一.人工智能的概念

人工智能（artificial  intelligence,AI）是利用数字计算机或者数字计算机控制的机器模拟，延伸和扩展人的智能，感知环境，获取知识并使用知识获取最佳结果的理论，方法技术及应用系统。人工智能的目标是了解智能 的实质，并产生一种新的能以人类智能相似的方式 做出反应的智能 机器。该领域的研究包括机器人，自然语言处理，计算机视觉和专家系统等。
根据人工智能是否真正实现推理思考和解决问题，可将人工智能分为弱人工智能 和强人工智能。

1.弱人工智能

弱人工智能是指不能真正实现推理和解决问题的智能机器，这些机器表面看像是智能的，但是并不是真正拥有智能，也不会有自主意识。迄今为止的人工智能系统都还是实现特定功能的专用智能，而不是像人类智能那样能够不断适应复杂的新环境并不断涌现新的功能，因此都还是弱人工智能。目前的主流研究还是集中于弱人工智能，并取得了显著进步，如在语音识别，图像处理和物体分别，机器翻译等方面都 取得重大突破，某些方面甚至可以接近或者超越人类水平。

2.强人工智能

强人工智能是指真正能思维的智能机器，并且认为这样的机器是有知觉的和自我意识的，这类机器人可以分为类人（机器的思考和推理类似人的思维）与非类人（机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式）两大类。

二.人工智能的关键技术

1.自然语言处理（natural language processing， NLP）
自然语言处理是计算机 科学与语言学的交叉学科，也是人工 智能的重要方向，研究实现人与计算机之间用自然语言进行的各种理论和方法。自然语言处理涉及的领域主要 包括机器翻译，语义理解和问答系统等。

2.计算机视觉（computer vision）

计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机有类似人类 提取，处理，理解和分析图形序列的 能力，将图像分析任务分解为便于管理的小任务，自动驾驶，机器人，智能医疗等领域均需要通过计算机 视觉技术从视觉信号中提取并处理信息。

3.知识图谱（knowledge graph）

知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系。知识图谱就是把所有不同种类的信息连接在一起而得到一个关系网络，提供了从关系的角度去分析问题的能力。

4.人机交互（human computer intera，HCI）
人机交互主要研究人和计算机的信息交换，包括人到计算机 和计算机到人的 两部分信息交换，是人工智能领域的重要的外围技术 。

5.虚拟现实 或增强现实（VR、AR）
虚拟现实或增强现实是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真是环境在视觉，听觉等方面高度近视的 数字化环境。用户借助必要的装备 与数字化环境的对象进行交互，相互影响，获得近似真实环境的感受与体验，通过显示设备 ，跟踪定位设备，触力觉交互设备，数据获取设备 ，专用芯片等实现。

6.机器学习（machine learning ML）
机器学习是人工智能的核心研究领域之一，是一门涉及统计学系统辨识，逼近理论，神经网络，优化理论，计算机 科学，脑科学等诸多领域的交叉学科。其最初的研究动机是为了让计算机系统具有人的学习能力以便实现人工智能。

6.1机器学习定义 广义上来说，机器学习指专门研究计算机怎么模拟或实现人类的学习行为以获取新的知识或技能 的学科，试计算机 重新组织已有的组织结构并不断改善自身的性能。更精确地说，一个机器学习的程序就是可以从经验数据中对任务 进行学习的算法。
6.2机器学习的分类
监督学习： 监督学习是利用已标记的有限训练数据集，通过某种学习策略、方法简历一个模型，从而实现对新数据。实例的标记映射。
无监督学习：无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构、规律。无监督学习不需要以人工标注数据作为训练样本。

半监督学习：半监督学习介于监督学习和无监督学习之间，可以利用少量的标注样本和大量的未标注样本进行训练和分类，从而达到减少标注代价，提高学习能力的目的。
强化学习：强化学习可以学习从环境状态到行为的映射，使得智能体选择的行为能够活的环境的最大奖赏，最终能目标是使外部环境对学习系统在某种意义下的评价最佳。
6.3 机器学习综合应用
机器学习已经无处不在，应用遍及人功能智能的各个领域，包括数据挖掘，计算机视觉，自然语言处理，语音和手写识别，生物特征识别，搜索引擎，医学诊断等。

6.4 机器学习的未来
机器学习虽然取得了长足的进步，也解决了很多实际问题，但是客观来说机器学习领域仍然存在巨大的挑战。首先，主流的机器学习是黑箱技术，因此就无法预知暗藏的危机，为了解决这个问题，需要让机器学习具有可理解性，可干预性。其次，目前主流的机器学习的计算成本很高，亟待发明轻量级的机器学习算法。如此的挑战还有很多，但是由于学习领域具有巨大的研究和应用潜能，研究者们对于这个领域未来的仍然充满信心。