人工智能（Aritificial Intelligence， AI）是一门领悟了打算机科学、统学、脑神经学和社会科学的前沿综合性学科。
它的目标是希望打算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。

二、人工智能发展史

人工智能在发展过程中产生了很多的流派，符号主义、连接主义和行为主义。
这些流派的相辅相成推进了人工智能的发展。

（1）符号主义

符号主义又称逻辑主义、生理学派或打算机学派。
符号主义认为，人工智能源于数学逻辑，人的认知基源是符号，认知过程即符号操作过程，通过剖析人类认知系统所具备的功能和性能，然后通过打算机来仿照这些功能，从而实现人工智能。
符号主义的发展大概经历了几个阶段：推理期（20世纪50年代–20世纪70年代），知识期（20世纪70年代）。
“推理期”人们基于符号知识表示、通过演绎推理技能取得了很大的造诣；“知识期”人们基于符号表示、通过获取和利用领域知识来建立专家系统取得了大量的成果。

（2）连接主义

连接主义又称仿生学派或生理学派。
连接主义认为，人工智能源于仿生学，特殊是对人脑模型的研究，人的思维基元是神经元，而不是符号处理过程。
20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究涌现过热潮，由于受到当时的理论模型、生物原型和技能条件的限定，脑模型研究在20世纪70年代后期至80年代初期落入低潮。
直到Hopfield教授在1982年和1984年揭橥两篇主要论文，提出用硬件仿照神经网络往后，连接主义才又重新举头。
1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。
进入21世纪后，连接主义卷土重来，提出了“深度学习”的观点。

（3）机器学习

二十世纪80年代，机器学习成为一个独立的科学领域，各种机器学习技能百花初绽。
E．A．Feigenbaum等人在著名的《人工智好手册》中，把机器学习划分为“机器学习”、“示传授教化习”、“类比学习”和“归纳学习”。
机器学习将外界的输入信息全部存储下来，等到须要时原封不动的取出来；示传授教化习和类比便是“从指令中学习”和“通过不雅观察和创造学习”；归纳学习便是从样例中学习。
二十世纪80年代以来研究最多的便是归纳学习，它包括：监督学习、无监督学习、半监督学习、强化学习等。
归纳学习有两大主流：一、符号主义学习，其代表包括决策树和基于逻辑的学习（事实上，机器学习在20世纪80年代正是被视为“办理公式工程瓶颈问题的关键”而走上人工智能主舞台的）。
二、基于神经网络的连接主义学习。
二十世纪90年代中期，统计学习闪亮登场，并迅速霸占主流舞台，代表性技能是支持向量机以及更一样平常的“查究法”。
我们目前所说的机器学习方法，一样平常认为是统计机器学习方法。

（3）研究领域与运用处景

1）研究领域

人工智能的研究领域紧张有5层，最底层是根本举动步伐培植，包括数据和打算能力两部分，数据越大人工智能的能力越强。
往上一层是算法，比如机器学习、深度学习等算法。
再上一层是紧张的技能方向，如打算机视觉、语音工程、NLP等。
第二层是各个技能方向中的技能。
最上层为人工智能的运用领域。

2）运用处景

打算机视觉：车牌识别、人脸识别、无人车等；

语音工程：2010 年后，深度学习的广泛运用使语音识别的准确率大幅提升，像 Siri、Voice Search 和 Echo 等，可以实现不同措辞间的互换，从语音中说一段话，随之将其翻译为另一种笔墨；再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。
自然措辞处理：问答系统、机器翻译、对话系统等；

决策系统：决策系统的发展是随着棋类问题的办理而不断提升，从 80 年代泰西跳棋开始，到 90 年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。
决策系统可以在自动化、量化投资等系统上广泛运用。

大数据运用：剖析客户的喜好进行个性推举，精准营销；剖析各个股票的行情，进行量化交易。

（4）AI面临的寻衅

1）打算机视觉：未来的人工智能该当更加看重效果的优化，加强打算机视觉在不同场景、问题上的运用。

2) 语音工程：当前的语音工程在安静环境下，已经能够取得和人类相似的水平。
但在噪音情景下仍有寻衅，如原场识别、口语、方言等长尾识别。

3) 自然措辞处理：机器欠缺对语意理解能力，包括对口语不规范的用于识别和认知等。

4) 决策系统：目前存在的两个问题，第一是不通用，即学习知识的不可迁移性，如用一个方法学习下象棋，不能直接将其迁移到下围棋上；第二是大量仿照数据。