一、什麼是人工智能
人工智能（Aritificial Intelligence， AI）是一門融合了計算機科學、統學、腦神經學和社會科學的前沿綜合性學科。它的目標是希望計算機擁有像人一樣的智力能力，可以替代人類實現識別、認知、分類和決策等多種功能。
二、人工智能發展史
人工智能在發展過程中產生了很多的流派，符號主義、連接主義和行為主義。這些流派的相輔相成推進了人工智能的發展。
（1）符號主義
符號主義又稱邏輯主義、心理學派或計算機學派。符號主義認為，人工智能源於數學邏輯，人的認知基源是符號，認知過程即符號操作過程，通過分析人類認知系統所具備的功能和機能，然後通過計算機來模擬這些功能，從而實現人工智能。符號主義的發展大概經歷了幾個階段：推理期（20世紀50年代–20世紀70年代），知識期（20世紀70年代）。“推理期”人們基於符號知識表示、通過演繹推理技術取得了很大的成就；“知識期”人們基於符號表示、通過獲取和利用領域知識來建立專家系統取得了大量的成果。
（2）連接主義
連接主義又稱仿生學派或生理學派。連接主義認為，人工智能源於仿生學，特別是對人腦模型的研究，人的思維基元是神經元，而不是符號處理過程。20世紀60~70年代，連接主義，尤其是對以感知機(perceptron)為代表的腦模型的研究出現過熱潮，由於受到當時的理論模型、生物原型和技術條件的限制，腦模型研究在20世紀70年代後期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年發表兩篇重要論文，提出用硬件模擬神經網絡以後，連接主義才又重新抬頭。1986年，魯梅爾哈特(Rumelhart)等人提出多層網絡中的反向傳播算法(BP)算法。進入21世紀後，連接主義捲土重來，提出了“深度學習”的概念。
（3）機器學習
二十世紀80年代，機器學習成為一個獨立的科學領域，各種機器學習技術百花初綻。E．A．Feigenbaum等人在著名的《人工智能手冊》中，把機器學習劃分為“機械學習”、“示教學習”、“類比學習”和“歸納學習”。機械學習將外界的輸入信息全部存儲下來，等到需要時原封不動的取出來；示教學習和類比就是“從指令中學習”和“通過觀察和發現學習”；歸納學習就是從樣例中學習。二十世紀80年代以來研究最多的就是歸納學習，它包括：監督學習、無監督學習、半監督學習、強化學習等。歸納學習有兩大主流：一、符號主義學習，其代表包括決策樹和基於邏輯的學習（事實上，機器學習在20世紀80年代正是被視為“解決公式工程瓶頸問題的關鍵”而走上人工智能主舞臺的）。二、基於神經網絡的連接主義學習。二十世紀90年代中期，統計學習閃亮登場，並迅速佔據主流舞臺，代表性技術是支持向量機以及更一般的“核方法”。我們目前所說的機器學習方法，一般認為是統計機器學習方法。
（3）研究領域與應用場景
1）研究領域
人工智能的研究領域主要有5層，最底層是基礎設施建設，包括數據和計算能力兩部分，數據越大人工智能的能力越強。往上一層是算法，比如機器學習、深度學習等算法。再上一層是主要的技術方向，如計算機視覺、語音工程、NLP等。第二層是各個技術方向中的技術。 最上層為人工智能的應用領域。
2）應用場景
計算機視覺：車牌識別、人臉識別、無人車等；
語音工程：2010 年後，深度學習的廣泛應用使語音識別的準確率大幅提升，像 Siri、Voice Search 和 Echo 等，可以實現不同語言間的交流，從語音中說一段話，隨之將其翻譯為另一種文字；再如智能助手，你可以對手機說一段話，它能幫助你完成一些任務。 自然語言處理：問答系統、機器翻譯、對話系統等；
決策系統：決策系統的發展是隨著棋類問題的解決而不斷提升，從 80 年代西洋跳棋開始，到 90 年代的國際象棋對弈，再到AlphaGo，機器的勝利都標誌了科技的進步。決策系統可以在自動化、量化投資等系統上廣泛應用。
大數據應用：分析客戶的喜好進行個性推薦，精準營銷；分析各個股票的行情，進行量化交易。
（4）AI面臨的挑戰
1）計算機視覺：未來的人工智能應該更加註重效果的優化，加強計算機視覺在不同場景、問題上的應用。
2) 語音工程：當前的語音工程在安靜環境下，已經能夠取得和人類相似的水平。但在噪音情景下仍有挑戰，如原場識別、口語、方言等長尾識別。
3) 自然語言處理：機器欠缺對語意理解能力，包括對口語不規範的用於識別和認知等。
4) 決策系統：目前存在的兩個問題，第一是不通用，即學習知識的不可遷移性，如用一個方法學習下象棋，不能直接將其遷移到下圍棋上；第二是大量模擬數據。
閱讀更多 企業驅動 的文章
