好看的小说,天蚕土豆,梦入神机

在回答人工智能達到了什么程度這個問題之前，需先了解人工智能的概念是什么？

人工智能（Artificial Intelligence，AI）是指計算機像人一樣擁有智能能力，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，可以代替人類實現識別、認知，分析和決策等多種功能。如當你說一句話時，機器能夠識別成文字，并理解你話的意思，進行分析和對話等。

另外，了解一下AI的發展歷史，有哪些關鍵里程碑？

AI 在五六十年代時正式提出，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里程碑。而 2016 年，Google 的 AlphaGo 贏了韓國棋手李世石，再度引發 AI 熱潮。今年，騰訊推出圍棋軟件"絕藝"大放異彩，這些都代表了特定時期 AI 發展的技術水平。

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、異構計算等硬件設施的發展，都為人工智能復興奠定了基礎。

同時，互聯網及移動互聯網的發展也帶來了一系列數據能力，使人工智能能力得以提高。而且，運算能力也從傳統的以 CPU 為主導到以 GPU 為主導，這對 AI 有很大變革。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。隨著數據量增大，計算能力變強，深度學習的影響也越來越大。2011 年之后，深度學習的興起，帶動了現今人工智能發展的高潮。

其次，AI 有哪些研究領域和分支？

人工智能研究的領域主要有五層，最底層是基礎設施建設，包含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。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），或像一些大數據分析的統計系統，這些都能在機器學習算法上產生。第四層為具體的技術，如圖像識別、語音識別、機器翻譯等等。最頂端為行業的解決方案，如人工智能在金融、醫療、互聯網、交通和游戲等上的應用，這是我們所關心它能帶來的價值。

值得一提的是機器學習同深度學習之間還是有所區別的，機器學習是指計算機的算法能夠像人一樣，從數據中找到信息，從而學習一些規律。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，將模型處理得更為復雜，從而使模型對數據的理解更加深入。

機器學習有三類，第一類是無監督學習，指的是從信息出發自動尋找規律，并將其分成各種類別，有時也稱"聚類問題"。第二類是監督學習，監督學習指的是給歷史一個標簽，運用模型預測結果。如有一個水果，我們根據水果的形狀和顏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。最后一類為強化學習，是指可以用來支持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、行為產生獎勵的回饋機制，通過這個回饋機制促進學習，這與人類的學習相似，所以強化學習是目前研究的重要方向之一。

再則，AI 有哪些應用場景？

人工智能的應用場景主要有以下幾個方面：

在計算機視覺上，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。如車牌識別、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。

在語音技術上，2010 年后，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。與圖像相比，自然語言更難、更復雜，不僅需要認知，還需要理解。

在自然語言處理上，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平，舉個例子，Google 的 Translation 系統，是人工智能的一個標桿性的事件。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。

在決策系統上，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，機器的勝利都標志了科技的進步，決策系統可以在自動化、量化投資等系統上廣泛應用。

在大數據應用上，可以通過你之前看到的文章，理解你所喜歡的內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。機器通過一系列的數據進行判別，找出最適合的一些策略而反饋給我們。

最后，說一下AI 的未來是怎么樣？也就是人工智能達到什么程度？

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。

在語音場景下，當前的語音識別雖然在特定的場景(安靜的環境）下，已經能夠得到和人類相似的水平。但在噪音情景下仍有挑戰，如原場識別、口語、方言等長尾內容。未來需增強計算能力、提高數據量和提升算法等來解決這個問題。

在自然語言處理中，機器的優勢在于擁有更多的記憶能力，但卻欠缺語意理解能力，包括對口語不規范的用語識別和認知等。人說話時，是與物理事件學相聯系的，比如一個人說電腦，人知道這個電腦意味著什么，或者它是能夠干些什么，而在自然語言里，它僅僅將"電腦"作為一個孤立的詞，不會去產生類似的聯想，自然語言的聯想只是通過在文本上和其他所共現的一些詞的聯想，并不是物理事件里的聯想。所以如果要真的解決自然語言的問題，將來需要去建立從文本到物理事件的一個映射，但目前仍沒有很好的解決方法。因此，這是未來著重考慮的一個研究方向。

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，不能直接將該方法轉移到下象棋中，第二是大量模擬數據。所以它有兩個目標，一個是算法的提升，如何解決數據稀少或怎么自動能夠產生模擬數據的問題，另一個是自適應能力，當數據產生變化的時候，它能夠去適應變化，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。