在經曆了蠻荒的PC網際網路時代，混戰的移動網際網路時代，到現今最火的人工智能時代。大資料、雲計算、機器學習的技術應用，已經使得IT從業者的門檻越來越高。套用一句樊登讀書會的宣傳口号“keep learning”，保持對新鮮技術的好奇心，保持對技術應用的責任心，持續關注、學習是每個IT從業者的必備技能。
一、什麼是人工智能？
人工智能（Artificial Intelligence），英文縮寫為AI。
它是一個融合計算機科學、統計學、腦神經學和社會科學的前沿綜合學科。
它使得計算機像人一樣擁有智能能力，可以代替人類實作識别、認知，分析和決策等多種功能。
比如當你說一句話時，機器能夠識别成文字，并了解你話的意思，進行分析和對話等。
二、人工智能發展簡史
1956年，幾個計算機科學家相聚在達特茅斯會議（Dartmouth Conferences），提出了“人工智能”的概念。其後，人工智能就一直萦繞于人們的腦海之中，并在科研實驗室中慢慢孵化。
之後的幾十年，人工智能一直在兩極反轉，或被稱作人類文明耀眼未來的預言；或者被當成技術瘋子的狂想扔到垃圾堆裡。坦白說，直到2012年之前，這兩種聲音還在同時存在。
上世紀90年代，國際象棋冠軍卡斯帕羅夫與”深藍” 計算機決戰，”深藍”獲勝，這是人工智能發展的一個重要裡程碑。而 2016 年，Google 的 AlphaGo 赢了南韓棋手李世石，再度引發 AI 熱潮。
過去幾年，尤其是2015年以來，人工智能開始大爆發。很大一部分是由于GPU的廣泛應用，使得并行計算變得更快、更便宜、更有效。
當然，無限拓展的存儲能力和驟然爆發的資料洪流（大資料）的組合拳，也使得圖像資料、文本資料、交易資料、映射資料全面海量爆發。
三、人工智能發展條件
1、硬體發展：AI 不斷爆發熱潮，是與基礎設施的進步和科技的更新分不開的，從 70 年代 personal 計算機的興起到 2010 年 GPU、異構計算等硬體設施的發展，都為人工智能複興奠定了基礎。
2、資料發展：網際網路及移動網際網路的發展也帶來了一系列資料能力，使人工智能能力得以提高。
3、運算發展：計算機的運算能力從傳統的以 CPU 為主導到以 GPU 為主導，這對 AI 有很大變革。
4、算法發展：算法技術的更新助力于人工智能的興起，最早期的算法一般是傳統的統計算法，如 80 年代的神經網絡，90 年代的淺層，2000 年左右的 SBM、Boosting、convex 的 methods 等等。随着資料量增大，計算能力變強，深度學習的影響也越來越大。尤其是2011 年之後，深度學習的興起，帶動了現今人工智能發展的高潮。
四、機器學習：一種實作人工智能的方法
機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。
機器學習是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
機器學習最基本的做法，是使用算法來解析資料、從中學習，然後對真實世界中的事件做出決策和預測。
與傳統的為解決特定任務、寫死的軟體程式不同，機器學習是用大量的資料來“訓練”，通過各種算法從資料中學習如何完成任務。
機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器、邊緣檢測濾波器，以便讓程式能識别物體從哪裡開始，到哪裡結束；寫形狀檢測程式來判斷檢測對象是不是有八條邊；寫分類器來識别字母“STOP”。使用以上這些手工編寫的分類器，人們總算可以開發算法來感覺圖像，判斷圖像是不是一個停止标志牌。
【機器學習有三類】：
第一類是無監督學習，指的是從資訊出發自動尋找規律，并将其分成各種類别，有時也稱”聚類問題”。
第二類是監督學習，監督學習指的是給曆史一個标簽，運用模型預測結果。如有一個水果，我們根據水果的形狀和顔色去判斷到底是香蕉還是蘋果，這就是一個監督學習的例子。
最後一類為強化學習，是指可以用來支援人們去做決策和規劃的一個學習方式，它是對人的一些動作、行為産生獎勵的回饋機制，通過這個回饋機制促進學習，這與人類的學習相似，是以強化學習是目前研究的重要方向之一。
五、深度學習：一種實作機器學習的技術
值得一提的是機器學習同深度學習之間還是有所差別的，機器學習是指計算機的算法能夠像人一樣，從資料中找到資訊，進而學習一些規律。雖然深度學習是機器學習的一種，但深度學習是利用深度的神經網絡，将模型處理得更為複雜，進而使模型對資料的了解更加深入。
深度學習是機器學習中一種基于對資料進行表征學習的方法。深度學習是機器學習研究中的一個新的領域，其動機在于建立、模拟人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋資料，例如圖像，聲音和文本。
同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分．不同的學習架構下建立的學習模型很是不同．例如，卷積神經網絡（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。
如上圖，人工智能是最早出現的，也是最大、最外側的同心圓；其次是機器學習，稍晚一點；最内側，是深度學習，當今人工智能大爆炸的核心驅動。
六、人工神經網絡：一種機器學習的算法
人工神經網絡（Artificial Neural Networks）是早期機器學習中的一個重要的算法，曆經數十年風風雨雨。神經網絡的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連接配接一定距離内的任意神經元不同，人工神經網絡具有離散的層、連接配接和資料傳播的方向。
例如，我們可以把一幅圖像切分成圖像塊，輸入到神經網絡的第一層。在第一層的每一個神經元都把資料傳遞到第二層。第二層的神經元也是完成類似的工作，把資料傳遞到第三層，以此類推，直到最後一層，然後生成結果。
每一個神經元都為它的輸入配置設定權重，這個權重的正确與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。
我們以“停止（Stop）标志牌”為例，将一個停止标志牌圖像的所有元素都打碎，然後用神經元進行“檢查”：八邊形的外形、消防車般的紅顔色、鮮明突出的字母、交通标志的典型尺寸和靜止不動運動特性等等。神經網絡的任務就是給出結論，它到底是不是一個停止标志牌。神經網絡會根據所有權重，給出一個經過深思熟慮的猜測——“機率向量”。
回過頭來看這個停止标志識别的例子。神經網絡是調制、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張圖像來訓練，直到神經元的輸入的權值都被調制得十分精确，無論是否有霧，晴天還是雨天，每次都能得到正确的結果。
隻有這個時候，我們才可以說神經網絡成功地自學習到一個停止标志的樣子；或者在Facebook的應用裡，神經網絡自學習了你媽媽的臉；又或者是2012年吳恩達（Andrew Ng）教授在Google實作了神經網絡學習到貓的樣子等等。
吳教授的突破在于，把這些神經網絡從基礎上顯著地增大了。層數非常多，神經元也非常多，然後給系統輸入海量的資料，來訓練網絡。在吳教授這裡，資料是一千萬YouTube視訊中的圖像。吳教授為深度學習（deep learning）加入了“深度”（deep）。這裡的“深度”就是說神經網絡中衆多的層。
現在，經過深度學習訓練的圖像識别，在一些場景中甚至可以比人做得更好：從識别貓，到辨識血液中癌症的早期成分，到識别核磁共振成像中的惡性良性腫瘤。Google的AlphaGo先是學會了如何下圍棋，然後與它自己下棋訓練。它訓練自己神經網絡的方法，就是不斷地與自己下棋，反複地下，永不停歇。
七、人工智能的研究領域和分支
人工智能研究的領域主要有五層：
1、最底層是基礎設施建設，包含資料和計算能力兩部分，資料越大，人工智能的能力越強。
2、往上一層為算法，如卷積神經網絡、LSTM 序列學習、Q-Learning、深度學習等算法，都是機器學習的算法。
3、第三層為重要的技術方向和問題，如計算機視覺，語音工程，自然語言處理等。還有另外的一些類似決策系統，像 reinforcement learning（編輯注：增強學習），或像一些大資料分析的統計系統，這些都能在機器學習算法上産生。
4、第四層為具體的技術，如圖像識别、語音識别、機器翻譯等等。
5、最頂端為行業的解決方案，如人工智能在金融、醫療、網際網路、交通和遊戲等上的應用，這是我們所關心它能帶來的價值。
八、人工智能的應用場景
1、計算機視覺
2000年左右，人們開始用機器學習，用人工特征來做比較好的計算機視覺系統。如車牌識别、安防、人臉等技術。而深度學習則逐漸運用機器代替人工來學習特征，擴大了其應用場景，如無人車、電商等領域。
2、語音技術
2010 年後，深度學習的廣泛應用使語音識别的準确率大幅提升，像 Siri、Voice Search 和 Echo 等，可以實作不同語言間的交流，從語音中說一段話，随之将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。與圖像相比，自然語言更難、更複雜，不僅需要認知，還需要了解。
3、自然語言處理
目前一個比較重大的突破是機器翻譯，這大大提高了原來的機器翻譯水準，舉個例子，Google 的 Translation 系統，是人工智能的一個标杆性的事件。2010 年左右， IBM 的”Watson”系統在一檔綜藝節目上，和人類冠軍進行自然語言的問答并獲勝，代表了計算機能力的顯著提高。
4、決策系統
決策系統的發展是随着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，機器的勝利都标志了科技的進步，決策系統可以在自動化、量化投資等系統上廣泛應用。
5、大資料應用
可以通過你之前看到的文章，了解你所喜歡的内容而進行更精準的推薦；分析各個股票的行情，進行量化交易；分析所有的像客戶的一些喜好而進行精準的營銷等。機器通過一系列的資料進行判别，找出最适合的一些政策而回報給我們。
九、人工智能的未來之路
1、在計算機視覺上，未來的人工智能應更加注重效果的優化，加強計算機視覺在不同場景、問題上的應用。
2、在語音場景下，目前的語音識别雖然在特定的場景(安靜的環境）下，已經能夠得到和人類相似的水準。但在噪音情景下仍有挑戰，如原場識别、口語、方言等長尾内容。未來需增強計算能力、提高資料量和提升算法等來解決這個問題。
3、在自然語言進行中，機器的優勢在于擁有更多的記憶能力，但卻欠缺語意了解能力，包括對口語不規範的用語識别和認知等。人說話時，是與實體事件學相聯系的，比如一個人說電腦，人知道這個電腦意味着什麼，或者它是能夠幹些什麼，而在自然語言裡，它僅僅将”電腦”作為一個孤立的詞，不會去産生類似的聯想，自然語言的聯想隻是通過在文本上和其他所共現的一些詞的聯想， 并不是實體事件裡的聯想。是以如果要真的解決自然語言的問題，将來需要去建立從文本到實體事件的一個映射，但目前仍沒有很好的解決方法。是以，這是未來着重考慮的一個研究方向。
4、當下的決策規劃系統存在兩個問題，第一是不通用，即學習知識的不可遷移性，如用一個方法學了下圍棋，不能直接将該方法轉移到下象棋中，第二是大量模拟資料。是以它有兩個目标，一個是算法的提升，如何解決資料稀少或怎麼自動能夠産生模拟資料的問題，另一個是自适應能力，當資料産生變化的時候，它能夠去适應變化，而不是能力有所下降。所有一系列這些問題，都是下一個五或十年我們希望很快解決的。
參考：
騰訊 AI Lab 張潼主任帶你輕松 get AI 新知識
https://www.qcloud.com/community/article/666041
人工智能、機器學習和深度學習之間的差別和聯系
https://www.cnblogs.com/dadadechengzi/articles/6575767.html
百度百科：人工智能
https://baike.baidu.com/item/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/9180
百度百科：機器學習
https://baike.baidu.com/item/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0
百度百科：深度學習
https://baike.baidu.com/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/3729729
百度百科：人工神經網絡
https://baike.baidu.com/item/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
本站轉發：人工智能、機器學習、深度學習和人工神經網絡
http://www.cnbruce.com/blog/showlog.asp?log_id=1422
人工智能：為機器賦予人的智能
機器學習：一種實作人工智能的方法
深度學習：一種實作機器學習的技術
人工神經網絡：一種機器學習的算法