知识分享

想要了解人工智能行业，你需要先了解这些基本概念

想要了解人工智能的发展，或者了解人工智能的基本应用，就需要先了解一些基本概念，首当其冲的就是对人工智能的理解。下面是深度人工智能教育总结的人工智能的基本概念知识，希望对大家学习人工智能有所帮助。

一、人工智能的发展

首先要明白人工智能并不是这几年才出现的一个新概念，人工智能最早诞生于1956年美国的达特茅斯会议上，它的发展也经过了多次起起伏伏。只是这几年人工智能的落地应用比较广泛，所以才会出现在普通民众眼前。按照人工智能的字面意思是人创造的智能，人工固然好理解，那么什么算是智能？众说纷纭。

二、人工智能的分类

按照人工智能的广义概念分析，最早的计算机也是是人工智能的一种，只是计算机刚被发明出来的时候是被用来存储和计算数据的，所以那个时代的智能被称为运算智能。随着后期技术的发展，来到了感知智能时代，也就是我们目前所处的时期，感知智能的特点是对外界所看的事务能够自我感知，并且给出反馈。但是这还远远达不到真正的智能，因为真正的智能是需要自我思考，拥有一定的推理认知能力的，所以接下来的时代被称为认知智能时代，之所以称之为认知智能，就是要计算机程序拥有一定的认知能力，这个时候的计算机不但能够对外界的事物进行感知，而且还具有一定的推理决策能力，可以根据当前感知到的图像、语音、语言等信息进行综合考虑，选择接下来要执行的行为。当然这依然不是人工智能的最终形态，人工智能的最终形态被称为创建智能，顾名思义，这个时候的人工智能拥有一切人类所拥有和没有的智能，它不但本身是一个超级智能体，而且还能创造出数个智慧等同于自己的智能体。不同阶段的智能在行业中的薪资待遇也是大不一样。

当然人工智能的分类从智慧等级上还可以分为弱人工智能、强人工智能、超人工智能。既然有弱有强又有超强，参照对象是什么？不然怎么能够得出强弱的结果呢？既然叫做人工智能，就是人造出的智能，那么参考对象也就是人类了。一般来说整体能力比人类弱的被称为弱人工智能，整体能力和人类一样的被称为强人工智能，整体能力超过人类的被称为超人工智能。注意这里说的是整体能力，而非单项能力，2016年由谷歌（Google）旗下DeepMind公司戴密斯·哈萨比斯领衔的团队开发的阿尔法围棋（AlphaGo），在下围棋这个单项技能上已经远超人类，但是它依然算不上是强人工智能，因为在其他方面，它依然比不过人类。

可能有人会说，我可以让它再学习画画、写字等等，反正等它学会了人类所有的技能不就能超越人类了，理想确实是丰满的，但现实往往很骨感。由深度学习主导的深度神经网络虽然非常强大，强大到在一些领域已经超越人类，但是由于庞大的矩阵参数是通过学习而慢慢调整固定下来的，而这个固定的目标就是给它指定的结果。一旦这个指定的结果发生了变化，模型就要重新学习，参数也会发生变化，所以最终的结果就是你给它学习画画，它确实学会了画画，但是由于参数发生了变化，它现在只会画画了，之前学到的下棋技能已经不复存在了，也就是说它学会了画画，遗忘了下棋，这种现象在业内被称为灾难性遗忘，目前还没有哪一家公司或者研究机构能够解决这个问题，因为这个问题一旦被解决了，人类也就跨向强人工智能时代了，所以现在我们还处于弱人工智能时代，对于整个人工智能发展阶段而言，我们所处的阶段正处于人工智能的婴幼儿时期。

至于超人工智能，有人说，到那时人类所设的规则对于AI来说都是有漏洞的，最终人类将会被AI所奴役，就像机器人三定律一样，对于认知远超人类的AI来说，推翻整个定律是很轻松的。当然目前我们面临的问题是怎么进入到强人工智能时代。这就像一个人还处于少年时期就思考老年时怎么生活一样，那不是我们目前该考虑的问题。

三、人工智能的实现方法

实现人工智能方法目前可以大概分为两类，有基于传统统计学的统计学模型，基于仿生学的深度学习模型，前者曾在上世纪九十年代大放异彩，但是随着21世纪以来，硬件的加速迭代和海量数据的增加，给了深度学习发展的机会，2006年由Hinton等人研究出的一些新的模型应用正式揭开了人工智能时代发展的新篇章，由深度学习为代表的一众算法模型在效果和效率上都首次超过了传统的统计学模型，而且深度学习在落地应用上更是大放异彩，不像以前的统计学模型，大多只能拿来做一些实验，一旦使用到具体的落地应用上，效果往往就不太理想。这主要是由于传统的统计学更看重专家对于数据特征的设定，而深度学习采用的是让计算机自己去学习数据的特征，少了人为因素的干预，计算机学习到的数据特征更加丰富完整。效果自然也更好，唯一的缺点就是对数据量要求更大，对硬件算力要求也更高。这也是为什么深度学习在直到现在才真正走向台前的原因之一。

四、人工智能的行业应用

目前对于人工智能的行业应用基本可以分为四大类：分别是图像视觉处理方向、语音信号处理方向、自然语言处理方向、自动化处理方向。图像视觉处理方向有图像检测、图像识别、图像生成、图像分割等分支方向；语音信号处理方向有语音唤醒、语音命令、声纹识别、语音识别、语音合成等分支方向；自然语言处理方向有文本分类、文章摘要、阅读理解、智能对话、机器翻译、文章生成等分支方向；自动化处理方向有游戏娱乐、家具生活、自动驾驶、生命科学、工业多设备应用、金融投资等分支方向。