什么是AI？AI是如何工作的

什么是人工智能(AI)？

人工智能是机器，尤其是计算机系统对人类智能过程的模拟。人工智能的具体应用包括专家系统, 自然语言处理，语音识别和计算机视觉.

AI是如何工作的？

随着围绕人工智能的炒作加速，供应商们一直在争先恐后地推广他们的产品和服务如何使用它。通常，他们所说的人工智能只是技术的一个组成部分，例如机器学习。人工智能需要专门的硬件和软件基础来编写和训练机器学习算法。没有一种编程语言是人工智能的同义词，但Python、R、Java、C++和Julia都有受人工智能开发者欢迎的特性。

一般来说，AI系统的工作方式是摄取大量带标签的训练数据，分析数据的相关性和模式，并使用这些模式对未来状态进行预测。通过这种方式，被输入文本示例的聊天机器人可以学习与人进行逼真的交流，或者图像识别工具可以通过查看数百万个示例来学习识别和描述图像中的对象。新的、快速改进的生成式人工智能技术可以创造现实的文本，图像，音乐和其他媒体。

人工智能编程侧重于认知技能，包括以下内容:

• 学习 人工智能编程的这一方面侧重于获取数据，并为如何将数据转化为可操作的信息创建规则。这些规则被称为算法为计算设备提供如何完成特定任务的逐步说明。
• 推理 人工智能编程的这一方面侧重于选择正确的算法来达到预期的结果。
• 自我修正 人工智能编程的这一方面旨在不断微调算法，并确保它们尽可能提供最准确的结果。
• 创造力 人工智能的这个方面 使用神经网络、基于规则的系统、统计方法和其他人工智能技术来生成新图像、新文本、新音乐和新想法。

人工智能为什么重要？

人工智能很重要，因为它有可能改变我们的生活、工作和娱乐方式。它已经被有效地应用于商业领域，实现人工任务的自动化，包括客户服务工作、线索挖掘、欺诈检测和质量控制。在许多领域，人工智能可以比人类更好地执行任务。特别是在涉及重复、注重细节的任务时，例如分析大量法律文件以确保相关字段得到正确填写，人工智能工具通常可以完成工作快速且错误相对较少。由于它可以处理大量数据集，人工智能还可以让企业深入了解他们可能没有意识到的运营。人口的迅速增长生成式人工智能工具在从教育、营销到产品设计的领域都很重要。

人工智能已经成为当今许多最大、最成功的公司的核心，包括Alphabet、苹果、微软和Meta，人工智能技术被用于改善运营和超越竞争对手。例如，在Alphabet子公司谷歌，人工智能是其搜索引擎、Waymo自动驾驶汽车和谷歌大脑的核心，谷歌大脑发明了变压器神经网络支撑最近自然语言处理突破的架构。

人工智能的优缺点是什么？

人工神经网络深度学习人工智能技术正在快速发展，主要是因为人工智能可以更快地处理大量数据，并比人类更准确地做出预测。

虽然每天创建的海量数据会埋葬一名人类研究人员，但使用机器学习的人工智能应用程序可以获取这些数据，并迅速将其转化为可操作的信息。在撰写本文时，人工智能的一个主要缺点是处理人工智能编程所需的大量数据非常昂贵。随着人工智能技术被纳入更多的产品和服务，组织也必须适应人工智能有意或无意地创造有偏见和歧视性系统的潜力。

人工智能的优势

以下是AI的一些优势。

• 擅长注重细节的工作。人工智能已被证明在诊断某些癌症方面与医生一样好，甚至更好，包括乳腺癌和黑素瘤.
• 减少数据密集型任务的时间。人工智能被广泛用于数据密集型行业，包括银行和证券、制药和保险，以减少分析大数据集所需的时间。例如，金融服务经常使用人工智能来处理贷款申请和检测欺诈。
• 节省劳动力并提高生产率。这里的一个例子是使用仓库自动化，它在疫情期间成长，并有望随着人工智能和机器学习的集成而增长。
• 提供一致的结果。最好的人工智能翻译工具提供了高度的一致性，即使是小企业也能够用客户的母语与他们交流。
• 可以通过个性化提高客户满意度。人工智能可以为个人客户个性化内容、消息、广告、推荐和网站。
• 人工智能驱动的虚拟代理始终可用。AI程序不需要睡觉或休息，提供24/7服务。

人工智能的缺点

以下是AI的一些缺点。

• 价格昂贵。
• 需要深厚的技术专长。
• 制造人工智能工具的合格工人供应有限。
• 反映了大规模训练数据的偏差。
• 缺乏从一项任务归纳到另一项任务的能力。
• 消除了人类的工作，增加了失业率。

强人工智能对弱人工智能

人工智能可以分为弱AI或者强AI.

• 弱人工智能，也称为狭义人工智能，是为完成特定任务而设计和训练的。工业机器人和虚拟个人助理，如苹果的Siri，使用的是弱AI。
• 强人工智能，也称为人工通用智能(AGI)，描述了可以复制人脑认知能力的编程。当面对不熟悉的任务时，强大的人工智能系统可以使用模糊逻辑将一个领域的知识应用到另一个领域，并自主找到解决方案。理论上，一个强大的人工智能程序应该能够通过图灵测试还有中式房间的争论。

人工智能的4种类型是什么？

密歇根州立大学综合生物学和计算机科学与工程助理教授阿伦·辛慈说，解释人工智能可以分为四种类型，从今天广泛使用的特定任务智能系统开始，发展到尚不存在的感知系统。这些类别如下。

• 类型1:反应式机器。这些人工智能系统没有记忆，是针对特定任务的。一个例子是深蓝，IBM的国际象棋程序在20世纪90年代击败了加里·卡斯帕罗夫。“深蓝”可以识别棋盘上的棋子并做出预测，但因为它没有记忆，所以不能用过去的经验来预测未来。
• 类型2:短期记忆力 这些人工智能系统具有记忆，因此它们可以利用过去的经验来指导未来的决策。中的一些决策功能无人驾驶汽车都是这样设计的。
• 类型3:心理理论。心理理论是一个心理学术语。当应用于人工智能时，这意味着该系统将具有理解情感的社会智能。这种类型的人工智能将能够推断人类的意图并预测行为，这是人工智能系统成为人类团队不可或缺的成员的必要技能。
• 类型4: 自我意识。在这一类别中，人工智能系统具有自我意识，这赋予了它们意识。有自我意识的机器明白自己当前的状态。这种类型的人工智能还不存在。

有哪些AI技术的例子，今天是如何使用的？

人工智能融入了各种不同类型的技术。这里有七个例子。

自动化。当与人工智能技术配合使用时，自动化工具可以扩展所执行任务的数量和类型。一个例子是机器人过程自动化(橡胶胶溶剂（Rubber Peptizing Agent的缩写）)，这是一种软件，可以自动执行传统上由人类完成的重复性、基于规则的数据处理任务。当与机器学习和新兴的人工智能工具相结合时，RPA可以自动化更大部分的企业工作，使RPA的战术机器人能够传递来自人工智能的智能，并对流程变化做出响应。

机器学习。这是一门不用编程就能让计算机行动的科学。深度学习是机器学习的一个子集，简单来说，可以认为是预测分析的自动化。有三种机器学习算法:

• 监督学习 数据集被标记，以便模式可以被检测并用于标记新的数据集。
• 无监督学习 数据集没有标签，而是根据相似性或差异性进行分类。
• 强化学习.数据集没有被标记，但在执行一个或几个动作后，人工智能系统会得到反馈。

机器视觉。这项技术赋予了机器看的能力。机器视觉使用摄像头、模数转换和数字信号处理来捕捉和分析视觉信息。它经常被比作人类的视力，但机器视觉不受生物学的限制，例如，可以通过编程看穿墙壁。它被用于从签名识别到医学图像分析的一系列应用中。计算机视觉专注于基于机器的图像处理，通常与机器视觉混为一谈。

自然语言处理(NLP)。这是计算机程序对人类语言的处理。NLP最古老和最著名的例子之一是垃圾邮件检测，它查看电子邮件的主题行和文本，并确定它是否是垃圾邮件。当前的自然语言处理方法是基于机器学习的。NLP任务包括文本翻译、情感分析和语音识别。

机器人技术。这一工程领域的重点是机器人的设计和制造。机器人通常用于执行人类难以执行或难以持续执行的任务。例如，机器人被用于汽车生产装配线或被美国宇航局用于在太空中移动大型物体。研究人员还利用机器学习来制造可以在社交环境中互动的机器人。

自动驾驶汽车。自动驾驶汽车结合了计算机视觉，图像识别以及深度学习，以建立自动驾驶车辆的技能，同时保持在给定的车道上，并避免意外的障碍物，如行人。

文本、图像和音频生成。生成性人工智能技术从文本提示中创建各种类型的媒体，正被广泛应用于各行各业，以创建从照片写实艺术到电子邮件回复和剧本等看似无限的内容类型。

AI有哪些应用？

人工智能已经进入了各种各样的市场。下面是11个例子。

医疗保健中的人工智能。最大的赌注是改善病人的结果和降低成本。公司正在应用机器学习来做出比人类更好更快的医疗诊断。最著名的医疗保健技术之一是IBM Watson。它理解自然语言，并能回答向它提出的问题。该系统挖掘患者数据和其他可用的数据源以形成假设，然后用置信度评分模式呈现该假设。其他人工智能应用包括使用在线虚拟健康助手和聊天机器人帮助患者和医疗保健客户查找医疗信息、安排预约、了解计费流程并完成其他管理流程。一系列人工智能技术也被用于预测、战斗和理解像新冠肺炎这样的流行病.

商业中的人工智能。机器学习算法正被集成到分析和客户关系管理(客户关系管理)平台来揭示如何更好地为客户服务的信息。聊天机器人已经被整合到网站中，为顾客提供即时服务。生殖人工智能技术的快速发展，例如ChatGPT聊天机器人预计将产生深远的影响:裁员、产品设计革命和商业模式颠覆。

教育中的AI。人工智能可以自动评分，让教育工作者有更多时间完成其他任务。它可以评估学生并适应他们的需求，帮助他们按照自己的节奏工作。人工智能导师可以为学生提供额外的支持，确保他们走上正轨。这项技术也可以改变学生学习的地点和方式，甚至可能取代一些老师。正如ChatGPT所证明的那样，Bard和其他大型语言模型一样，生成式人工智能可以帮助教育工作者制作课程作业和其他教学材料，并以新的方式吸引学生。这些工具的出现也迫使教育工作者重新思考学生的作业和测试，并修改关于剽窃的政策。

金融中的AI。个人金融应用中的人工智能，如Intuit Mint或TurboTax，正在扰乱金融机构。诸如此类的应用程序收集个人数据并提供财务建议。其他程序，如IBM Watson，已经被应用到买房的过程中。今天，人工智能软件完成了华尔街的大部分交易。

法律上的AI。法律上的发现过程——筛选文件——对人类来说通常是难以承受的。使用人工智能来帮助自动化法律行业的劳动密集型流程，可以节省时间并改善客户服务。律师事务所使用机器学习来描述数据和预测结果，使用计算机视觉来分类和提取文档中的信息，使用NLP来解释对信息的请求。

娱乐与媒体人工智能。娱乐业务将人工智能技术用于定向广告、推荐内容、发行、检测欺诈、创作剧本和制作电影。自动化新闻帮助新闻编辑室简化媒体工作流程，减少时间、成本和复杂性。新闻编辑室使用人工智能来自动化日常任务，如数据输入和校对；并研究主题和协助标题。新闻业如何可靠地使用ChatGPT和其他生成性人工智能来生成内容有待商榷.

软件编码和IT过程中的人工智能。新的生成式人工智能工具可以用来基于自然语言提示生成应用程序代码，但这些工具还处于早期阶段，它们不太可能很快取代软件工程师。人工智能也被用来自动化许多IT流程，包括数据输入、欺诈检测、客户服务以及预测性维护和安全性。

安全。人工智能和机器学习是安全供应商用来营销其产品的热门词汇，因此买家应该谨慎对待。尽管如此，人工智能技术正被成功地应用于网络安全的多个方面，包括异常检测、解决假阳性问题以及进行行为威胁分析。组织在安全信息和事件管理中使用机器学习(扫描免疫电子显微镜检查)软件和相关领域，以检测异常并识别指示威胁的可疑活动。通过分析数据并使用逻辑来识别与已知恶意代码的相似性，AI可以比人类员工和以前的技术迭代更快地向新的和正在出现的攻击提供警报。

制造业中的人工智能。制造业一直站在将机器人融入工作流程。例如，一度被编程为执行单一任务并与人类工人分离的工业机器人，越来越多地作为cobots:更小的多任务机器人，与人类合作，在仓库、工厂车间和其他工作场所承担更多工作。

银行业的人工智能。银行正在成功地利用聊天机器人让客户了解服务和产品，并处理不需要人工干预的交易。人工智能虚拟助理用于改善和削减遵守银行法规的成本。银行组织使用人工智能来改善贷款决策，设置信贷限额和识别投资机会。

交通工具中的人工智能。除了人工智能在操作自动驾驶汽车方面的基本作用，人工智能技术还用于交通运输，以管理交通，预测航班延误，并使海洋运输更加安全和高效。在供应链中，人工智能正在取代预测需求和预测中断的传统方法，新冠肺炎加速了这一趋势，当时许多公司对全球疫情对商品供需的影响措手不及。

增强智能与人工智能

一些行业专家认为人工智能与流行文化联系过于紧密，这导致公众对人工智能将如何改变工作场所和生活产生了不可思议的期望。他们建议使用这个术语增强智能为了区分自主行动的人工智能系统——流行文化的例子包括Hal 9000和终结者——和支持人类的人工智能工具。

• 增强智能。一些研究人员和营销人员希望这个标签增强智能，具有更中性的内涵，将帮助人们理解AI的大多数实现都将是薄弱的，只是简单地改进产品和服务。示例包括自动显示商业智能报告中的重要信息或突出显示法律文件中的重要信息。ChatGPT和Bard在整个行业的快速采用表明了使用人工智能支持人类决策的意愿。
• 人工智能。真正的人工智能，或AGI，与技术奇点-一个由安统治的未来人工超级智能这远远超出了人类大脑理解它的能力，或者它是如何塑造我们的现实的。这仍然是科幻小说的领域，尽管一些开发人员正在解决这个问题。许多人认为，量子计算等技术可以在实现AGI方面发挥重要作用，我们应该将人工智能这一术语保留用于这种一般智能。

人工智能的道德使用

虽然人工智能工具提供了一系列面向企业的新功能，人工智能的使用也提出了伦理问题，因为不管是好是坏，人工智能系统都会强化它已经学到的东西。

这可能会有问题，因为机器学习算法是许多最先进的人工智能工具的基础，它们的智能取决于训练中提供的数据。因为人类选择使用什么数据来训练人工智能程序，潜在的机器学习偏差是固有的，必须密切监控。

任何希望将机器学习用作现实世界生产系统的一部分的人都需要将道德因素纳入他们的人工智能培训过程，并努力避免偏见。当使用人工智能算法时尤其如此，这些算法在深度学习和生成对抗网络(开始)应用。

可解释性是在严格控制下运作的行业中使用人工智能的潜在绊脚石法规遵循要求。例如，美国的金融机构在要求它们解释其信贷发放决定的法规下运作。然而，当人工智能编程做出拒绝信贷的决定时，可能很难解释该决定是如何达成的，因为用于做出此类决定的人工智能工具是通过梳理成千上万个变量之间的微妙相关性来操作的。当决策过程无法解释时，程序可称为黑盒人工智能.

总之，大赦国际的伦理挑战包括以下方面:偏见，由于算法训练不当和人为偏见；滥用，由于deepfakes和钓鱼；法律问题，包括艾诽谤和版权问题；工作岗位的减少；和数据隐私问题，尤其是在银行、医疗保健和法律领域。

人工智能治理和法规

尽管存在潜在的风险，但目前几乎没有监管人工智能工具使用的法规，即使有法律，它们通常也间接涉及人工智能。例如，如前所述，美国公平贷款法规要求金融机构向潜在客户解释信贷决策。这限制了贷款人可以使用深度学习算法的程度，这些算法本质上是不透明的，缺乏可解释性。

欧盟的通用数据保护条例(GDPR)正在考虑AI规定。GDPR对企业如何使用消费者数据的严格限制，已经限制了许多面向消费者的人工智能应用的训练和功能。

美国的政策制定者还没有发布AI立法，但这种情况可能很快就会改变。白宫科技政策办公室(OSTP)于2022年10月发布的“人工智能权利法案蓝图”指导企业如何实施道德人工智能系统。美国商会也在一份声明中呼吁制定人工智能法规报告2023年3月上映。

制定法律来监管人工智能并不容易，部分原因是人工智能包括各种公司用于不同目的的技术，部分原因是监管可能会以人工智能的进步和发展为代价。人工智能技术的快速发展是形成有意义的人工智能监管的另一个障碍，人工智能缺乏透明度带来的挑战也是如此，这使得人们很难看到算法如何达到它们的结果。此外，ChatGPT和Dall-E等技术突破和新应用可以让现有法律立即过时。当然，政府制定的监管人工智能的法律并不能阻止犯罪分子恶意使用这项技术。

AI的历史是怎样的？

无生命物体被赋予智能的概念自古就有。希腊神赫菲斯托斯在神话中被描绘成用黄金锻造机器人般的仆人。古埃及的工程师建造了由牧师制作的神像。几个世纪以来，从亚里斯多德到13世纪西班牙神学家拉蒙·勒尔，再到勒内·笛卡尔和托马斯·贝叶斯，思想家们用他们那个时代的工具和逻辑来描述人类的思维过程，以此作为符号，为人工智能概念奠定了基础，比如通用知识表达.

19世纪末和20世纪上半叶的基础工作带来了现代计算机。1836年，剑桥大学数学家查尔斯·巴贝奇和洛夫莱斯伯爵夫人奥古斯塔·爱达·金发明了第一台可编程机器。

二十世纪四十年代。普林斯顿数学家约翰·冯·诺依曼构想了存储程序计算机的体系结构——即计算机的程序和它处理的数据可以保存在计算机的内存中。沃伦麦卡洛克和沃尔特皮茨为神经网络奠定了基础。

二十世纪五十年代。随着现代计算机的出现，科学家们可以测试他们关于机器智能的想法。英国数学家、二战时期的密码破译者艾伦·图灵发明了一种判断计算机是否具有智能的方法。图灵测试的重点是计算机欺骗审讯者的能力，让他们相信计算机对他们问题的回答是由人类做出的。

1956.在达特茅斯学院的夏季会议上，人工智能的现代领域被广泛引用为今年开始。由美国国防高级研究计划局(DARPA)主办，该领域的10位杰出人士出席了会议，包括人工智能先驱马文·明斯基、奥利弗·塞尔福里奇和约翰·麦卡锡人们认为是谁创造了这个术语人工智能。出席会议的还有计算机科学家艾伦·纽厄尔，以及经济学家、政治学家和认知心理学家司马贺。两人展示了他们开创性的逻辑理论家，这是一个能够证明某些数学定理的计算机程序，被称为第一个人工智能程序。

五六十年代。在达特茅斯学院会议之后，新兴人工智能领域的领导人预测，一种相当于人脑的人工智能即将出现，吸引了主要政府和行业的支持。事实上，近20年资金充足的基础研究带来了人工智能的重大进步:比如，20世纪50年代末，纽维尔和西蒙发表了通用问题求解器(GPS)算法，该算法无法解决复杂问题，但为开发更复杂的认知架构奠定了基础；麦卡锡发展了咬舌，一种至今仍在使用的人工智能编程语言。20世纪60年代中期，麻省理工学院教授Joseph Weizenbaum开发了ELIZA，这是一个早期的NLP程序，为今天的聊天机器人奠定了基础。

七八十年代。人工智能的实现被证明是难以捉摸的，不是迫在眉睫的，受到计算机处理和记忆的限制以及问题复杂性的阻碍。政府和企业放弃了对人工智能研究的支持，导致了从1974年到1980年的一段休耕期，称为第一次艾·温特。“上世纪80年代，对深度学习技术的研究和行业对爱德华·费根鲍姆(Edward Feigenbaum)专家系统的采用引发了新一轮人工智能热潮，随后政府资助和行业支持又一次崩溃。第二次AI寒冬一直持续到90年代中期。

90年代。计算能力的提高和数据的爆炸引发了20世纪90年代末的人工智能复兴，为我们今天看到的人工智能的显著进步奠定了基础。大数据和增强的计算能力的结合推动了NLP、计算机视觉、机器人、机器学习和深度学习的突破。1997年，随着人工智能的加速发展，IBM的“深蓝”打败了俄罗斯国际象棋特级大师加里·卡斯帕罗夫，成为第一个打败国际象棋世界冠军的计算机程序。

2000年代。机器学习、深度学习、自然语言处理、语音识别和计算机视觉的进一步发展产生了改变我们今天生活方式的产品和服务。其中包括2000年推出的谷歌搜索引擎和2001年推出的亚马逊推荐引擎。网飞开发了电影推荐系统，脸书推出了面部识别系统，微软推出了将语音转换成文本的语音识别系统。IBM推出了沃森，谷歌启动了自动驾驶计划Waymo。

2010年代。从2010年到2020年的十年间，人工智能发展稳定。其中包括苹果Siri和亚马逊Alexa语音助手的推出；IBM Watson在以下方面的胜利危险；自动驾驶汽车；第一个生成性对抗网络的发展；Google开源深度学习框架TensorFlow的推出；研究实验室的建立OpenAI公司GPT-3语言模型和Dall-E图像生成器的开发者；世界围棋冠军李·塞多尔(Lee Sedol)被谷歌DeepMind的AlphaGo击败；以及实施基于人工智能的系统，以高精度检测癌症。

2020年代。当前十年见证了生成式人工智能的出现，这是一种可以产生新内容的人工智能技术。生成式人工智能从一个提示开始，可以是文本、图像、视频、设计、音符或人工智能系统可以处理的任何输入。然后，各种人工智能算法会根据提示返回新的内容。内容可以包括文章，问题的解决方案，或从一个人的图片或音频创建的逼真的赝品。ChatGPT-3、谷歌的Bard和微软的威震天-图灵NLG等语言模型的能力震惊了世界，但这项技术仍处于早期阶段，其产生幻觉或扭曲答案的趋势就是证明。

人工智能工具和服务

人工智能工具和服务正在快速发展。当前人工智能工具和服务的创新可以追溯到2012年的AlexNet神经网络，该网络开创了基于GPU和大型数据集的高性能人工智能的新时代。关键的变化是能够以更可扩展的方式在多个GPU核心上并行训练神经网络处理大量数据。

在过去的几年里，谷歌、微软和OpenAI的人工智能发现与英伟达开创的硬件创新之间的共生关系使得在更多连接的GPU上运行越来越大的人工智能模型成为可能，推动了性能和可扩展性方面的变革。

这些人工智能名人之间的合作对ChatGPT最近的成功至关重要，更不用说其他几十个突破性的人工智能服务了。这里是人工智能工具和服务的重要创新的概要。

变形金刚。例如，谷歌率先找到了一种更有效的流程，在一个拥有GPU的大型商用电脑集群中提供人工智能培训。这为变压器的发现铺平了道路，变压器可以在未标记的数据上自动训练AI的许多方面。

硬件优化。同样重要的是，Nvidia等硬件供应商也在优化微码，以便为最流行的算法并行运行多个GPU核心。英伟达声称，更快的硬件、更高效的人工智能算法、微调GPU指令和更好的数据中心集成的结合正在推动人工智能性能的百万倍提升。Nvidia还与所有云中心提供商合作，使这一功能更容易实现人工智能即服务通过IaaS、SaaS和PaaS模式。

创成式预训练变形金刚。人工智能栈在过去几年里也发展迅速。以前，企业必须从头开始训练他们的人工智能模型。越来越多的供应商，如OpenAI、Nvidia、微软、谷歌和其他公司，提供了预训练变形金刚(GPT)，可以针对特定任务进行微调，大大降低了成本、专业知识和时间。虽然一些最大的模型每次运行的成本估计在500万到1000万美元之间，但企业只需几千美元就可以对最终的模型进行微调。这加快了上市时间，降低了风险。

AI云服务。阻止企业在业务中有效使用人工智能的最大障碍是将人工智能能力融入新应用程序或开发新应用程序所需的数据工程和数据科学任务。所有领先的云提供商都在推出自己的品牌人工智能即服务产品，以简化数据准备、模型开发和应用程序部署。主要例子包括AWS人工智能服务, 谷歌云人工智能, 微软Azure AI平台， IBM人工智能解决方案和甲骨文云基础设施人工智能服务.

尖端的人工智能模型即服务。领先的人工智能模型开发人员也在这些云服务的基础上提供尖端的人工智能模型。OpenAI有几十个大型语言模型，针对聊天、NLP、图像生成和代码生成进行了优化，这些都是通过Azure提供的。英伟达一直在寻求一种更加云不可知的方法，通过销售针对所有云提供商提供的文本、图像和医疗数据优化的人工智能基础设施和基础模型。数百家其他公司也在提供为各种行业和用例定制的模型。