人工智能（Artificial Intelligence）浅谈，填补你的人工智能空白

1.什么是人工智能（Artificial Intelligence）？

1.1 定义之前，我们先看下面列举的例子：
车牌识别，人脸识别，自动驾驶，
情感分类，机器翻译，人机互动，
智能机器人，AlphaGo，
……
可以看到人工智能应用范围很广，功能多样
1.2 维基百科给出的定义如下：

人工智能（英语：Artificial Intelligence，缩写为AI）亦称智械、机器智能，指由人制造出来的机器所表现出来的智能，通常人工智能是指通过普通计算机程序来呈现人类智能的技术

AI的核心问题包括建构能够跟人类似甚至超卓的推理、知识、规划、学习、交流、感知、移物、使用工具和操控机械的能力等
通俗地讲，Intelligence的核心是自主学习及解决问题的能力，Artificial Intelligence就是机器对人类智能的模仿
就其本质而言，人工智能机器对人的思维或者行为过程的模拟，让它能够像人一样思考或行动，流程如下：
输入—>处理—>输出
根据输入信息进行模型构造、权重更新，实现最终优化，并且具有自我学习、优化升级的特点，可以通过现有的数据，寻找数据之间的关系，建立相应的模型（自我学习），在得到新的数据后会对原有模型进行更新优化升级，以后每次得到的数据都能使现有模型更新迭代（优化升级）

2.人工智能发展的各个阶段

2.1 "强"人工智能

机器有真正推理和解决复杂问题的能力，有“自主意识”
机器综合思考的能力已经达到甚至超越人类
我们当前的AI所处阶段离此阶段还有很远的一段路要走

2.2 "弱"人工智能

机器不具备真正推理和解决复杂问题，无“自主意识”
机器基于某种特征可解决部分问题，成为一个强有力的工具
当前AI所处阶段

3.人工智能实现方法

3.1 符号学习（Symbolic learning）

基于逻辑与规则的学习方法，其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理

简单来说就是专家系统

根据既定的逻辑和顺序告诉机器接下来做什么
遵循if…then…原则
欠缺点：不能根据新场景动态地优化认知（升级模型），而现实是往往需要机器根据新场景进行优化迭代

3.2 机器学习（Machine learning）

从数据中寻找规律、建立关系，根据建立的关系去解决问题的方法

从数据中学习并且实现自我优化与升级
与数据关系密切
实现人工智能的主流学习方法

3.3 AI未来：符号学习+机器学习
在未来AI不会局限于某种学习方法，应是多种学习方法的结合：符合学习由于不能进行自我迭代和升级因而不能超越人类，但是基底很清楚，拥有一整套的逻辑与规则；机器学习的优点是能够进行自我迭代，但这是建立众多数据之上的，如果对于某种场景不能提供大量数据，那机器学习的这种优点就不能发挥出来，因此，在未来一个最终的复杂模型也许是这两种学习方法的结合

4.机器学习与深度学习的关系

机器学习是一种实现人工智能的方法，
深度学习是一种实现机器学习的技术
具体来说，机器学习使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。比如，垃圾邮件检测、房价预测等
而深度学习则是模仿人类神经网络，建立模型，进行数据分析。比如，人脸识别、语义理解、无人驾驶等

5.延伸阅读资料

5.1 一个较全面地介绍AI的视频

5分钟了解什么是人工智能（中英双版）

5.2 浅谈人工智能：现状、任务、构架与统一