1. 人工智能的基本概念与定义

百度百科定义：人工智能是研究、开发用于模拟、延伸和拓展人的智能的理论、方法和技术及应用系统的一门新的技术科学。

谷歌定义：一个能够推论、学习和行动的计算机和机器的科学邻域，这种推理、学习和行动需要人类智力，或者涉及超出人类分析能力的数据规模。

 
根据人工智能达到的能力水平 将其划分成3类。

1. 弱人工智能

• “弱人工智能(Artificial Narrow Intelligence，ANI)”是指能根据人类设计的某种算法依托计算机进行基本逻辑推理(Reasoning)和解决某种特定问题(Problem-solving)的智能。

• 弱人工智能可以用于文本理解、图像识别、语音识别、知识关联等，具备一定的自我学习能力，但仅限于各自的领域，不会自主探索新的技术和方法。弱人工智能并不弱，代表了人工智能的主流，并在相当长的一段时间引领行业发展。

2. 强人工智能

“强人工智能(Artificial General Intelligence，AGI)”有时也叫通用人工智能(General Artificial Intelligence)或完全人 工智能(Full AI)，指的是可以胜任人类所有工作的人工智能，能像人类一样进行思考和解决问题，能快速学习并从经验中学习，具备推理和沟通能力。

3. 超人工智能

“超人工智能(Artificial Super Intelligence，ASI)”指的是计算机创造的一种科学创新、通识和社交能力等方面都比人类大脑聪明很多的智能。超人工智能寄托着人类美好的愿景，但不一定能够达到。

 

2. 人工智能的主要学派及主旨思想

在人工智能的整个发展过程中，不同学科背景的研究人员对人工智能有不同的理解，因此也形成了人工智能的三大发展学派，分别是：

• 符号主义学派：主要研究基于逻辑推理的智能模拟方法。
• 连接主义学派：一些人认为可通过模拟大脑的神经网络结构结合脑认知原理实现，逐步形成连接主义学派
• 行为主义学派：还有人认为可以从仿生学及生物体育环境互动的模式中寻找答案，进而形成行为主义学派。

 

2.1. 符号主义学派：AI源自数学逻辑

“符号主义”研究者认为人工智能源于数理逻辑。符号主义学派发展了启发式算法→专家系统→知识工程理论与技术，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。这个学派的代表人物有纽厄尔(Newell)、西蒙 (Simon)、尼尔逊(Nilsson)等。

如今，基于大数据知识工程的知识图谱(Knowledge Graph)是符号主义学派人工智能代表性应用成果。
知识图谱是一种大规模的知识表示，往往包含数以亿计的实体和成千上万的关系。
通过建设词汇知识图谱，包含领域的同义词、缩略词和上下位词等关系，可以有效解决语言表达鸿沟的问题。
知识图谱带动了自然语言理解的发展，如知识问答、自动客服、智慧司法、答题机器人等。

 

2.2. 连接主义学派：AI源自仿生学

神经元之间错综复杂的连接被认为是人类智慧的来源，连接主义研究者认为神经网络和神经网络之间的连接机制能产生智能。

2006年Hinton首次提出深度信念网络，将深度学习推向学术界，并成为当前人工智能领域非常热门的研究方向，目前人工智能领域取得的大量应用和突破性进展都采用了深度神经网络的相关算法。

 

2.3. 行为主义学派：AI源自控制论

行为主义学派研究者认为人工智能源于控制论，控制论把神经系统的工作原理与信息理论、控制理论、逻辑和计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应和自学习等控制论系统的研究。

行为主义在20世纪末以人工智能新学派的面孔出现，当前最引人注目的研究是波士顿动力机器人。

 

3. 人工智能的起源及发展历程

人工智能的概念从提出到现在历经60年，经历了从基于推理和搜索 到 基于知识工程和专家系统 再到 机器学习和深度学习三个主要发展阶段.

具体将人工智能的发展分为6个阶段：

发展期	描述
起步发展期：1956年—20世纪60年代初。	1956年，达特茅斯会议召开，标志着人工智能的诞生。该阶段计算机在进行推理和探索时取得较大进展，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
反思发展期：20世纪60—70年代初。	推理和探索能解决简单问题，但对现实问题束手无策，如无法用机器证明两个连续函数之和仍是连续函数、机器翻译闹出笑话等，人工智能发展陷入低谷。
应用发展期:20世纪70年代初—80年代中。	专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能进入第二个发展浪潮。
低迷发展期:20世纪80年代中—90年代中。	知识描述和知识管理的缺陷逐渐暴露出来，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来，人工智能发展进入第二次低谷。
稳步发展期：20世纪90年代中—2010年。	由于网络技术特别是互联网技术的发展，促使人工智能技术进一步走向实用化。1997年国际商业机器公司(IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM出“智慧地球”的概念等都是这一时期的标志性事件。
蓬勃发展期:2011年至今。	随着大数据、云计算、互联网、物联网、智能手机、北斗定位、5G通信等新一代信息技术的发展，图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。

 

4. 驱动新一代人工智能快速发展的因素

本轮人工智能是一种全新的人工智能，是对我们的生产生活进行全新变革的人工智能，特别是以深度学习(Deep Learning，DL)为代表的人工智能异军突起，在计算机视觉、自然语言处理等领域取得了很好的效果，成为主导新一轮人工智能发展的主力军。

 

如图1-6所示。

• 大数据(Big Data)的发展为深度学习注入了新的“燃料”，极大地提高了深度学习的智能水平（但除了巨头，一般的公司利用大数据加速深度学习的情况很少？）。
• 计算能力的提升促进了深度学习模型的训练效率，成为推动新一代人工智能发展的主要驱动力。
• 移动互联网与智能手机的结合为新一代人工智能插上腾飞的翅膀，产生了全新的应用，如语音购物、人脸支付、视频理解、自然语言处理、无人超市、自动驾驶等。

 

原因	描述
数据量爆发式增长	1. 物联网、移动互联网的快速发展极大地提高了数据的获取效率，每时每刻都可以捕捉、传输、存储和管理海量数据，数据规模呈爆发性增长； 2. 云计算则为大数据提供了精准分析和弹性计算能力； 3. 大数据为人工智能算法提供了数据来源。
计算能力大幅提升	1. 随着 GPU(Graphics Processing Unit)芯片的普及，计算机的并行运算能力迈入新阶段。GPU的并行计算能力可同时处理人工智能算法所需的大量数据，从而大大提升计算效率，提升计算效率的同时随之带来了神经元网络连接的数目出现了巨大增长，加速了人工智能产业的发展历程。 2. 谷歌还推出了深度学习专用芯片TPU（TensorFlow Processing Unit），TPU是为训练Tensorflow深度学习模型而推出的专用处理器，可以为神经网络处理大量乘法和加法运算，它可以在神经网络运算上达到高计算吞吐量，使深度学习模型运行更快，能耗和物理空间占用也很小。
深度学习等算力发展	计算能力的提升和数据规模的增长，使得深度学习、强化学习 (Reinforcement Learning，RL)、迁移学习(Transfer Learning， TL)的发展提供了必要条件。这些算法广泛应用于计算机视觉、语音识别、 自然语言处理等各个领域，使越来越复杂场景的需求得到了满足 深度学习：可以让人类通过自然语言和视觉两种方式与人工智能沟通。 强化学习：让智能系统从环境到行为映射地学习，以使强化信号函数值最大。 迁移学习：可以将已经学到的模型参数(也可理解为模型学到的知识)通过某种方式来分享给新模型，从而加快并优化模型的学习效率。
移动AI创新应用牵引	移动互联网与智能手机的结合为新一代人工智能插上了腾飞的翅膀，产生了全新的应用，如语义购物、人脸支付、无人超市、自动驾驶等各类智能产品，提高了商业服务效率和质量，极大推动了人工智能产业的良性发展和惠名应用。