人工智能的历史

人工智能作为一个领域始于二十世纪中叶。最初，符号推理非常流行，也带来了一系列重要进展，例如专家系统——能够在某些有限问题的领域充当专家的计算机程序。然而，人们很快发现这种方法无法实现应用场景的大规模拓展。从专家那里提取知识，用计算机可读的形式表现出来，并保持知识库的准确性，是一项非常复杂的任务，而且因为成本太高，在很多情况下并不适用。这使得20世纪70年代出现了“人工智能寒冬”（[AI Winter](https://en.wikipedia.org/wiki/AI_winter)）。随着时间的推移，计算资源变得越来越便宜，可用的数据也越来越多，神经网络方法开始在计算机视觉、语音理解等领域展现出可与人类相媲美的卓越性能。在过去十年中，“人工智能”一词大多被用作“神经网络”的同义词，因为我们听到的大多数人工智能的成功案例都是基于神经网络的方法。我们可以观察一下这些方法是如何变化的，例如，在创建国际象棋计算机对弈程序时：

原文地址：https://a16z.com/2023/04/19/financial-services-will-embrace-generative-ai-faster-than-you-think/原文作者：Angela Strange,Anish Acharya,Sumeet Singh,Alex Rampell,Marc Andrusko,Joe Schmidt,David Haber,Seema Amble发表时间：2023年4月19日译者：通往AGI之路，若有瑕疵之处，请在段落评论中斧正，谨此致谢人工智能和机器学习在金融服务行业的应用已经有十多年的历史，它们已经促成了从更好的信贷评估到更精确的基础欺诈评分等一系列的改进。大型语言模型（LLMs）通过生成式人工智能，代表着一次重大的飞跃，正在改变[教育](https://a16z.com/2023/02/08/the-future-of-learning-education-knowledge-in-the-age-of-ai/)、[游戏](https://a16z.com/2022/11/17/the-generative-ai-revolution-in-games/)、[商业](https://a16z.com/2023/02/07/everyday-ai-consumer/)等多个领域。与传统的AI/ML主要侧重于基于现有数据进行预测或分类不同，生成式人工智能可以创造全新的内容。这种能力，结合了对大量非结构化数据的训练和实际上无限的计算能力，可能将带来金融服务市场数十年来最大的变革。与其他平台转变——如互联网、移动设备、云计算——不同，在这些转变中金融服务行业的采用速度较慢，在这里，我们预计最优秀的新公司和现有企业将立即开始接纳生成式人工智能。

译者：Miranda，原文见https://microsoft.github.io/AI-For-Beginners/lessons/1-Intro/README.md[heading1][课前测试](https://red-field-0a6ddfd03.1.azurestaticap[content]人工智能（Artificial Intelligence）是一门令人兴奋的科学，它研究我们如何使计算机表现出智能行为，例如做一些人类所擅长的事情。最初，查尔斯·巴贝奇（Charles Babbage）发明了计算机，用于按照一套明确定义的程序（即算法）来对数字进行运算。现代计算机虽然比19世纪提出的原始计算机模型要先进得多，但仍然遵循着相同的受控计算理念。因此，如果我们知道实现某些目标所需的每一个步骤及其顺序，就有可能编写出程序，使计算机按照我们的想法去做这些事。✅“根据照片判断一个人的年龄”是一件无法明确编程的任务，因为我们并不知道当我们在做这件事时，是如何经过某些清晰的步骤，从而在脑海中得到一个数字的。然而，对于有些任务，我们并不能知道明确的解法。例如从一个人的照片中来判断他/她的年龄。我们之所以能做这件事，是因为我们见过了很多不同年龄的人，但我们无法明确自己的大脑具体是通过哪些步骤来完成这项任务的，所以也无法编写明确的程序让计算机来完成。这种类型的任务正是人工智能（简称AI）感兴趣的。✅想一想，如果人工智能得以实现，哪些任务可以被交给计算机完成？考虑金融、医学和艺术领域，这些领域如今是如何从人工智能中受益的？