工智能基础设施。
一款专为工作而设计的生成式人工智能助手，可根据您的需求身定制。