持续编辑一段时间。

    以自己的认识概括一下对人工智能的本质定义：人工智能就是让设备像人一样，能够获取某一类型而绝不仅限于某个具体单一信息，并处理信息的能力。形象化的解释就是：让人类称赞该设备在某一方面（绝不是某一具体），“这么聪明，像人一样、比人都厉害”。例如19年新闻报道，一名潜逃10多年的犯人在地铁站只看了几眼摄像头就被被人脸识别技术辨识、锁定、触发警报。

2016年开始谷歌开发的人工智能程序AlphaGo通过下围棋陆续战胜了包括李世石、柯洁等在内的世界顶尖高手。一时间人工智能瞬间“火”了。人工智能、人工智能成为2017年、2018年最火热的话题之一。

本段摘自网络：

从1956年达特茅斯会议上“人工智能”概念第一次被提出，到如今我们看到基于人工智能技术的无人驾驶、智能风控、疾病诊断、个性化推荐等实际应用浸入商业与生活的方方面面，AI(ArtificialIntelligence)已经走过了62年。

　　它不像互联网商业模式创新那样极速颠覆世界，也不像过去工业革命那样摧枯拉朽。但毫无疑问的是，人工智能正在步步为营地影响人类世界的当下与未来。

　　今天，北京有百度世界大会，南京有腾讯开放合作伙伴大会。他们都花了极大的篇幅探讨各自人工智能的进展。当然还有更多的从业者，阿里、京东、搜狗、滴滴、字节跳动、美团、商汤、科大讯飞等，也都在人工智能行业深度耕耘。

　　无论是政策层面，还是大公司布局层面，人工智能站在了一个前所未有的高度，AI早已不只是一个前沿的概念。那么究竟AI有哪些应用落地?商业化前景又是如何?到了“收割”的季节了吗?未来还有哪些可能性?

    作为一个研究生时期（14-17年）方向为机器学习、机器视觉、图像算法，现在主做图像算法的从业人员。感觉AI在非专业的技术领域、生活领域的理解中存在很大的误区，往往被噱头化、泡沫化。从自己的角度花一段时间慢慢梳理人工智能，并附上自己的理解。增强自己对AI的全面理解，并尽量科普之。

    人工智能其实算是一个学科，而且是自动化的一个分支。 

    自动化（Automation）是指机器设备、系统或过程（生产、管理过程）在没有人或较少人的直接参与下，按照人的要求，经过自动检测、信息处理、分析判断、操纵控制，实现预期的目标的过程。自动化设备主要是通过人为设定，是及其按照指定命令进行指定操作，自动化的前提是，人已经把整个过程完全设计好了，再复杂的自动化程序每一个步骤都是明确清晰的，只解决一个问题或一串问题，对于相似问题必须重新设定另一套程序。自动化设备的执行触发一般是确定的时间信号或传感器信号，例如设定好的铃声闹、声光控灯这些。

    人工智能则不尽然，从传统的机器学习和从前也有现在火爆的深度学习两个方面分别讨论：

   （1）传统的机器学习设计之初是人在主观的前提下根据问题的表现形式通过分析判断加科学计算形成的数学模型（或称为规则，数学思想主要是统计分析、概率论），解决的问题是无法遍历的，虽然只有一套程序但却适用于同类问题的绝大部分情况；

   （2）深度学习（以前叫神经网络，现在的本质仍然是神经网络）的网络模型和传统的机器学习模型建立并不一样，神经网络的建立不再看问题的表现形式来设计对应的功能，而是通过所谓的模拟人类脑神经的信息传递模式设计的网络状的带有很多可调参数的数学模型（由于模型的建立并非针对某类或特定类别问题，因此这种模型的种类并不多），这些网络通过对问题样本进行复杂的人为很难形象化理解的方式归纳问题的处理方法，形成一套程序，利用这套程序处理某类问题。

   （3）也许由于人为设计的传统的机器学习程序相对简单，在某些问题的处理上，那些复杂到人难以理解的深度学习神经网络解决问题的能力更强，这也是为何深度学习能够使人们在忽略强计算力高复杂度的情况下快速风靡人工智能领域的根本原因。

人工智能（ArtificialIntelligence,AI）亦称机器智能，是指由人工制造出来的系统所表现出来的智能，可以概括为：研究智能程序的科学。这门科学的出发点是研究如何使程序能够像人一样思考、行为，以及如何保持理性，这里的理性可以理解为效用最大化。

 

人工智能的基本知识和应用领域主要有机器学习、概率推理、机器人技术、计算机视觉、自然语言处理、和专家系统等。

现在的人工智能分三个级别：弱人工智能、强人工智能、超人工智能。

1、弱人工智能

也称限制领域人工智能或应用型人工智能，指的是专注于且只能解决特定领域问题的人工智能。毫无疑问，今天我们看到的所有人工智能算法和应用都属于弱人工智能。AlphaGo其实也是一个弱人工智能。。

2、强人工智能

强人工智能又称通用人工智能或完全人工智能，指的是可以胜任人类所有工作的人工智能。一个可以称得上强人工智能的程序，大概需要具备以下几方面的能力：存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力；知识表示的能力，包括常识性知识的表示能力；规划能力；学习能力；使用自然语言进行交流沟通的能力；将上述能力整合起来实现既定目标的能力。

3、超人工智能

假设计算机程序通过不断发展，可以比世界上最聪明、最有天赋的人类还聪明，那么由此产生的人工智能系统就可以被称为超人工智能。超人工智能的定义最为模糊，因为没人知道，超越人类最高水平的智慧到底会表现为何种能力。如果说对于强人工智能，我们还存在从技术角度进行探讨的可能性的话，那么，对于超人工智能，今天的人类大多就只能从哲学或科幻的角度加以解析了。

人们经常会看到新闻报道中人工智能与基于规则的专家系统被混为一谈。现在，人工智能经常会与多层卷积神经网络混淆。这有点像把物理和蒸汽机的概念搞混了。人工智能探究如何在机器中创造智能意识，它不是在研究中产生的任何一个特定的技术。

 

 

 

 

部分材料摘自网络。不做商业用途，链接也不清，不再注明。

 

政策信息：

提及的政策梳理比较清晰：《北京人工智能产业发展白皮书(2018)》解读 http://www.chinairn.com/scfx/20180703/091823330-2.shtml

 

 

 

 

 

 

 

 

 

 

 

计算机视觉、机器学习、自然语言处理、机器人和语音识别是人工智能的五大核心技术，它们均会成为独立的子产业。

 

　　计算机视觉

 

　　计算机视觉是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列，来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理，分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

 

　　计算机视觉有着广泛的应用，其中包括：医疗成像分析被用来提高疾病预测、诊断和治疗；人脸识别被Facebook用来自动识别照片里的人物；在安防及监控领域被用来指认嫌疑人；在购物方面，消费者现在可以用智能手机拍摄下产品以获得更多购买选择。

 

　　机器视觉作为相关学科，泛指在工业自动化领域的视觉应用。在这些应用里，计算机在高度受限的工厂环境里识别诸如生产零件一类的物体，因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究，而机器视觉则是“已经解决的问题”，是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大，某些计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。

 

　　机器学习

 

　　机器学习指的是计算机系统无须遵照显式的程序指令，而只依靠数据来提升自身性能的能力。其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于预测。比如，给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库，系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多，预测就会越准确。

 

　　机器学习的应用范围非常广泛，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探，以及公共卫生等。机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。

 

　　现如今，机器学习已经成为认知技术中最炙手可热的研究领域之一，在2011~2014年这段时间内就已吸引了近10亿美元的风险投资。谷歌也在2014年斥资4亿美元收购Deepmind这家研究机器学习技术的公司。

 

自然语言处理

 

　　自然语言处理是指计算机拥有的人类般的文本处理的能力。比如，从文本中提取意义，甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式，但是它却可以用非常复杂与成熟的手段巧妙处理文本。例如，自动识别一份文档中所有被提及的人与地点；识别文档的核心议题；在一堆仅人类可读的合同中，将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成，后者仅针对简单的文本匹配与模式就能进行操作。

 

　　自然语言处理像计算机视觉技术一样，将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布，举例来说，就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字，通过识别这些元素可以把某类文字同其他文字区别开来，比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准，用来决定一封邮件是否属于垃圾邮件。

 

　　因为语境对于理解“timeflies”（时光飞逝）和“fruitflies”（果蝇）的区别是如此重要，所以自然语言处理技术的实际应用领域相对较窄，这些领域包括分析顾客对某项特定产品和服务的反馈，自动发现民事诉讼或政府调查中的某些含义，自动书写诸如企业营收和体育运动的公式化范文，等等。

 

　　机器人

 

　　将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、制动器以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。例如，无人机、可以在车间为人类分担工作的“cobots”等。

 

　　语音识别

 

　　语音识别主要是关注自动且准确地转录人类的语音技术。该技术必须面对一些与自然语言处理类似的问题，在不同口音的处理、背景噪声、区分同音异形/异义词（“buy”和“by”听起来是一样的）方面存在一些困难，同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术，再辅以其他技术，比如描述声音和其出现在特定序列与语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino抯Pizza，最近推出了一个允许用户通过语音下单的移动APP。

 

　　上述5项技术的产业化，是人工智能产业化的要素。人工智能将是一个万亿级的市场，甚至是10万亿级的市场，将会为我们带来一些全新且容量巨大的子产业，比如机器人、智能传感器、可穿戴设备等，其中最令人期待的是机器人子产业。

 

　　机器人应用的分法有很多种，从应用层面可以粗略地分为以下几个类别。第一个类别是工业级机器人，像富士康这种公司已经运用得很好了，因为劳工成本越来越高，用工风险越来越高，而机器人则可以解决这些问题。第二个类别是监护级机器人，它可以在家里和医院里作为病人、老人或孩子的护理，帮助他们做一定复杂程度的事情。中国对监护级机器人需求其实更迫切一些，因为中国人口红利在下降，同时老龄化又不断地上升，这两个矛盾，机器人都可以帮助解决。因此，这个领域的需求在民用市场占比很大。第三个类别就是探险级机器人，用来采矿或者探险等，大大避免了人所要经历的危险。此外还有用来打仗的军事机器人等。

 

　　网络媒体BusinessInsider预测，机器人将在许多岗位上取替人类：电话营销员、校对员、手工裁缝师、数学家、保险核保人、钟表修理师、货运代理商、报税员、图像处理人员、银行开户员、图书馆员、打字员等。因为它们的价格竞争力惊人。麦肯锡全球研究院的研究表明，当中国制造业工资每年增长10%~20%时，全球机器人的价格每年下调10%，一台最便宜的低阶机器人只需花费美国人年平均工资的一半。国际研究机构顾能预测：2020年机器人将导致全球新一波失业潮。