人工智能：初学者指南

已发表: 2023-05-09

每个人都在谈论人工智能。这是可以理解的——毕竟，突然间出现了免费（或便宜）的工具，可以随时创建各种 AI 生成的内容，包括文本和图像，样式范围不受限制，而且似乎只需几秒钟。

当然很刺激。

但是停下来问自己几个问题：

我真的知道人工智能是什么吗？
我知道它已经存在多久了吗？
我知道 AI 和机器学习之间的区别（如果有的话）吗？
我知道深度学习到底是什么吗？

如果您肯定地回答了所有这些问题，那么本文可能不适合您。如果您对其中一些犹豫不决，请继续阅读。

人工智能革命开始……现在？

让我们从填充一些背景开始。

人工智能是新事物吗？

不。至少从概念上讲，人工智能可以追溯到 1950 年（稍后会详细介绍）。作为一种实用的追求，它在 1960 年代和 70 年代开始蓬勃发展，因为计算机变得更快、更便宜并且更广泛使用。

营销中的人工智能是新事物吗？

不。值得记住的是，除了创建内容之外，人工智能长期以来在营销方面有很多很多应用。多年来，内容推荐和产品推荐一直由 AI 提供支持。预测分析——用于根据过去行为的大型数据集预测用户行为，以及预测下一个最佳行动（向她展示相关的白皮书，向他展示红色棒球帽，发送电子邮件）——一直是人工智能-长时间供电。

近十年来，知名供应商一直在将 AI 融入他们的解决方案中。 Adobe Sensei 和 Salesforce Einstein 始于 2016 年。它只是从来没有给它一个可爱的名字。另一个经验丰富的 AI 部署者是 Pega，它首先使用它来预测其业务流程管理产品中的下一个最佳行动，然后在其 CRM 平台中使用它。

嗯……生成式人工智能是新事物吗？

生成式人工智能。对话式人工智能。人工智能写作工具。当下的所有短语，都在含义上重叠。生成式 AI 生成文本（或图像，甚至视频）。对话式 AI 会生成与人类对话者交互的文本（想想 AI 驱动的聊天机器人）。人工智能写作工具旨在按需创建定制文本。从某种意义上说，所有这些解决方案都使用“提示”——也就是说，它们等待被问到问题或设置任务。

这一切都是新的吗？不，新的是它的广泛可用性。自然语言处理 (NLP) 和自然语言生成 (NLG) 已经存在多年。前者表示人工智能驱动的文本解释；后者是人工智能驱动的文本创建。早在 2015 年，根据我自己的报告，基于人工智能的 NLG 就在为医生和工业运营创建书面报告——甚至为英国国家气象局气象局生成天气预报。

数据输入，文本输出。只是不如 ChatGPT 之类的应用广泛。

视频也是。至少到 2017 年，人工智能不仅用于创建个性化的视频内容，而且还用于创建个性化的视频内容——当用户点击播放时生成，速度之快以至于它似乎是从现有视频库中流式传输的。同样，它不是广泛可用的，而是一种昂贵的企业产品。

深入挖掘： 聊天GPT : 营销人员指南

什么是人工智能：简单版本

让我们从头开始解释。

从算法开始

算法可以定义为在计算或其他解决问题或完成任务的操作中要遵循的一组规则，尤其是计算机。 “算法”来自希腊语吗？不，它实际上来自一位 9^世纪阿拉伯数学家的名字 (al-Khwārizmī) 的一部分。但这没关系。

重要的是，使用算法进行计算或任务与使用 AI 不同——再说一遍，不一样。很容易创建算法；让我们举一个简单的例子。假设我经营一家网上书店，想提供产品推荐。我可以编写一百条规则（算法）并训练我的网站执行它们。 “如果她搜索简·奥斯汀，也给她看艾米莉·勃朗特。” “如果他搜索第一次世界大战的书籍，也给他看第二次世界大战的书籍。” “如果他搜索阿加莎克里斯蒂，给他看其他侦探小说。”

当然，我需要为我的大量侦探小说贴上适当的标签，但到目前为止还很容易。一方面，这些都是很好的规则。另一方面，它们不是“智能”规则。那是因为除非我回来改变它们，否则它们是固定不变的。如果搜索 WW1 书籍的人始终忽略 WW2 书籍，则规则不会学习和适应。他们继续愚蠢地做他们被告知要做的事情。

现在，如果我拥有 Amazon 的资源，我会让我的规则智能化——也就是说，能够根据用户行为进行更改和改进。如果我有亚马逊的市场份额，我就会有大量的用户行为可供规则学习。

如果算法可以自学——无论有没有人为监督——我们就有了人工智能。

可是等等。这不就是机器学习吗？

人工智能与机器学习

对于纯粹主义者来说，人工智能和机器学习本来就不是一回事。但是——这是一个很大的但是——这些术语可以互换使用，以至于没有回头路可走。相反，当人们想要谈论纯 AI，即原始意义上的 AI 时，会使用术语“通用 AI”。

让我们回到 1950 年（我警告过你会的）。艾伦图灵是一位杰出的计算机科学家。他通过破解密码的情报工作帮助盟军击败了纳粹。他的回报是英国社会因其（仍然是非法的）同性恋行为而受到可恶的对待，这种待遇导致首相戈登布朗在他去世 50 多年后正式道歉：“代表英国政府，以及所有那些由于艾伦的工作而自由生活的人，我很自豪地说：我们很抱歉。你值得拥有更好的。”

图灵 800x450 — *二战“密码破译者”所在地布莱切利公园的艾伦图灵雕像。*

那么人工智能呢？ 1950 年，图灵发表了具有里程碑意义的论文《计算机器与智能》。他发表了它，但不是在科学期刊上，而是在哲学期刊《心灵》上。这篇论文的核心是一种他称之为“模仿游戏”的思想实验。它现在被广泛称为“图灵测试”。用最简单的话来说，它提出了机器（或人工智能）智能的标准。如果人类对话者无法区分机器对她的问题的回答与另一个人的回答之间的区别，我们可以将智能归因于机器。

当然，有很多很多人反对图灵的提议（而且他的测试甚至设计得都不巧妙）。但这确实启动了复制——或至少创造等同于——人类智能的探索。您可以将 IBM Watson 视为对该目标的持续追求（尽管它有许多野心较小但利润更高的用例）。

没有人真正认为类似亚马逊的产品推荐机器或类似 ChatGPT 的内容创建引擎像人类一样智能。一方面，他们无法知道或关心他们所做的事情是对还是错——他们根据数据和预测统计数据来做他们所做的事情。

事实上，这里讨论的所有 AI 都是真正的机器学习。但我们不会阻止任何人称它为 AI。至于追求人类水平或“通用人工智能”，我们有充分的理由认为它不会指日可待。例如，参见 Erik J. Larson 的“人工智能神话：为什么计算机不能像我们一样思考”。

“深度学习”呢？

“深度学习”是您可能会遇到的另一个与 AI 相关的术语。它与机器学习有什么不同？是的; 这是超越机器学习的一大步，它的重要性在于它极大地提高了人工智能检测模式的能力，从而像处理数字和文字一样有效地处理图像（和视频）。这变得复杂了；这是简短的版本。

深度学习基于神经网络，一层由输入激活的人工神经元（数学位），相互通信，然后产生输出。这称为“前向传播”。与传统的机器学习一样，节点可以了解输出的准确性，并相应地调整它们的操作。这被称为“反向传播”并导致神经元被训练。

然而，在输入层和输出层之间还有所谓的“隐藏层”的乘积。把这些层从字面上看是堆叠起来的：这就是为什么这种机器学习被称为“深度”的原因。

事实证明，一堆网络层在识别输入数据中的模式方面要好得多。深度学习有助于模式识别，因为每一层神经元都会将复杂的模式分解为更简单的模式（并且反向传播训练过程也在进行）。

Martech 领域有 AI 供应商吗？

这取决于你的意思。

使用人工智能的供应商

Martech 领域估计有 11,000 多家供应商。他们中的许多人，也许是大多数人，都在使用 AI（或者可以很好地证明这就是他们正在做的事情）。但他们并不是为了自己的利益而使用人工智能。他们用它来做某事。

创建商业建议。
编写电子邮件主题行。
向营销人员或销售代表推荐下一步最佳行动。
为聊天机器人提供动力。
写广告文案。
为大规模多变量测试生成内容。

名单是无止境的。

我想说的是，人工智能有点像盐。盐被添加到食物中以使其味道更好。至少，我们大多数人都喜欢在食物中适当使用盐。但是谁会说，“我晚餐要加盐”或“我想吃点零食；我去拿点盐。”

我们在食物中放盐。我们将 AI 置于营销技术中。除此之外，也许出于研究目的，盐和 AI 本身并没有太多使用。

所以是的，有无数的 martech 供应商使用 AI。但是，是否有 Martech 供应商将 AI 作为独立产品进行销售？

销售 AI 的供应商

答案是，在营销技术领域，很少。 AI 作为一种产品实际上意味着由工程师设计的 AI 软件，然后可以在其他解决方案的环境中进行整合和使用。很容易找到销售 AI 软件的工程供应商，但在大多数情况下，他们是向 IT 组织而不是营销组织销售软件，并且将其出售用于非常广泛的后台目的，而不是用于营销或营销。销售量。

有一两个例外，显然是针对营销人员的产品。然而，这还不足以在营销技术领域创建一个人口众多的类别。

我们触及了表面

这就是本文的全部目的：对一个极其复杂的主题进行初步了解，该主题背后有着丰富的历史和不可预知的未来。当然，还有一些伦理问题需要解决，例如机器学习模型将在有偏见的数据集上进行训练的几乎不可避免的情况，以及生成人工智能同样不可避免地抄袭人类内容。

但希望现在这足以咀嚼。

获取营销技术！日常的。自由的。在您的收件箱中。

见条款。

将 MarTech 添加到您的 Google 新闻提要中。