AI：分类、发展、应用与现实挑战

　　AI可以大致分为ANI（Artificial Narrow Intelligence）和AGI（Artificial General Intelligence），分别对应狭义人工智能（弱人工智能）和强人工智能（通用人工智能）。

　　狭义人工智能专注于执行单一任务，旨在构建一个高效的系统，例如图片和面部识别系统、自动驾驶等。而强人工智能，即通用人工智能，是人类构建AI的终极目标，它具备与人类相似的全方位能力，能够执行任何人类能做的任务。

　　在过去十多年里，AI的迅猛发展主要得益于机器学习技术。然而，面对大数据的挑战，机器学习逐渐遇到性能瓶颈。此时，深度学习神经网络应运而生，其中最著名的案例是谷歌的AlphaGo。随着这些技术的融合与迭代，各类搭载AI的产品逐渐兴起。

　　从数据增长的角度看，神经网络的构建模型相较于传统AI工具模型表现出更优异的性能。这一趋势清晰地体现在各类数据模型中。

　　在AI领域，有多种工具可供选择。根据算法分类，AI主要包括机器学习（Machine Learning, ML）和深度学习/神经网络（Deep Learning/Neural Network, DL/NN）。值得注意的是，虽然数据科学（Data Science, DS）并非传统意义上的AI范畴，但它广泛应用了AI算法。

　　机器学习（Machine Learning）旨在研究如何让计算机在不依赖显式程序的情况下具备学习能力。这通常通过一个软件或网站平台来实现。而深度学习（Deep Learning）则通过神经网络训练数据或提取特征信息，尽管其机制与大脑神经元传递信息的方式有本质区别，但类比于大脑的A到B学习过程，实现输入-输出映射。例如，在诊断肺炎时，可能需要训练成千上万张肺炎图片，而医学专业学生可能仅凭课本描述就能做出判断。

　　数据科学则专注于从数据中提取知识和见解。一个数据科学项目可能最终呈现为一组幻灯片，为决策者提供有价值的结论或信息。

　　机器学习与数据科学的区别在于应用目的。例如，在线广告平台利用机器学习系统快速分析用户行为，推荐最可能吸引用户点击的广告。而分析人员或决策者可能基于这些数据调整销售策略，如增加对旅游市场的投入。

　　此外，AI还可以分为监督学习、无监督学习、强化学习和生成式AI等。生成式AI是指能够产生高质量内容的人工智能系统，包括文本、音频、视频等。最知名的生成式AI系统是OPEN AI的ChatGPT、Google Bard和微软Copilot。

　　近年来，类似ChatGPT的大语言模型成为网络讨论的热点。这些模型能够根据输入的文本生成响应，部分内容已达到替代人类的标准。根据麦肯锡和高盛的研究报告，生成式AI每年可为经济贡献2.6万亿至4.4万亿美元，10年内将全球GDP提升7%，80%的工作人口每天有10%的任务与生成式AI相关。

　　未来，许多产品将基于大语言模型作为卖点，如手机产品可能在2024年后的旗舰机型中引入这一技术。这主要因为手机产品的算力和硬件尚不足以支持完整的大模型，因此需要进行性能压缩。高通、谷歌、苹果、三星等巨头将在此领域持续发力，使手机更加智能并带来全新的交互方式。国内方面，华为终端产品值得关注。

　　麦肯锡的研究预测到2030年将有4-8亿的工作被AI取代，但同时也将产生5.5-8.9亿的新工作岗位。一般而言，自动化程度越高的工作越容易被取代。然而，有些工作因其特殊性而难以被替代，如涉及多种技能、管理育人沟通、手工程度高以及受政策政治因素影响的工作。从另一个角度看，大多数工作都是重复的，只要提供合适的环境进行训练，普通人也能达到标准。因此，资本逐利的本性意味着如果AI技术再次爆发式增长并大幅提高生产效率，新的生产关系将形成并取代原有的技能体系，但这与大多数人的关系其实并不大。现在过分担心并无必要。

　　关于AI的未来发展存在乐观和悲观两种观点。过于乐观的观点认为超级人工智能如杀人机器将到来；而吴恩达认为这可能需要几十年甚至几百年才能实现无需过度恐惧。过于悲观的观点则担心AI无法取代任何事情并指出历史上曾有过几次过度炒作AI的情况；但吴恩达认为AI已在多个行业产生显著的经济价值且未来将继续增长。然而AI也面临一些限制和挑战包括解释性差、可能导致歧视性输出以及对抗性攻击等问题；同时也有被用于制造虚假信息、破坏民主和隐私以及产生虚假评论等不利用途的风险需要加以警惕和监管。