談到人工智能，人工智能的定義到底是什么？

達特茅斯會議上對人工智能的定義是：使一部機器的反應方式就像是一個人在行動時所依據(jù)的智能。

百度百科上對人工智能的定義是：它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

盡管人工智能現(xiàn)在還沒有非常嚴格準確或者所有人都接受的定義，但是有一些約定俗成的說法。通常人工智能是指機器智能，讓機器達到人智能所實現(xiàn)的一些功能。人工智能既然是機器智能，就不是機械智能，那么這個機器是指什么呢？ 是指計算機，用計算機仿真出來的人的智能行為就可以叫作人工智能。

2017年7月，國務院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》。2017年12月，人工智能入選“2017年度中國媒體十大流行語”。這一國家級戰(zhàn)略和社會流行趨勢標志著，人工智能發(fā)展進入了新階段，我國要搶抓人工智能發(fā)展的重大戰(zhàn)略機遇，構筑人工智能發(fā)展的先發(fā)優(yōu)勢，加快建設創(chuàng)新型國家和世界科技強國。

自1956年開始，人工智能經(jīng)歷了三起三落，出現(xiàn)了幾次浪潮，現(xiàn)在人工智能已經(jīng)是處于第三次浪潮了。

第一次浪潮（1956-1976年，20年），最核心的是邏輯主義

邏輯主義主要是用機器證明的辦法去證明和推理一些知識，比如用機器證明一個數(shù)學定理。要想證明這些問題，需要把原來的條件和定義從形式化變成邏輯表達，然后用邏輯的方法去證明最后的結(jié)論是對的還是錯的，也叫做邏輯證明。

早期的計算機人工智能實際上都是沿著這條路在走。當時很多專家系統(tǒng)，比如醫(yī)學專家系統(tǒng)，用語言文字輸入一些癥狀，在機器里面變換成邏輯表達，用符號演算的辦法推理出大概得了什么病。所以當時的主要研究都集中在邏輯抽象、邏輯運算和邏輯表達等方面。

在第一次浪潮中，數(shù)學定理證明實際上是實現(xiàn)效果最好的，當時有很多數(shù)學家用定理思路證明了數(shù)學定理。為了更好地完成定理證明工作，當時出了很多和邏輯證明相關的邏輯程序語言，比如很有名的Prolog。

雖然當時的成果已經(jīng)能夠解開拼圖或?qū)崿F(xiàn)簡單的游戲，卻幾乎無法解決任何實用的問題。

第二次浪潮（1976—2006年，30年），聯(lián)結(jié)主義盛行

在第一次浪潮期間，邏輯主義和以人工神經(jīng)網(wǎng)絡為代表的聯(lián)結(jié)主義相比，邏輯主義是完全占上風的，聯(lián)結(jié)主義那時候不太吃香。然而邏輯主義最后無法解決實用的問題，達不到人們對它的期望，引起了大家的反思，這時候人工神經(jīng)網(wǎng)絡（也就是聯(lián)結(jié)主義）就慢慢占了上風。

在70年代末，整個神經(jīng)元聯(lián)結(jié)網(wǎng)絡、模型都有突飛猛進的進步，最重要的是BP前饋神經(jīng)網(wǎng)絡。1986年BP前饋神經(jīng)網(wǎng)絡剛出來的時候解決了不少問題，后來大家往更大的領域應用，實現(xiàn)了比較大的成果。在很多模式識別的領域、手寫文字的識別、字符識別、簡單的人臉識別也開始用起來，這個領域一下子就熱起來，一時之間，人們感覺人工智能大有可為。隨后十幾年人們發(fā)現(xiàn)神經(jīng)網(wǎng)絡可以解決一些單一問題，解決復雜問題卻有些力不從心。訓練學習的時候，數(shù)據(jù)量太大，有很多結(jié)果到一定程度就不再往上升了。

這時期所進行的研究，是以灌輸“專家知識”作為規(guī)則，來協(xié)助解決特定問題的“專家系統(tǒng)”為主。雖然有一些實際的商業(yè)應用案例，應用范疇卻很有限，第二次熱潮也就慢慢趨于消退。

第三次浪潮（2006—現(xiàn)在），基于互聯(lián)網(wǎng)大數(shù)據(jù)的深度學習的突破

如果按照技術分類來講，第二次和第三次浪潮都是神經(jīng)網(wǎng)絡技術的發(fā)展，不同的是，第三次浪潮是多層神經(jīng)網(wǎng)絡的成功，也就是深度學習取得突破。這里既有硬件的進步，也有卷積神經(jīng)網(wǎng)絡模型與參數(shù)訓練技巧的進步。

若觀察腦的內(nèi)部，會發(fā)現(xiàn)有大量稱為“神經(jīng)元”的神經(jīng)細胞彼此相連。一個神經(jīng)元從其他神經(jīng)元那里接收的電氣信號量達某一定值以上，就會興奮（神經(jīng)沖動）；在某一定值以下，就不會興奮。興奮起來的神經(jīng)元，會將電氣信號傳送給下一個相連的神經(jīng)元。下一個神經(jīng)元同樣會因此興奮或不興奮。簡單來說，彼此相連的神經(jīng)元，會形成聯(lián)合傳遞行為。我們透過將這種相連的結(jié)構來數(shù)學模型化，便形成了人工神經(jīng)網(wǎng)絡。

經(jīng)模型化的人工神經(jīng)網(wǎng)絡，是由“輸入層”“隱藏層”及“輸出層”等三層構成。深度學習往往意味著有多個隱藏層，也就是多層神經(jīng)網(wǎng)絡。另外，學習數(shù)據(jù)則是由輸入數(shù)據(jù)以及相對應的正確解答來組成。

為了讓輸出層的值跟各個輸入數(shù)據(jù)所對應的正解數(shù)據(jù)相等，會對各個神經(jīng)元的輸入計算出適當?shù)摹皺嘀亍敝怠Ｍㄟ^神經(jīng)網(wǎng)絡，深度學習便成為了“只要將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，它就能自行抽出特征”的人工智能。

伴隨著高性能計算機、云計算、大數(shù)據(jù)、傳感器的普及，以及計算成本的下降，“深度學習”隨之興起。它通過模仿人腦的“神經(jīng)網(wǎng)絡”來學習大量數(shù)據(jù)的方法，使它可以像人類一樣辨識聲音及影像，或是針對問題做出合適的判斷。在第三次浪潮中，人工智能技術及應用有了很大的提高，深度學習算法的突破居功至偉。

深度學習最擅長的是能辨識圖像數(shù)據(jù)或波形數(shù)據(jù)這類無法符號化的數(shù)據(jù)。自2010年以來，Apple、Microsoft及Google等國際知名IT企業(yè)，都投入大量人力物力財力開展深度學習的研究。例如Apple Siri的語音識別，Microsoft搜索引擎Bing的影像搜尋等等，而Google的深度學習項目也已超過1500項。

深度學習如此快速的成長和應用，也要歸功于硬件設備的提升。圖形處理器（GPU）大廠英偉達（NVIDIA）利用該公司的圖形適配器、連接庫（Library）和框架（Frame?work）產(chǎn)品來提升深度學習的性能，并積極開設研討課程。另外，Google也公開了框架TensorFlow，可以將深度學習應用于大數(shù)據(jù)分析。

人工智能的概念很寬泛，根據(jù)人工智能的實力可以分成3大類，也稱為3種模式。

（1）弱人工智能：擅長于單個方面的人工智能，也叫專業(yè)人工智能。比如戰(zhàn)勝世界圍棋冠軍的人工智能AlphaGo，它只會下圍棋，如果讓它下國際象棋或分辨一下人臉，它可能就會犯迷糊，就不知道怎么做了。當前我們實現(xiàn)的幾乎全是弱人工智能。

（2）強人工智能：是指在各方面都能和人類比肩的人工智能，這是類似人類級別的人工智能，也叫通用人工智能。人類能干的腦力活，它都能干，創(chuàng)造強人工智能比創(chuàng)造弱人工智能難得多，目前我們還做不到。

（3）超人工智能：知名人工智能思想家Nick Bostrom把超級智能定義為“在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創(chuàng)新、通識和社交技能”。超人工智能可以是各方面都比人類強點，也可以是各方面都比人類強很多倍。超人工智能現(xiàn)在還不存在，很多人也希望它永遠不要存在。否則，可能像好萊塢大片里面的超級智能機器一樣，對人類也會帶來一些威脅或者顛覆。

我們現(xiàn)在處于一個充滿弱人工智能的世界。比如，垃圾郵件分類系統(tǒng)是個幫助我們篩選垃圾郵件的弱人工智能；Google翻譯是可以幫助我們翻譯英文的弱人工智能等等。這些弱人工智能算法不斷地加強創(chuàng)新，每一個弱人工智能的創(chuàng)新，都是邁向強人工智能和超人工智能的進步。正如人工智能科學家Aaron Saenz所說，現(xiàn)在的弱人工智能就像地球早期軟泥中的氨基酸，可能突然之間就形成了生命。如世界發(fā)展的規(guī)律看來，超人工智能也是未來可期的！