想要了解人工智能的發展，或者了解人工智能的基本應用，就需要先了解一些基本概念，首當其沖的就是對人工智能的理解。 

[[405767]]

一、人工智能的發展

首先要明白人工智能并不是這幾年才出現的一個新概念，人工智能最早誕生于1956年美國的達特茅斯會議上，它的發展也經過了多次起起伏伏。只是這幾年人工智能的落地應用比較廣泛，所以才會出現在普通民眾眼前。按照人工智能的字面意思是人創造的智能，人工固然好理解，那么什么才算是智能？眾說紛紜。

二、人工智能的分類

按照人工智能的廣義概念分析，最早的計算機也是是人工智能的一種，只是計算機剛被發明出來的時候是被用來存儲和計算數據的，所以那個時代的智能被稱為運算智能。隨著后期技術的發展，來到了感知智能時代，也就是我們目前所處的時期，感知智能的特點是對外界所看的事物能夠自我感知，并且給出反饋。但是這還遠遠達不到真正的智能，因為真正的智能是需要自我思考，擁有一定的推理認知能力的，所以接下來的時代被稱為認知智能時代，之所以稱之為認知智能，就是要計算機程序擁有一定的認知能力，這個時候的計算機不但能夠對外界的事物進行感知，而且還具有一定的推理決策能力，可以根據當前感知到的圖像、語音、語言等信息進行綜合考慮，選擇接下來要執行的行為。當然這依然不是人工智能的最終形態，人工智能的最終形態被稱為創建智能，顧名思義，這個時候的人工智能擁有一切人類所擁有和沒有的智能，它不但本身是一個超級智能體，而且還能創造出數個智慧等同于自己的智能體。不同階段的智能在行業中的薪資待遇也是大不一樣。

當然人工智能的分類從智慧等級上還可以分為弱人工智能、強人工智能、超人工智能。既然有弱有強又有超強，參照對象是什么？不然怎么能夠得出強弱的結果呢？既然叫做人工智能，就是人造出的智能，那么參考對象也就是人類了。一般來說整體能力比人類弱的被稱為弱人工智能，整體能力和人類一樣的被稱為強人工智能，整體能力超過人類的被稱為超人工智能。注意這里說的是整體能力，而非單項能力，2016年由谷歌（Google）旗下DeepMind公司戴密斯·哈薩比斯領銜的團隊開發的阿爾法圍棋（AlphaGo），在下圍棋這個單項技能上已經遠超人類，但是它依然算不上是強人工智能，因為在其他方面，它依然比不過人類。

可能有人會說，我可以讓它再學習畫畫、寫字等等，反正等它學會了人類所有的技能不就能超越人類了，理想確實是豐滿的，但現實往往很骨感。由深度學習主導的深度神經網絡雖然非常強大，強大到在一些領域已經超越人類，但是由于龐大的矩陣參數是通過學習而慢慢調整固定下來的，而這個固定的目標就是給它指定的結果。一旦這個指定的結果發生了變化，模型就要重新學習，參數也會發生變化，所以最終的結果就是你給它學習畫畫，它確實學會了畫畫，但是由于參數發生了變化，它現在只會畫畫了，之前學到的下棋技能已經不復存在了，也就是說它學會了畫畫，遺忘了下棋，這種現象在業內被稱為災難性遺忘，目前還沒有哪一家公司或者研究機構能夠解決這個問題，因為這個問題一旦被解決了，人類也就跨向強人工智能時代了，所以現在我們還處于弱人工智能時代，對于整個人工智能發展階段而言，我們所處的階段正處于人工智能的嬰幼兒時期。

至于超人工智能，有人說，到那時人類所設的規則對于AI來說都是有漏洞的，最終人類將會被AI所奴役，就像機器人三定律一樣，對于認知遠超人類的AI來說，推翻整個定律是很輕松的。當然目前我們面臨的問題是怎么進入到強人工智能時代。這就像一個人還處于少年時期就思考老年時怎么生活一樣，那不是我們目前該考慮的問題。

三、人工智能的實現方法

實現人工智能方法目前可以大概分為兩類，有基于傳統統計學的統計學模型（也稱傳統機器學習方法），基于仿生學神經網絡的深度學習模型，前者曾在上世紀九十年代大放異彩，但是隨著21世紀以來，硬件的加速迭代和海量數據的增加，給了深度學習發展的機會，2006年由Hinton等人研究出的一些新的模型應用正式揭開了人工智能時代發展的新篇章，由深度學習為代表的一眾算法模型在效果和效率上都首次超過了傳統的統計學模型，而且深度學習在落地應用上更是大放異彩，不像以前的統計學模型，大多只能拿來做一些實驗，一旦使用到具體的落地應用上，效果往往就不太理想。這主要是由于傳統的統計學更看重專家對于數據特征的設定，而深度學習采用的是讓計算機自己去學習數據的特征，少了人為因素的干預，計算機學習到的數據特征更加豐富完整。效果自然也更好，唯一的缺點就是對數據量要求更大，對硬件算力要求也更高。這也是為什么深度學習在直到現在才真正走向臺前的原因之一。

四、人工智能的行業應用

目前對于人工智能的行業應用基本可以分為四大類：分別是圖像視覺處理方向、語音信號處理方向、自然語言處理方向、自動化處理方向。圖像視覺處理方向有圖像檢測、圖像識別、圖像生成、圖像分割等分支方向；語音信號處理方向有語音喚醒、語音命令、聲紋識別、語音識別、語音合成等分支方向；自然語言處理方向有文本分類、文章摘要、閱讀理解、智能對話、機器翻譯、文章生成等分支方向；自動化處理方向有游戲娛樂、家居生活、自動駕駛、生命科學、工業多設備應用、金融投資等分支方向。

當然了，人工智能行業的發展是日新月異的，想要了解更多的人工智能行業知識，是需要主動關注行業發展的。如果沒有太多的時間關注人工智能的發展，可以關注本公眾號，我們會長期更新人工智能行業的新技術和應用發展。