文章摘要： 人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是认知、决策、反馈的过程。
提示
- 人工智能领域，有很多方向，其中有很多技术，组成了很多任务，形成了很多实际应用。
- 我认为应该给每个东西一个定义，什么时候应该用什么，有什么优缺点，从而找到最优解。
- 应该多跟国内外领先的公司和技术对比，进而看到别人的优缺点，来不断提升自己。
- 机器学习或者深度学习框架就是将数据转换成二维矩阵或者三维张量（tensor）来进行计算。
- 推荐教程：吴恩达老师的机器学习课程
注释
人工智能就像孩童，传授垃圾知识，产出垃圾结果，请认真对待与呵护。
人工智能简介
细分领域
- 深度学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理—语音识别、自然语言处理—通用、实时语音翻译、情境感知计算、手势控制、视觉内容自动识别、推荐引擎等。
各个主义的实现对比
知识表示
- 符号主义：谓词逻辑、产生式系统、框架系统
- 经验主义：状态表示、特征表示
- 连接主义：语义向量、网络权重
发展阶段设想
设想1
运算智能
- 记忆、计算的能力
感知智能
- 听觉、视觉、触觉
认知智能
- 理解、运用语言的能力。
- 掌握知识、运用知识的能力。
- 以在语言和知识基础上的推理能力。
创造智能
- 利用想象力创造出很好的作品或产品。
设想2
第一阶段
- 机器学习：智能系统使用一系列算法从经验中进行学习。
第二阶段
- 机器智能：机器使用一些列从经验中进行学习的高级算法，如，深度神经网络。
第三阶段
- 机器意识：不需要外部数据就能从经验中自学习。
设想3
ANI（狭义人工智能）
- 包含基础的、角色型任务。
- 如，Siri、Alexa、Cortana
AGI（通用人工智能）
- 包含人类水平的任务，涉及到机器的持续学习。
ASI（强人工智能）
- 比人类更聪明的机器。
注释
神经网络是一种通用机器学习模型，是一套特定的算法集。
一般会说基于机器学习/深度学习的神经网络，神经网络可以说是一种算法集。
技术
机器学习（ML）
详细总结：机器学习
深度学习（DL）
详细总结：深度学习
自然语言理解（NLU）
- 发展方向：对话系统、情感分析、情感计算、数据分析、推荐系统、文本翻译、文本分类、文本纠错、文本聚类、问答系统、信息抽取、信息检索、信息推荐、信息摘要、阅读理解
详细总结：自然语言理解
自然语言生成（NLG）
详细总结：自然语言生成
图像识别（CV）
语音转文本（STT）
- 语音识别
详细总结：语音转文本
语音转语音
文本转语音（TTS）
- 语音合成
详细总结：文本转语音
文本转图像
RAG
- 知识管理是大模型更懂企业的基础。
- 内部知识管理、外部情报分析、大数据分析、多模态处理、工作流知识管理
详细总结：RAG
大模型
详细总结：大模型
提示词工程
详细总结：提示词工程
智能体（Agent）
- 能够调用各种工具，具有行动能力。
- 通过RAG，调用企业专业知识，更懂企业。
- 将日常重复性业务流程形成策略，实现流程自动化。
- 自主性响应，从辅助人的工具变成能够自主工作的数字员工。
详细总结：智能体
工作流自动化
- 连接多个Agent和数字化系统，实现多个Agent、多个数字化系统、多个组织之间的协同。
- Skill（技能）：执行特定Task（任务）的能力，是最基本的操作单元。
- Playbook（剧本/策略）：包含一系列Task（任务）或Action（动作），针对特定场景的预定义策略和动作。
- Workflow（工作流）：描述业务流程的高级结构，包含多个
Skill和Playbook。
数字人
工序
数据标注
- 数据标注专注于人工智能领域，为人工智能行业提供 “数据采集、数据清洗、数据标注” 等数据类服务。
详细总结：数据标注
应用
人机对话系统
详细总结：人机对话系统
岗位
AI产品人员分工
