什麼是 人工智慧？

人工智慧（Artificial Intelligence）：

它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。1956年由約翰。麥卡錫首次提出，當時的定義為“製造智慧機器的科學與工程”。人工智慧的目的就是讓機器能夠像人一樣思考，讓機器擁有智慧。時至今日，人工智慧的內涵已經大大擴充套件，是一門交叉學科。

AI、機器學習、深度學習的關係

人工智慧：是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法及應用系統的一門新的技術科學。

機器學習：專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。是人工智慧的核心研究領域之一。

深度學習：源於人工神經網路的研究，多層感知器就是一種深度學習結構。深度學習是機器學習研究中的一個新的領域，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。

智慧機器人的分類

人工智慧研究在國際上至今尚無統一的定義，目前普遍將智慧機器分為四類：

“像人一樣思考”：弱人工智慧領域，如Watson、AlphaGo。

“像人一樣行動”：弱人工智慧領域，如人形機器人、iRobot、波士頓動力公司的Atlas。

“理性地思考”：強人工智慧，尚無法達到，瓶頸在腦科學。

“理性地行動”：強人工智慧。

三代機器人

第一代機器人：示教再現型機器人。第一代機器人可以重複的根據人當時示教的結果，再現出這種動作，該類機器人的特點是它對外界的環境沒有感知。

第二代機器人：帶感覺的機器人。這種帶感覺的機器人是類似人在某種功能的感覺。比如：力覺、觸覺、聽覺。

第三代機器人：智慧機器人。理想中所追求的最高階段，智慧機器人，只要告訴他做什麼，它就能完成，目前的發展還是隻在部分領域有所成果。

AI產業生態

人工智慧的四要素是資料、演算法、算力、場景。要滿足這四要素，我們需要將AI與雲計算、大資料和物聯網結合以智慧社會。

人工智慧技術的發展史

人工智慧：正名於達特茅斯會議

1956年8月，在美國達特茅斯學院中，約翰·麥卡錫（John McCarthy，LISP語言創始人）、馬文·閔斯基（Marvin Minsky，人工智慧與認知學專家）、克勞德·夏農（Claude Shannon，資訊理論的創始人）、艾倫·紐厄爾（Allen Newell，計算機科學家）、赫伯特·西蒙（Herbert Simon，諾貝爾經濟學獎得主）等科學家聚在一起，討論著一個不食人間煙火的主題：用機器來模仿人類學習以及其他方面的智慧。

會議足足開了兩個月的時間，雖然大家沒有達成普遍的共識，但是卻為會議討論的內容起了一個名字：人工智慧。因此，1956年也就成為了人工智慧元年。

符號主義

符號主義（邏輯主義、心理學派、計算機學派）基本思想：

人類的認知過程是各種符號進行推理運算的過程。

人是一個物理符號系統，計算機也是一個物理符號系統，因此，能用計算機來模擬人的智慧行為。

知識表示、知識推理、知識運用是人工智慧的核心。符號主義認為知識和概念可以用符號表示，認知就是符號處理過程，推理就是採用啟發式知識及啟發式搜尋對問題求解的過程。

連線主義

連線主義源於仿生學，特別是人腦模型的研究。對於連線主義的基本思想：

思維的基本是神經元，而不是符號處理過程。

人腦不同於電腦，並提出連線主義的電腦工作模式，用於取代符號操作的電腦工作模式。

連線主義中，一個概念用一組數字，向量，矩陣或張量表示。概念由整個網路的特定啟用模式表示。每個節點沒有特定的意義，但是每個節點都參與整個概念的表示。

行為主義

符號主義偏向於理論邏輯推理；連線主義邏輯性弱，解釋性較弱，著重於結果。行為主義偏向於應用實踐，從環境不斷學習以不斷修正動作。

行為主義（進化主義、控制論學派）的基本思想：

智慧取決於感知和行動，提出智慧行為的“感知-動作”模式。

智慧不需要知識、不需要表示、不需要推理；人工智慧可以像人類智慧一樣逐步進化；智慧行為只能在現實世界中，透過與周圍環境的不斷互動而表現出來。

人工智慧發展簡史

一、人工智慧的起源（1956年）

1956年，在美國漢諾斯小鎮的達特茅斯學院中，召開了一個關於“

用機器來模仿人類學習以及其他方面的智慧

”的會議，即所謂的“

人工智慧

”。

二、第一次繁榮期（1956~1976年）

1959年，阿瑟·薩繆爾（Arthur Samuel）創造了“

機器學習

”一詞，其研製的跳棋程式打敗了Samuel本人。在此期間，機器翻譯、機器定理證明、機器博弈開始興起。

三、第一次低谷期（1976~1982年）

由於當時

計算機運算能力的不足

，程式的計算複雜度較高，導致機器翻譯等專案失敗。同時，一些學術報告對人工智慧研究提出的

理論質疑

以及

人工智慧威脅論

使得人工智慧的研究經費普遍減少。

四、第二次繁榮期（1982~1987年）

1985年，出現了具有更強視覺化效果的

決策樹模型

，以及突破早期感知機侷限的

多層人工神經網路；

日本國際貿易和工業部投資

第五代計算機

的發展；具備邏輯規則推演和特定領域回答的

專家系統

開始盛行。

五、第二次低谷期（1987~1997年）

1987年，LISP機的市場崩塌，人工智慧研究的技術領域再一次

陷入瓶頸

，抽象推理不再繼續被人關注，

基於符號處理的模型

遭到諸多人工智慧研究者的反對。

六、復甦期（1997~2010年）

1997年，IBM研發的深藍（Deep Blue）戰勝世界國際象棋冠軍，長短期記憶網路（Long Short-Term Memory）概念的提出以及神經網路應用於最佳化

反向傳播

。2006年，傑弗裡·辛頓（Geoffrey Hinton）和他的學生開始研究

深度學習

。復甦期間，

計算機效能與網際網路技術快速普及

，促進了AI的發展。

七、增長爆發期（2010年至今）

2010年宣告了

大資料時代

的到來，新一代的資訊科技引發資訊環境與資料基礎的變革，計算機的

計算能力不斷增強

，海量的影象、語音、文字等

非結構化資料

不斷出現。新一代的人工智慧產品不斷推出，如：

語音助手小娜，Siri

谷歌新一代機器翻譯系統GNMT

擊敗圍棋冠軍李世石的圍棋AI：AlphaGo

使用了“強化學習”的AlphaZero 在2017年10月釋出後兩個月內橫掃了所有棋類遊戲 AI

人工智慧技術的應用方向與應用場景

現在AI的應用技術方向主要分為：

影象處理：

用計算機對影象進行分析，以達到所需結果的技術，又稱計算機視覺，是研究如何讓計算機“看”的科學。

語音處理：

研究語音發聲過程、語音訊號的統計特性、語音識別、機器合成以及語音感知等各種處理技術的統稱。

自然語言處理：

利用計算機技術來理解並運用自然語言的學科。