人工智能

是 让 机器 具有人类 的 智能，可以像人类一样办理各种可以随着不同场景做出应对的行为。

从 广 义上 说， 人工智能 可以 分为 强 人工智能 和 弱 人工智能。

强人工智能，便是和人类一样，聪明，可以全面仿照人类行为，包括视觉、嗅觉、触觉、味觉，听觉，以及各种思考能力，并做出和人类一样的反应。

弱人工智能，相对来说，是在某一个小的领域，做到和人类一样，比如AlphaGo下棋，就属于弱人工智能。

人工智能从上个世纪初开始，经历了4个阶段

（1）大脑 仿照（ brain simulation）

韶光节点：1940-1960

这个阶段是希望能直接仿照人类大脑，

综合利用 神经学、 信息论 和 掌握论， 试图 用 机器 精确 模拟 生物 大脑 的 打算 机制。

后来创造太难了，放弃了

（2）逻辑 与 符号 打算（ logic and symbolic computation）1950-至今

不使 用 数值， 直接在在 符号 和 逻辑级别上 进行 各种 运算，来 完成机器的智能化。
20 世纪 60 年代， 该 方法 曾在 小型 证明 程序上 仿照 高等 思考 得到 较大 的 造诣。
著名 的 A 算法 也 属于 此类。

（3）·基于 知识 的 专家系统（ knowledge- based expert system）1970-至今

网络 外部 知识， 再利用 预定 策略 对 存储 的 知识 做 运算 得到 应答。
在 20 世纪 80 年代， 专家系统 在 商业 上 得到 了 巨大 的 成功。

（4）次 符号 学习（ sub- symbolic learning）1960-至今

不 依赖 于 符号， 而 依赖于 详细 的 数据，通过对数据的剖析，探求数据层的模式。
模糊 打算、 常见 的 机器 学习 等 都 属于 此类。
目前 基于 学习 的 人工智能 运用 最为 热门。

我们现在在第四个阶段。
也便是所谓次符号学习。

这四个阶段来看，办理的问题越来越详细，但是却越来越有效。

紧张关注6个问题

（1）聚类 也便是不知道怎么分，分多少类，从数据的种别上来分类

（2）分类 已经知道分类，和分类方法，让机器完成自动分类

（3）回归 探求变量之间的关系

（4）关联规则学习 剖析事宜之间的关联关系和规则

（5）压缩表示 探求共性信息，将表示大略化

（6）密度估计 估计变量的概率分布

分类问题

数据挖掘

数据挖掘，以上都可以统称为数据挖掘，数据挖掘，顾名思义，便是在数据中挖掘到我们希望得到的信息，或者背后的机理。

数据挖掘，可以利用人工智能算法，也为人工智能算法供应技能。
也可以和其他的学科结合。
数据挖掘是一个任务，而不特定指一个技能本身。

结论

就以学习为根本的人工智能是一种广义数据挖掘的一种方法。
目前在其他例如符号运算等的方向，还没有找到干系的打破口，现在我们比较盛行的比如TensorFlow或者pyTorch都属于以学习为根本的方法。

我们并不清楚，类似于符号打算方面的人工智能会不会有所打破。

中国的吴文俊院士领导的数学机器化，算是符号的人工智能的一部分，目前在国际上已经有一定的影响力。
但是真正运用于实际，还须要韶光。

期待，美好的未来，不过，机器的智能，大概并不是人类的福音。