深入了解問(wèn)題的物理學(xué)，例如材料的原子結(jié)構(gòu)，可以有效地應(yīng)用概念，從而創(chuàng)造新的設(shè)備。為此，需要新技術(shù)，其中之一就是人工智能。

我們?cè)絹?lái)越多地聽到人工智能，還有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，后者有時(shí)被不當(dāng)用作前者的同義詞?！叭斯ぶ悄堋?AI)一詞最早出現(xiàn)于 1950 年代，涉及所有能夠執(zhí)行與人類智能相關(guān)的任務(wù)的計(jì)算機(jī)。機(jī)器學(xué)習(xí)只是實(shí)現(xiàn)人工智能的一種方式。另一方面，深度學(xué)習(xí)是與機(jī)器學(xué)習(xí)相關(guān)的眾多方法之一。

人工智能涉及與人類智力相關(guān)并由計(jì)算機(jī)執(zhí)行的所有操作。這些包括計(jì)劃、語(yǔ)言理解、物體和聲音識(shí)別、學(xué)習(xí)和解決問(wèn)題。人工智能和物聯(lián)網(wǎng)之間的關(guān)系真的很有趣，因?yàn)樗愃朴诖竽X和人體之間的關(guān)系。通過(guò)視覺和觸覺等各種感官輸入，我們的身體能夠識(shí)別某種情況并執(zhí)行相應(yīng)的動(dòng)作。我們的大腦根據(jù)感覺輸入做出決定，并向身體發(fā)送信號(hào)以控制其運(yùn)動(dòng)。物聯(lián)網(wǎng)只不過(guò)是一組連接的傳感器，借助人工智能，可以理解所有獲取的數(shù)據(jù)，并通過(guò)控制系統(tǒng)或電路的心臟，我們的 CPU，可以做出決定并操作執(zhí)行器以控制各種運(yùn)動(dòng)(機(jī)械臂)。機(jī)器學(xué)習(xí)本質(zhì)上是實(shí)現(xiàn)人工智能的道路;一種人工智能子組，專注于機(jī)器接收一組數(shù)據(jù)并為自己學(xué)習(xí)的能力，當(dāng)他們獲得更多關(guān)于他們正在處理的信息時(shí)調(diào)整算法。很多時(shí)候，人工智能和機(jī)器學(xué)習(xí) (ML) 這兩個(gè)術(shù)語(yǔ)可以互換使用，尤其是在大數(shù)據(jù)領(lǐng)域?！皺C(jī)器學(xué)習(xí)”一詞是在 AI 之后創(chuàng)建的，它描述了“機(jī)器在沒有明確編程的情況下學(xué)習(xí)的能力”。因此，機(jī)器學(xué)習(xí)是一種“教育”算法的方法，以便它可以從各種環(huán)境情況中學(xué)習(xí)。教育，或者更好的是培訓(xùn)，

機(jī)器學(xué)習(xí)使用神經(jīng)網(wǎng)絡(luò)方法、統(tǒng)計(jì)模型自動(dòng)構(gòu)建分析模型，以查找數(shù)據(jù)中的隱藏信息。神經(jīng)網(wǎng)絡(luò)的靈感來(lái)自于由互連單元(例如神經(jīng)元)形成的人腦功能，這些單元通過(guò)響應(yīng)外部輸入來(lái)處理信息，從而在不同單元之間傳輸相關(guān)信息。機(jī)器學(xué)習(xí)的一個(gè)典型例子是人工視覺系統(tǒng)，或計(jì)算系統(tǒng)識(shí)別由圖像傳感器以數(shù)字方式獲取的對(duì)象的能力。在這些情況下使用的算法必須識(shí)別某些物體，區(qū)分動(dòng)物、事物和人，同時(shí)從情境中學(xué)習(xí)，

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種方法，它從大腦的結(jié)構(gòu)或各種神經(jīng)元的相互連接中得到啟發(fā)。其他方法包括歸納邏輯編程、聚類和貝葉斯網(wǎng)絡(luò)。后者基于由一組變量及其條件依賴組成的 DAG 模型(有向無(wú)環(huán)圖)。該模型可以表示疾病和癥狀之間的概率關(guān)系：給定癥狀作為輸入，可以估計(jì)給定疾病的概率。

深度學(xué)習(xí)使用具有各種處理單元的巨大神經(jīng)網(wǎng)絡(luò)模型;它使用計(jì)算進(jìn)步和訓(xùn)練技術(shù)通過(guò)大量數(shù)據(jù)來(lái)學(xué)習(xí)復(fù)雜的模型。常見應(yīng)用包括成像和語(yǔ)音識(shí)別。由于涉及多個(gè)層次，深度學(xué)習(xí)的概念有時(shí)簡(jiǎn)稱為“深度神經(jīng)網(wǎng)絡(luò)”。近年來(lái)，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)都在人工智能方面取得了長(zhǎng)足的進(jìn)步。兩者都需要由無(wú)數(shù)傳感器收集的大量數(shù)據(jù)，這些傳感器繼續(xù)填充物聯(lián)網(wǎng)生態(tài)系統(tǒng)，從而提高人工智能。改善物聯(lián)網(wǎng)生態(tài)系統(tǒng)將指導(dǎo)人工智能，從而指導(dǎo)成功實(shí)施的方法。從工業(yè)的角度來(lái)看，人工智能可用于預(yù)測(cè)機(jī)器何時(shí)需要維護(hù)或分析生產(chǎn)過(guò)程以實(shí)現(xiàn)大幅效率提升，從而節(jié)省數(shù)百萬(wàn)歐元。消費(fèi)者將有機(jī)會(huì)以最佳方式管理他們的時(shí)間和條件。

電子技術(shù)的進(jìn)步繼續(xù)推動(dòng)人工智能和物聯(lián)網(wǎng)的共生。計(jì)算機(jī)處理和數(shù)據(jù)存儲(chǔ)的發(fā)展使得整合和分析更多數(shù)據(jù)成為可能。減少計(jì)算機(jī)芯片和改進(jìn)制造技術(shù)意味著更便宜、更強(qiáng)大的傳感器。無(wú)線連接以非常便宜的價(jià)格提供大量數(shù)據(jù)，并允許所有這些傳感器將數(shù)據(jù)發(fā)送到云端。云的誕生也使得這些數(shù)據(jù)幾乎可以無(wú)限存儲(chǔ)，并具有相當(dāng)大的計(jì)算處理能力。所有這些進(jìn)步都使人工智能更接近于創(chuàng)造越來(lái)越多地進(jìn)入我們?nèi)粘Ｉ畹闹悄軝C(jī)器的最終目標(biāo)。

為了讓人工智能和機(jī)器學(xué)習(xí)不斷發(fā)展，驅(qū)動(dòng)算法和相關(guān)決策的數(shù)據(jù)必須是高質(zhì)量的數(shù)據(jù)，才能正確解釋。隨著物聯(lián)網(wǎng)設(shè)備連接到互聯(lián)網(wǎng)和相互連接的激增，收集、存儲(chǔ)和處理的數(shù)據(jù)量每天都在增加，從而給大數(shù)據(jù)在安全和隱私方面帶來(lái)了新的挑戰(zhàn)。黑客產(chǎn)生破壞性攻擊的可能性與日俱增。預(yù)防這些風(fēng)險(xiǎn)需要任何組織控制數(shù)據(jù)的生產(chǎn)、存儲(chǔ)和通信。黑客可能能夠控制重要系統(tǒng)并在任何時(shí)間做他們想做的事。