AI学院 | 人工智能基本知识概览

人工智能会让我更多的去关注学习的过程是什么，让我们思考什么是人，什么是智能。

——李飞飞

什么是人工智能？

人工智能（Artificial Intelligence）：缩写为AI，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、自然语言处理（包括语音和语义识别、自动翻译）、计算机视觉（图像识别）、知识表示、专家系统等。

《人工智能，一种现代的方法》中提到，人工智能是类人行为、类人思考、理性的思考、理性的行动。人工智能的基础是哲学、数学、经济学、神经科学、心理学、计算机工程、控制论、语言学。

人工智能有哪些形态？

⏩ANI（弱人工智能）：它包含基础的、角色型任务，是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，其他领域的知识或技能它就不会了。

⏩AGI（强人工智能）：它包含人类水平的任务，涉及到机器的持续学习。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。

⏩ASI（超人工智能）：牛津哲学家，知名人工智能思想家Nick Bostrom把超人工智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。

人工智能技术四大分支

模式识别：是指对表征事物或者现象的各种形式（数值的、文字的、逻辑关系的，等）信息进行处理分析，以及对事物或现象进行描述分析分类解释的过程，例如汽车车牌号的辨识涉及到图像处理分析等技术。

机器学习：研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，不断完善自身的性能，或者达到操作者的特定要求。

数据挖掘：知识库的知识发现，通过算法搜索挖掘出有用的信息，应用于市场分析、科学探索、疾病预测等。

智能算法：解决某类问题的一些特定模式算法，例如我们最熟悉的最短路径问题，以及工程预算问题等。

人工智能、机器学习和深度学习的关系

最先出现的是人工智能的理念，然后是机器学习，当机器学习繁荣之后就出现了深度学习，今天的AI大爆发是由深度学习驱动的。

机器学习是人工智能的一个方面，处于人工智能的算法层面。大体来讲，机器学习就是用算法真正解析数据，不断学习，然后对世界中发生的事做出判断和预测。在过去几年里，机器学习的最佳应用案例是“计算机视觉”，要实现计算机视觉，研究人员仍然需要手动编写大量代码才能完成任务。以识别停止标志为例，研究人员需要手动编写分级器，比如边缘检测滤波器，只有这样程序才能确定对象从哪里开始，到哪里结束；形状侦测可以确定对象是否有8条边；分类器可以识别字符“S-T-O-P”。通过手动编写的分组器，研究人员可以开发出算法识别有意义的形象，然后学会下判断，确定它是不是一个停止标志。这种办法可以用，但并不是很好。如果是在雾天，当标志的能见度比较低，或者一棵树挡住了标志的一部分，它的识别能力就会下降。直到不久之前，计算机视觉和图像侦测技术还与人类的能力相去甚远，因为它太容易出错了。

深度学习属于机器学习的一种，它的算法技术发展到一定程度之后依赖的是深度神经网络。“人工神经网络（Artificial Neural Networks）”是一种算法方法，它也是早期机器学习专家提出的，存在已经几十年了。神经网络（Neural Networks）的构想源自于我们对人类大脑的理解——神经元的彼此联系。二者也有不同之处，人类大脑的神经元是按特定的物理距离连接的，而人工神经网络有独立的层、连接，还有数据传播方向。

还以停止标志为例，我们会将停止标志图片切割，让神经元检测，比如它的八角形形状、红色、与众不同的字符、交通标志尺寸、手势等。神经网络的任务就是给出结论：它到底是不是停止标志。神经网络会给出一个“概率向量”，它依赖于有根据的推测和权重。在该案例中，系统有86%的信心确定图片是停止标志，7%的信心确定它是限速标志，有5%的信心确定它是一支风筝卡在树上，等等。然后网络架构会告诉神经网络它的判断是否正确。如果我们对网络进行训练，用大量的错误答案训练网络，调整网络，结果就会更好。研究人员需要做的就是训练，他们要收集几万张、甚至几百万张图片，直到人工神经元输入的权重高度精准，让每一次判断都正确为止——不管是有雾还是没雾，是阳光明媚还是下雨都不受影响。这时神经网络就可以自己“教”自己，搞清停止标志到底是怎样的；它还可以识别Facebook的人脸图像，可以识别猫——吴恩达（Andrew Ng）2012年在谷歌做的事情就是让神经网络识别猫。

吴恩达的突破之处在于：让神经网络变得无比巨大，不断增加层数和神经元数量，让系统运行大量数据，训练它。吴恩达的项目从1000万段YouTube视频调用图片，他真正让深度学习有了“深度”。

到了今天，在某些场景中，经过深度学习技术训练的机器在识别图像时比人类更好，比如识别猫、识别血液中的癌细胞特征、识别MRI扫描图片中的肿瘤。谷歌AlphaGo学习围棋，它自己与自己不断下围棋并从中学习。有了深度学习，机器学习才有了许多实际的应用，它还拓展了AI的整体范围。 深度学习将任务分拆，使得各种类型的机器辅助变成可能。无人驾驶汽车、更好的预防性治疗、更好的电影推荐……要么已经出现，要么即将出现。

人工智能市场生态格局

基础支撑：人工智能芯片、云计算平台、大数据平台

核心技术：自然语言处理、计算机视觉、智能语音

主要应用领域：

⏩机器人领域：人工智能机器人，它能理解人的语言，用人类语言进行对话，并能够用特定传感器采集分析出现的情况、调整自己的动作来达到特定的目的。

⏩语言识别领域：该领域其实与机器人领域有交叉，设计的应用是把语言和声音转换成可进行处理的信息，如语音开锁（特定语音识别）、语音邮件以及未来的计算机输入等方面。

⏩图像识别领域：利用计算机进行图像处理、分析和理解，以识别各种不同类型模式的目标和对象的技术，例如人脸识别、汽车牌号识别等。

⏩专家系统：具有专门知识和经验的计算机智能程序系统，后台采用的数据库相当于人脑，具有丰富的知识储备，采用数据库中的知识数据和知识推理技术来模拟专家解决复杂问题。

*内容综合整理自：张子良老师课程《人工智能：决胜未来之道》、知乎网友洋葱办刘主任、CSDN《一张图看懂AI、机器学习和深度学习的区别》

*图片均来自于网络