人工智能（AI）是有史以来开发的最强大的技术之一，但是它并不像您想象的那么新。实际上，自1950年代问世以来，它经历了几次演变。第一代人工智能是“描述性分析”，它回答了“发生了什么？”这一问题。第二个“诊断分析”指出：“为什么发生？”第三代是“预测分析”，它回答了以下问题：“基于已经发生的事情，将来会发生什么？”

尽管预测分析可以非常有用，并且可以为数据科学家节省时间，但预测分析仍然完全依赖于历史数据。因此，面对新的未知场景，数据科学家将无可奈何。为了拥有真正的“人工智能”，我们需要能够自行“思考”的机器，尤其是在面对陌生情况时。我们需要的AI不仅可以分析显示的数据，还可以在没有合计的情况下表现出“直觉”。简而言之，我们需要能够模仿人类直觉的人工智能。幸运的是，我们有它。

什么是人工直觉？

第四代人工智能是“人工直觉”，它使计算机能够识别威胁和机会而无需告知要寻找的内容，就像人类的直觉使我们无需特别指示如何做就可以做出决定。这类似于经验丰富的侦探，他们可以进入犯罪现场并立即知道某些事情似乎不对劲，或者是经验丰富的投资者，可以在其他任何人面前发现即将到来的趋势。人工直觉的概念是仅仅五年前才被认为是不可能的。但是现在，像Google，Amazon和IBM这样的公司正在努力开发解决方案，并且一些公司已经设法对其进行了操作。

它是如何工作的？

那么，人工直觉如何在没有任何历史背景的情况下准确地分析未知数据以将其指向正确的方向呢？答案在于数据本身。一旦显示了当前数据集，复杂的人工直觉算法便能够识别数据点之间的任何相关性或异常。

当然，这不会自动发生。首先，人为的直觉不是建立用于处理数据的定量模型，而是应用定性模型。它分析数据集并开发一种上下文语言，该语言表示其观察到的整体配置。这种语言使用各种数学模型，例如矩阵，欧式空间和多维空间，线性方程式和特征值来代表“大局”。如果您将大图想象成一个巨大的难题，那么从直觉上就可以从一开始就看到完整的难题，然后根据特征向量的相互关系进行回溯以填补空白。

在线性代数中，特征向量是一个非零向量，当对其应用线性变换时，特征向量最多变化一个标量因子（方向不变）。对应的特征值是特征向量缩放所依据的因子。从概念上讲，这提供了一个可视化异常标识符的指南。然后，将任何无法正确放入大图的特征向量都标记为可疑。

如何使用？

人工直觉几乎可以应用于任何行业，但是目前在金融服务领域取得了长足的进步。大型全球银行越来越多地使用它来检测复杂的新型金融网络犯罪计划，包括洗钱，欺诈和ATM黑客攻击。可疑的金融活动通常隐藏在成千上万个具有自己的连接参数集的交易中。通过使用极其复杂的数学算法，人工直觉可以快速识别出五个最具影响力的参数，并将其呈现给分析人员。

在99.9％的情况下，分析人员从成百上千的五种最重要的成分和相互联系中发现时，他们可以立即识别所呈现的犯罪类型。因此，人工直觉具有生成正确类型的数据，识别数据，以较高的准确性和较低的误报率进行检测的能力，并以易于分析师理解的方式进行呈现。

通过发现看似无辜的交易之间的这些隐藏关系，人为的直觉能够检测到银行并向其发出“未知未知数”（以前是看不见的，因此是意料之外的攻击）并发出警报。不仅如此，而且还可以采用可追溯和记录的方式解释数据，从而使银行分析师能够为金融犯罪执法网络（FinCEN）准备可执行的可疑活动报告。

它将如何影响工作场所？

人工直觉并不旨在替代人类的本能。它只是一个附加工具，可以帮助人们更有效地完成工作。在上面概述的银行业务示例中，人为直觉并不能自行做出任何最终决定；它只是向分析师提供其认为是犯罪活动的信息。分析人员的工作仍然是审查已确定的交易并确认机器的怀疑。

自从艾伦·图灵（Alan Turing）于1950年代首次提出该概念以来，人工智能已经走了很长一段路，并且它丝毫没有放缓的迹象。前几代人只是冰山一角。人工直觉标志着AI真正成为“智能”的关键。