一、生活中常见的人工智能产品？

智能家居设备通过人工智能技术，能够智能化地控制家庭设备，提供节能、智能化的家居环境。

自动驾驶汽车通过使用大量传感器数据、学习如何处理交通和做出实时决策来工作并继续前进。

二、对人工智能常见的误解有哪些？

1、我们先讨论语言

从表面上看，我们似乎可以与程序直接通信-通过用英语对Siri说话，或在Google的搜索引擎中键入俄语单词。是的，Google和NLP（自然语言处理）程序通常会在单词或文本之间找到关联。但是他们缺乏全面的理解，并且在内容和语法方面存在许多困难。例如，可以将熟悉的动作序列（“脚本”）用作AI小说和电视节目的来源。但是他们的阴谋远没有吸引人或娱乐性。因此，除非您喜欢阅读计算机生成的年度业务报告，否则您很可能会发现AI写作工作很乏味或难以理解。

另外，计算机经常犯语法错误或使用笨拙的表达方式。优雅的写作风格仍然是只有人类才能吹嘘的东西。

至于相关性的判断……好吧，AI仍然很长的路要走，直到可以弄清楚如何穿上T恤或折叠缎纹连衣裙。当然，有一些诱人的误导性例子说明AI的发展，例如Siri，Alexa和Google Duplex，他们似乎进行了有意义的对话，甚至在您最喜欢的餐厅进行预订。但是，如果谈话偏离轨道，他们很容易被愚弄而给出混乱的答案。 例如，沃森（WATSON）在游戏节目《危险！》中击败了两位最高人类冠军。但是它并不总是赢。

例如，它因一个“奥运奇数”问题而绊倒并输了。问题是关于美籍德国体操运动员乔治·艾塞尔（George Eyser）的解剖学怪异性质。即，缺少一条腿。沃森（WATSON）正确指定了身体的…奇怪的部分–腿。但是，它无法理解其存储数据中的基本事实是该人的腿缺失。因此，答案“腿”被认为是不正确的。当然，不会再发生这种情况，因为WATSON的程序员现在已经表明了“缺失”一词的重要性……但是还会有其他错误。实话实说，即使在日常情况下，人们也经常依靠与WATSON有关的判断。

因此，我们可以消除这种误解。如果有的话，人工智能就告诉我们，人脑中的过程比我们以前认为的还要复杂和难以重建。

2.智能机器可以自己学习

另一个常见的误解是计算机可以自己学习。好吧，不是真的。当然，他们可以掌握如何以更好的方式执行任务。或根据现有数据进行预测。然而，我们，人类程序员，数据管理员和用户为他们的学习和改进提供了必要的输入。机器还无法单独实现智能的关键组成部分，例如问题解决和计划。

换句话说，除非提供初始数据，否则他们将不知道如何实现目标。想一下下棋。您可能会争辩说，机器学习（ML）使DeepMind的AlphaZero等AI程序 仅经过4个小时的自学就能实现超人水平的象棋游戏。错误。没有数据工程师向其提供初始数据，AlphaZero的成功仍然是不可能的。那推理呢？再一次，计算机科学家使AI技术能够解释人类语言，无论是英语还是中文。

话虽如此，不用担心。我们心爱的技术离不开我们（至少在可预见的将来如此）。

3. AI可以是100％客观的

并非如此。算法仅与创建它们的人一样公平。因此，有偏见的数据科学家将基于他们的有意或无意偏好来创建有偏见的算法。有趣的是，在公开使用算法之前，这些可能不会公开。

一个有趣的例子是亚马逊的招聘工具，该工具显示出对女性的偏见。

该公司的实验性招聘工具使用AI来给应聘者一到五颗星，以此来对求职者进行评分，就像您在亚马逊上对产品进行评分一样。

但是到了2015年，非常明显的是，软件开发人员职位和其他技术职位的候选人没有以性别中立的方式进行评分。

事实证明，亚马逊的计算机模型已经过培训，可以根据公司十年来收到的简历中的模式扫描申请人。由于在整个科技行业中男性占主导地位，大多数人来自男性。

因此，发生的事情是亚马逊的系统告诉自己，男人是更可取的候选人。它对包括“妇女的”一词的简历进行了惩罚，并对所有女子大学的毕业生低估了。

果然，亚马逊使程序对这些特定条款保持中立。但是，这是否可以保证机器不会提出其他可能会歧视的评分方法呢？

总而言之，暂时无法实现100％无偏差的AI。

4. AI和ML是可互换的术语

简单地说-不。这种明显的误解可能源于这样一个事实，即“人工智能”和“机器学习”（ML）这两个术语经常被错误地用来相互替代。因此，让我们澄清一下是什么。

机器学习是AI的一个子领域。ML是机器预测结果并给出建议的能力，而无需程序员的明确指示。另一方面，人工智能的范围要大得多。这是使技术通过人类智能的特质运作的科学。这是一个更笼统的术语（也可以进行哲学讨论）。

AI的概念在不断变化，这主要是由于技术的不断进步。例如，在1980年代，双子座家用机器人具有革命性，因为他能够接受语音命令并保留您的房屋地图以进行导航。但是今天，它比AI更被认为是迷人的遗物。

无论如何，如果ML的概念引起了您的兴趣，您可以在本文中找到对该主题的更详尽的解释。

5.人工智能将接替你的工作

这是一种普遍的恐惧，但实际上更多的是历史重演。在工业革命期间，人们也有同样的担忧。然而，担心失去我们的工作机会的原因远非凭空。人工智能目前旨在与人类合作，以提高效率，而不是与人类对抗。

因此，请从以下方面考虑。在您专注于更具创造性和挑战性的工作（例如学习在数据科学中取得成功所需的技能）的同时，人工智能可能会完成无聊且重复的任务 。

即使将来AI承担某些角色，这也只会基于新功能和需求而产生对新型工作的需求。

6. AI没有创造力

劳斯莱斯（Rolls Royce）使用AI从过去的引擎设计和过去的模拟数据中学习。人工智能还帮助他们预测全新发动机设计的性能。此外，该公司在新组件制造中采用AI。AI还协助他们更换需要检查的旧发动机的所有主要部件。

制药公司也使用机器学习软件。它可以预测患者对可能的药物治疗的反应。人工智能是如何做到的？通过推断因素之间的可能联系，例如人体吸收化合物的能力和人的新陈代谢。

AI当然可以在CG艺术中找到创造性的出路，因为没有它，就无法创建甚至有时甚至无法想象许多视觉效果。例如， 艺术家Harold Cohen编写的计算机程序AARON可以创建原始的艺术图像。该程序的作者科恩（Cohen）甚至说，与他本人相比，他是一个更好的调色师。新样式或图像必须由艺术家手工编码，因此不包括100％无需人工的创造力。但是，科恩比较了他和他的程序与文艺复兴时期画家及其助手之间的关系。

在音乐中也可以找到AI创造力的例子。

例如，大卫·科普（David Cope）开发了一个名为EMI（音乐智能实验）的AI程序 。它可以分析音乐作品，识别和表征音乐流派，并将片段和样式重组为新的原创作品。因此，它以贝多芬，莫扎特，肖邦，巴赫等风格创作了音乐作品。

因此，尽管AI不是独立艺术家，但它肯定会提出一些重要问题，例如：艺术的本质是什么？它是在艺术家的“思想”中还是在旁观者的眼中创造的？谁知道，也许人工智能将来会给我们一些创造性的答案。

7.所有人工智能都是平等创造的

一点也不。基本上，有三种类型的AI：ANI（人工窄带智能），AGI（人工通用智能）和ASI（人工超级智能）。

ANI，或人工狭义情报，执行单个任务，例如下棋或检查天气。此外，它可以自动执行重复性任务。由ANI驱动的机器人可以执行人类认为无聊的任务。他们可以搜索数据库以查找产品详细信息，发货日期和订单历史记录。

另一方面，AGI尚未出现。从理论上讲，AGI应该能够完全模仿人类的智力和行为。它应该是一个有创造力的问题解决者，可以在压力下做出决策。但这仍然是将来的事情。现在，人们普遍认为，一旦我们到达AGI，我们将成为进入ASI或人工智能领域的Fastlane的人，这是一个强大而复杂的程序，它超越了人类的智慧，将带领我们走向灭亡。幸运的是，目前，这只能在您喜欢的科幻电影中发生。

8. AI算法可以找出您所有的杂乱数据

人工智能虽然功能强大，但需要我们的帮助来确定数据。数据工程师不希望AI分析原始数据。他们先贴上标签。

数据标记是获取原始数据，对其进行清理并对其进行整理以供计算机提取的过程。

例如，著名的制药公司辉瑞（Pfizer）会仔细标记其数据。为了确保数据保持相关性，公司每六个月更新一次。一旦标记了他们的数据，就可以在ML中有效地使用它们。辉瑞公司使用机器学习技术进行患者和医师数据分析，以评估针对不同类型患者的最成功方法。该公司创建了一个模型，该模型利用了来自医生的匿名纵向处方数据。为了获得结果，它使用机器学习检查了数千个变量。最后，数据分析表明，最能确定一种辉瑞药物中最有效剂量的医生显示出更好的患者反馈。这些见解有助于实现更多以患者为中心的服务，并考虑了其他支持患者人群的方法。

因此，如果我们想要完美的结果和解决方案，则最好确保我们首先提供了完美的培训数据。

9.人工智能是新的

尽管看起来好像是最新的东西，但AI最早是在1840年代预见的。那就对了。Lady Ada Lovelace女士（英国数学家和作家）预言了其中的一部分。用她的话说，一台机器“可以组成任何程度或复杂程度的精致而科学的音乐”。

一个世纪后，艾伦·图灵（Alan Turing）和他的团队为机器学习奠定了基础。他们创建了Bombe机器，以破解第二次世界大战期间德国人用来发送安全消息的Enigma码。战争结束后，图灵（Turing）于1948年帮助设计了曼彻斯特的第一台现代计算机。但是，由于当时可用的技术太原始，他无法进一步推动AI的发展。在1950年代中期，开发了更强大的机器。

1950年代的一个重要里程碑是亚瑟·塞缪尔（Arthur Samuel）的选秀运动员，他学会了击败塞缪尔本人。您可以想象那时的头条新闻数量！

在1960年代，计算机科学家致力于开发用于数学问题解决方案和机器人机器学习的算法。

而且，尽管在1970年代和1980年代（所谓的AI Winters）缺乏AI研究经费，但在90年代情况有所好转，导致了当今AI领域的最高成就。因此，术语AI和ML背后的最初想法可以追溯到过去，尽管随着时间的流逝，这些概念已经从以前的含义改变了。

10.“认知人工智能”技术能够以人脑的方式理解和解决新问题。

一般来说，认知AI技术反映了人脑的工作原理。他们可以识别图像或分析句子的信息。但是他们绝对需要人工干预。

例如，Facebook拥有一个图像识别应用程序，该应用程序可以分析Facebook或Instagram上的照片，并为用户提供与其互动的内容量身定制的广告。该应用程序还有助于识别违禁内容，品牌和徽标的不当使用或与恐怖主义有关的内容。

但是，Facebook在某些类型的认知技术上遇到了问题。

当它试图识别要显示给用户的重要和相关新闻项时，自动化过程无法区分真实新闻和虚假新闻。实际上，俄罗斯黑客设法在Facebook上故意发布虚假新闻，而没有被自动过滤器检测到。这是安全落后的典型例子。您想知道原因之一吗？事实证明，有某些模式可以诱使算法对对象进行错误分类。

三、人工智能中常见的4种研究方法？

目前对人工智能的界定主要分为四类：像人一样思考（thinking humanly）；像人一样行为（acting hu-manly）；理性思考（thinking rationally）；理性行为（acting rationally）。

其中前两类从与人类表现的逼真度的维度出发，后两类从合理性的、理想的表现量的维度出发。

四、生活中常见属于人工智能的场景有哪些？

生活中常见的人工智能场景十分多样，它们涉及到我们日常生活的方方面面。以下是一些典型的人工智能应用场景：

智能家居：

智能音箱、智能门锁、智能照明等设备，通过语音识别、安全监控、照明调节等功能，增强了家电功能，提供了便捷的语音控制、定时控制以及能耗监测等服务。

智能家电可以学习用户的使用习惯，实现智能节能、预约和语音控制。

智能安防系统结合AI算法和图像识别，实时监控家庭安全。

智能健康管理则能实时监测家庭成员的心率、体温等健康指标。

智能医疗：

人工智能可以实现对医疗影像的自动分析、诊断和治疗建议。

智能穿戴设备帮助人们更好地管理自己的健康状况。

智能交通：

自动驾驶技术通过激光雷达、摄像头等传感器获取环境信息，利用AI算法进行实时决策。

智能交通管控系统实现对道路的智能监控和管理，包括交通信号的智能调度。

智能交通安全监控能够实时监测道路交通状况，预警交通违法行为。

智能金融：

风险评估、信用评级、智能投顾等方面都有人工智能的应用。

智能教育：

在线学习、智能辅导、个性化教学等方面也有人工智能的广泛应用，例如机器人助教可以直接与学生沟通。

智能娱乐：

虚拟现实、游戏开发、智能音响等都涉及人工智能技术。

智能购物：

语音购物让行动不便的人士能通过语音指令购买商品。

智能推荐根据用户的购物历史和喜好推荐商品。

自动化订单处理减少了用户的繁琐操作。

无人零售：

无人超市和自动化物流配送，如无人机送货、自动驾驶车辆等，提高了送货效率和准确性。

综上所述，人工智能已经渗透到我们生活的方方面面，从家居生活到医疗健康，从交通出行到金融服务，再到教育和娱乐，人工智能都在为我们提供更便捷、更高效的服务。

五、生活中常见的人工智能产品

标题：生活中常见的人工智能产品

随着科技的不断发展，人工智能已经深入到我们生活的方方面面。在日常生活中，我们常常会接触到各种各样的人工智能产品。下面，我将为大家介绍一些生活中常见的人工智能产品及其应用场景。

1.智能音箱

智能音箱是人工智能在家庭智能设备领域的一个重要应用。它可以通过语音识别技术，将用户的语音指令转化为机器指令，从而实现音乐播放、语音助手、天气查询等功能。在家庭环境中，智能音箱可以为用户带来更加便捷、智能的生活体验。

2.智能家居系统

智能家居系统是集成了各种智能设备（如智能灯泡、智能插座、智能门锁等）的控制系统。通过人工智能技术，用户可以通过手机APP或语音指令控制家中的各种设备，实现智能化、自动化的生活环境。智能家居系统不仅可以提高生活便利性，还可以节省能源，降低生活成本。

3.人脸识别技术

人脸识别技术是人工智能在生物识别领域的应用。通过摄像头捕捉人脸特征，人工智能可以实现快速、准确的人脸识别。在安全领域，人脸识别技术可以应用于门禁系统、监控系统等，提高安全保障；在社交领域，人脸识别技术也可以帮助人们更好地认识自己和他人的面部特征。

4.自动驾驶技术

自动驾驶技术是人工智能在汽车领域的重要应用。通过雷达、激光雷达（LiDAR）等传感器收集环境信息，人工智能可以实现对车辆的自主控制，实现自动驾驶。自动驾驶技术不仅可以提高交通效率，减少交通事故，还可以为乘客提供更加舒适、安全的出行体验。

5.医疗领域的人工智能产品

在医疗领域，人工智能也有着广泛的应用。例如，医疗影像诊断软件可以通过分析医学影像（如CT、MRI等）来辅助医生进行诊断；智能药丸机器人可以通过吞咽探测技术监测病情并给出治疗方案；而虚拟护理助手则可以提供24小时的个性化护理服务。

以上只是生活中常见的人工智能产品的一部分，随着科技的不断发展，人工智能的应用场景将会越来越广泛。让我们期待一个更加智能化、便捷化的未来吧！

六、人工智能名片：价位、功能和常见应用

近年来，随着科技的飞速发展，人工智能技术已经广泛应用于各行各业。其中，人工智能名片作为一种新型的智能设备，受到了越来越多企业和个人的青睐。本文将介绍人工智能名片的价格、功能和常见应用，帮助您更好地了解这一新兴技术。

人工智能名片的价格

人工智能名片的价格因品牌、功能和配置的不同而有所不同。一般来说，普通的人工智能名片定制价格在1000元至3000元人民币不等，而高端定制版本的价格可能会更高。此外，一些厂家还提供租赁服务，价格则根据租赁周期和数量而定。需要注意的是，价格只是其中一个因素，选择人工智能名片时还需考虑其功能和适用场景。

人工智能名片的功能

人工智能名片集成了多种先进的科技功能，包括人脸识别、语音识别、数据存储、WiFi传输、远程交互等。通过这些功能，用户可以快速、便捷地完成个人信息的分享和交换。与传统纸质名片相比，人工智能名片具有数据更新快、环保、信息安全等优势，逐渐成为商务社交中的新宠。

人工智能名片的常见应用

目前，人工智能名片已经广泛应用于各种场景，包括会展活动、商务洽谈、销售拜访等。在会展活动中，人工智能名片可以通过扫描二维码或NFC技术快速交换个人信息，大大提高交流效率。在商务洽谈中，人工智能名片的独特魅力和先进功能也为用户增添了一份新的个人魅力和专业形象。

通过以上内容，相信您对人工智能名片的价格、功能和常见应用有了更清晰的了解。在选择人工智能名片时，不妨根据自身需求和预算进行全面考量，以便更好地享受这一智能科技带来的便利和优势。

感谢您阅读本文，希望以上内容对您有所帮助。

七、白兔常见还是黑兔常见？

一般是灰兔子多，然后是白兔，黑兔少些

八、人工智能领域中常见的算法有哪些？它们之间的区别是什么？

1. 人工神经网络算法（Artificial Neural Networks，ANN）

背景介绍：人工神经网络源于对生物神经系统的研究，在模拟人脑中神经元和突触之间传递信息的过程中实现学习和自适应能力。该算法一般用于处理大量输入数据进行分类、回归、聚类等任务。

应用场景：人工神经网络算法可以处理各种类型的数据，包括图像、音频、文本等。在识别图像、语音、自然语言处理等领域得到广泛应用。

数学原理：人工神经网络通过多个神经元组成层次结构来描述复杂函数空间，其中每个神经元接收输入信号并产生输出。网络通过训练来优化神经元之间的连接权重和偏置值，以使其能正确地执行预测任务。

分类器评价指标：可以使用准确率作为分类器的主要评估指标，也可采用召回率、精度、F1分数等其他指标来衡量其性能。

实际操作中需要考虑的因素：确定神经网络的体系结构、选择合适的激活函数和目标函数、设置正确的参数如学习速率、动量项等等。

2. 支持向量机算法（Support Vector Machine，SVM）

背景介绍：支持向量机是一种基于边界线的分类器，最初由Vapnik和他的同事提出。该算法利用非线性映射将输入数据映射到高维空间，在此空间中寻找一个超平面来区分不同类别。

应用场景：支持向量机在图像识别、文本分类、生物信息学等领域有广泛应用。

数学原理：支持向量机通过定义间隔来建立一个最大间隔决策边界，并解决为非凸问题而设计了相应的求解方法。同时，该算法还引入核函数对非线性可分问题进行处理。

分类器评价指标：与其他算法类似，支持向量机可以使用准确率、召回率、F1分数等指标来衡量其性能。

实际操作中需要考虑的因素：选择合适的核函数类型和参数，以及如何划分数据集进行训练和测试。

3. 随机森林算法（Random Forest，RF）

背景介绍：随机森林是一种基于集成学习思想的分类器，它通过多个树模型组成的森林来推断未知样本的属性。

应用场景：随机森林常用于分类、回归和聚类任务，如图像识别、人脸检测等领域。

数学原理：随机森林通过在训练集中采样子集，并对每个子集使用不同特征进行决策树生成来增加多样性。在预测时，该算法将所有决策结果汇总并取平均值或者投票结果作为最终输出。

分类器评价指标：可以使用准确率、召回率、F1分数等指标来衡量其性能。

实际操作中需要考虑的因素：选择合适的参数，包括子集大小、决策树深度等，以及如何划分数据集进行训练和验证。

4. 卷积神经网络（Convolutional Neural Networks，CNN）

背景介绍：卷积神经网络是一种专门用于处理二维图像和三维视频数据的深度神经网络模型。它可以自动地从输入数据中提取出具有良好鉴别性能的特征。

应用场景：卷积神经网络广泛应用于物体识别、人脸识别、语音识别和自然语言处理等领域。

数学原理：卷积神经网络主要由卷积层、激活函数、池化层和全连接层等构成。卷积层通过卷积运算提取输入图像的局部特征，池化层则用来减小数据量和保留探测到的关键信息。

分类器评价指标：可以使用准确率、召回率、F1分数等指标来衡量其性能。

实际操作中需要考虑的因素：选择合适的架构、调整网络参数如学习速率、动量项等以及设定其他训练过程中的超参数。

5. 相似度匹配（Nearest Neighbor，NN）

背景介绍：与前四种算法不同，相似度匹配并不是一种模型或流程，而仅仅是一个基于距离或相关系数计算相似性的概念。通常使用k-近邻算法(K-NN)作为代表方法，即根据测试样本周围最近的k个参考点进行分类。

应用场景：相似度匹配在推荐系统、文本分类、音频处理等领域得到广泛应用。

数学原理：K-NN 通过计算测试样本到每个参考点之间的距离，并选择k个最接近的点来预测类别或值。

分类器评价指标：同样可以使用准确率、召回率、F1分数等指标来衡量其性能。

实际操作中需要考虑的因素：如何选择合适的距离指标、确定k值大小以及相应数据处理方法。

6 决策树算法

1）背景介绍：决策树算法是数据挖掘领域中非常重要的一种分类算法，其主要特点在于易于理解和解释、能够处理具有缺失值和异常值的数据、可以同时处理离散型和连续型变量等。

2）应用场景：决策树算法广泛应用于金融、医疗、电商等领域，可用于客户分群、信用评级、疾病诊断、商品推荐等。

3）数学原理：决策树基于信息熵或基尼指数划分数据集，通过贪心思想选择使节点纯度增加最大的特征建立决策树模型。分类时将测试样本从根节点开始依次向下查找，直到叶子节点得到预测结果。

4）评价指标：决策树算法的评估指标包括准确率、召回率、F1分数等，也可以使用交叉验证来评估模型性能。

5）考虑因素：实际操作中需要考虑如何选取合适的特征、设置剪枝参数以防止过拟合、如何处理缺失值等问题。

7 朴素贝叶斯算法

1）背景介绍：朴素贝叶斯算法是基于贝叶斯定理和特征条件独立假设的一种分类算法，主要用于文本分类、垃圾邮件过滤等领域。

2）应用场景：朴素贝叶斯算法适用于处理高维度数据，常见的应用场景包括文本分类、情感分析、垃圾邮件过滤等。

3）数学原理：朴素贝叶斯算法基于贝叶斯定理和条件独立性假设，计算出每个类别对给定样本的后验概率，并选取最大后验概率对样本进行分类。

4）评价指标：朴素贝叶斯算法的评估指标同样包括准确率、召回率、F1分数等，也可以使用交叉验证来评估模型性能。

5）考虑因素：实际操作中需要考虑如何选取合适的特征、如何平衡先验概率和条件概率的影响、如何处理连续变量等问题。

8. 支持向量机算法

1）背景介绍：支持向量机是一种经典的二分类算法，在模式识别、数据挖掘、图像处理等领域广泛应用。

2）应用场景：支持向量机适用于处理非线性可分数据，常见的应用场景包括手写字体识别、人脸识别等。

3）数学原理：支持向量机基于边界线将不同类别样本进行区分，通过构造最大间隔超平面划分数据集，并引入核技术实现非线性分类。分类时将测试样本映射到高维空间中，在新的特征空间内寻找一个分类平面对样本进行预测。

4）评价指标：支持向量机算法的评估指标同上述两种算法，准确率、召回率、F1分数等是常用的评价指标之一。

5）考虑因素：实际操作中需要考虑如何选择合适的核函数，如何调整惩罚项参数、如何解决多分类问题等。

9 K-近邻算法

1）背景介绍：K-近邻算法是一种简单而有效的分类算法，在模式识别领域被广泛应用。

2）应用场景：KNN算法适用于相对较小的数据集，通常用于处理数字识别、图像分类等问题。

3）数学原理：KNN基于距离度量来计算样本之间的相似度，并选取K个最近邻样本的类别投票决定测试样本所属的类别。

4）评价指标：与前面几种算法相似，KNN算法也需要使用准确率、召回率等指标来评估模型性能。

5）考虑因素：实际操作中需要考虑如何选择合适的距离度量方法，如何对数据进行预处理以提高分类效果等问题。

九、常见复姓？

中国常见的复姓有欧阳，令狐，司马，上官，诸葛，皇甫，东方，公孙，纳兰，慕容，西门，太史，夏侯，南宫，拓跋，尉迟，公羊，百里，端木，东门，左丘等等。

十、常见坚果？

榛子。它果形似栗子，外壳坚硬，果仁肥白而圆，有香气，含油脂量很大，吃起来特别香美，因此成为最受人们欢迎的坚果类食品，有“坚果之王”的称呼，与扁桃、核桃、腰果并称为"四大坚果"。