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。终端安全现在，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。

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) –网络安全 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。

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，发现身份、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，信息安全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