但也有人会担忧如果人工智能拥有了反抗意识，它们的能力将会碾压人类，人类的时期将会闭幕。

那么人工智能到底是什么呢？我们将会从人工智能的发展史讲起，让你理解到机器到底是如何学习的，以及人工智能在生活中的运用，好了，现在我们出发吧~

一、人工智能的发展史

1993年，著名科幻作家弗诺·文奇提出了“技能奇点”理论。
他认为，一旦人工智能涌现，它们就会不断学习，不断改进自己，变得越来越聪明，而且变聪明的速率会越来越快，引发 “智能技能的爆炸”（即技能奇点）。

末了，它们发展出了一种在各方面都碾压人类的超级人工智能，从此，人类的时期将会闭幕。

乃至在科幻小说常常设想人工智能将会威胁到人类。

那么，机器到底能不能思考？打算机科学家艾兹赫尔·戴克斯特拉认为，这个问题就相称于问“潜水艇能不能拍浮”。

如果拍浮的定义是“利用四肢、鳍或尾巴在水中提高”，那么潜水艇肯定不会拍浮，由于它既没有胳膊也没有腿。

但是，这种咬文嚼字的定义显然是荒谬的。
潜水艇显然会“拍浮”，只不过不是我们所设想的那种拍浮。
同样的道理，机器也能“思考”，只不过不是我们所设想的那种思考。

我们可以说，机器在通过打算机程序仿照人类的思考，使得自己在某些详细的任务中，像人类一样能看、能听、能想、能说、能动。

（1950年，阿兰·图灵揭橥了一篇论文，叫做《打算机器与智能》。
在文中他提出，与其去研究机器到底能不能思考，还不如去让机器参加一个智能的行为测试，也便是图灵测试。

在图灵测试中，一个打算机程序通过在屏幕上打字跟一个人进行5分钟的在线谈天。
这个人须要判断，跟他谈天的是一个打算机程序还是一个大活人。
如果一个打算机程序有30%的几率让别人误以为自己是一个大活人，那么它就通过了图灵测试。
我们就可以说这个程序学会了“思考”。

图灵估量，在2000年时，打算机可以存储1GB的信息。
人类在这样的打算机上就能编写一个能够通过图灵测试的程序。

实际上，图灵的设想并没有实现，现在还没有任何一个打算机程序能够骗过聪明的人类裁判。
而且很少有人工智能科学家关心图灵测试。
他们紧张关心的是如何让自己的人工智能程序像人类一样，能够“聪明地”完成某个详细的实际任务，比如驾驶汽车。
）

为了让机器能够通过某种打算机程序学会“思考”，人类科学家考试测验了各种各样的方法，付出了几代人的努力，熬过了两次低谷，经历了三次高潮。

二、机器是如何学习的呢？

人工智能之以是能在近年来掀起新一轮高潮，紧张是由于三大驱动要素：算法、大数据、运算能力。

算法：

概括地说，打算机紧张干三件事，一是输入，二是运算，三是输出。
不论输入什么，在打算机看来都是一堆数据。
不论输出什么，在打算机看来也都是一堆数据。

研究人工智能的打算机程序，很多时候是在研究“聪明的算法”，能够适应各种各样的实际情形，让打算机程序通过运算，从输入的数据出发，精确而高效地得出该当输出的结果。

在这一轮人工智能的热潮中，机器学习的算法发挥了主要的浸染。

什么叫算法？

当你交给打算机一个任务的时候，不但要见告它做什么，还要见告它怎么做。
关于“怎么做”的一系列指令就叫做算法。

比方说，你输入一个峡谷的等高线地形图，让打算机找到个中海拔最低的地方。
你须要见告打算机，从地形图的左上角开始向右走，一行一行地来回扫描，走遍整张图之后，比较所有经由的地方的海拔高度，终极找到那个最低的地方。
这便是一种算法，只不过这种算法效率很低，看起来很“笨”。

聪明的人会用聪明的算法。
例如，让打算机把自己想象成一个小球，从图中峡谷的任意一个地方开始往下滚。
如果滚到一个地方滚不动了，那个地方便是海拔最低的地方。
这种聪明的算法叫做“梯度低落法”。
如果将来孩子要学习人工智能，这可能是他要节制的第一个算法。

什么叫机器学习？

很多时候，打算机工程师不可能像诸葛亮一样，把所有可能发生的情形都提前预见到，然后把应对方法写入几个锦囊之中，让打算机遇到问题时就打开个中一个看。
打算机只要按照提前准备好的方法应对，就能渡过难关。

为了完成更加繁芜的任务，工程师必须让打算机变得再聪明一些，能够自动“学习”，从已有的历史数据和履历中自动剖析，总结出规律，并利用自己总结出来的规律，对新输入的数据进行预测，这便是机器学习算法。

例如，你把杭州所有屋子的价格和它们的面积、学区、建造韶光以及周围的交通情形等信息输入打算机，通过机器学习算法，打算机就能够找到“大致剖断杭州一个屋子的价格的规律”。

上面那个例子很大略，可能你以为不必劳烦打算机去学习，直接见告它规律就可以了。
但是有些规律虽然你自己能够领悟，但你却无法翻译成机器能理解的算法。

例如，

▪ 如何把一张照片变成一幅像是梵高画过的油画？

▪ 如何让语音合成旗模拟一个名人的声音？

▪ 如何让一个六条腿的机器狗适应各种野外地形？

▪ 如何让一家电商的做事器猜出一个新用户可能想要买什么商品？

这时，就要靠机器学习了。

大数据：

既然要让机器努力学习，就得有东西（“大量数据”）可学。
人类每时每刻的每个行为都可以变成数据，但在前互联网时期，这些数据都不可能轻易地记录和保存下来。

随着互联网和物联网的发展，随着网络带宽不断增加，随着存储的硬件本钱不断降落，环球人类产生的数据在爆发性增长，为人工智能的发展供应了源源不断的营养。

运算能力：

大数据的营养有了，打算机程序还要经由大量运算，才能对这些营养进行“消化”、“接管”，变成各种各样的“模型”，才能够仿照人类的智能。

从前，科学家利用传统的CPU进行模型演习，运算过程少则几天，多则几个星期，效率非常低。
运用了GPU、FPGA和分布式运算等新的运算加速技能往后，模型演习的效率大大提高。
有实际运用代价的人工智能程序一个接一个地呈现了出来。

那么机器到底是如何学习的呢？

从学习风格的角度看，机器学习有很很多种学习方法，我们简要地列举个中几种方法：监督学习、非监督学习、强化学习和迁移学习。

监督学习：

比方说，你想教打算机如何识别一张照片上的动物是不是猫。
你先拿出几十万张动物的照片，凡是有猫的，你就见告打算机有猫；凡是没有猫的，你就见告打算机没有猫。

也便是说，你预先给打算机要学习的数据进行了分类。
这相称于你监督了打算机的学习过程。

经由一段监督学习的过程之后，如果你再给打算机看照片，它就能认出照片中有没有猫。

非监督学习：

比方说，你想教打算机区分猫和狗的照片。
你拿出几十万张猫和狗的照片（没有其他动物）。
你并不见告打算机哪些是猫，哪些是狗。

也便是说，你没有预先给打算机要学习的数据进行分类，以是你并没有监督打算机的学习过程。

经由一段监督学习的过程之后，打算机就能把你输入的照片按照相似性分成两个大类（也便是区分了猫和狗）。
只不过打算机只是从数字照片的数学特色的角度进行了分类，而不是从动物学的角度进行了分类。

强化学习：

比方说，你想教打算机掌握一只机器臂打乒乓球。
一开始，打算机掌握机器臂像傻瓜一样，拿着球拍做很多随机的动作，完备不得要领。

但是，一旦机器臂凑巧接到一个球，并把球击打到对手的球桌上，我们就让打算机得一分，这叫做褒奖。
一旦机器臂没有精确地接到球、或没有把球击打到精确的位置上，我们就给打算机扣一分，这叫做惩罚。

经由大量的演习之后，机器臂逐渐地从褒奖和惩罚中，学会了接球、击打球的基本动作。

迁移学习：

比方说，你让打算机学会了掌握机器臂打乒乓球之后，又叫它学习打网球。
这个时候，你不须要让打算机从零开始重新学，由于乒乓球和网球的规则是相似的。

例如，这两种球都要把球击打到对方的球场/球桌上。
以是，打算机可以将之前学到的动作迁移过来。
这样一种学习，就叫做迁移学习。

三、人工智能可以在哪些地方运用？

从理论上讲，人类能够完成的任何一种重复的劳动，乃至人类无法完成的许多重复的劳动，都能用人工智能的算法让机器来学习。
一旦模型演习成功，它们就可以在这些学过的详细任务中，像人类一样能看、能听、能想、能说、能动。

实际上，科学界和企业界对人工智能的运用，依赖于每个领域的详细利用场景。
下面，我们从与日常生活干系的领域出发，简要地先容人工智能的几个利用场景。

医疗：

每天都有很多人去医院看门诊，做检讨，接管治疗。
假设一个专家每天看30个病人，整年无休，经由30年的艰巨演习，也只能看完33万个病人。
而且，如果他这样不要命地看病，就没有办法读论文，参加学术会议，学习最新的医学研究成果。

同时，根据IBM的资料，仅仅在上海市卫生信息系统，每天生产的数据就高达1000万条，已建立起的电子康健档案达3000万，信息总量已达20亿条。
这些资料靠人力根本不可能看完，只能依赖拥有人工智能的打算机。

例如，根据日本媒体宣布，有位 66 岁的女病人山下女士罹患罕见的「急性骨髄性白血病」，IBM的人工智能系统Watson 在她病情溘然恶化，意识不清的紧急状况下，只用了 10分钟就从 2000 万份论文中找到了依据，精确判断了她的病症，并找出了最适宜的疗法治疗成功。

安防：

为了侦破案件，公安部门常常要调取公共场所和道路两侧的监控录像。
运用了人工智能技能之后，打算机在破案时可以从***画面中，识别可疑职员的特色，快速确定可疑职员的身份，并综合办理查人、找人、预警、追踪等的职员管理监控问题。

打算机也可以在***画面中，识别车辆信息，帮助失落主追回被盗的汽车。

金融：

环球的证券市场每天都会产生大量交易数据。
著名对冲基金桥水曾经利用人工智能技能，通过这些历史数据和统计概率预测未来。

这个程序能随着市场的变革而变革，不断适应新的趋势，而不是一成不变的。

交通：

在汽车上安装了摄像头之后，无人驾驶的科学家就可以演习打算机从***图像中，学习识别周围的物体和环境，检测可行区域的范围，并判断车该往哪里开。

***业：

据36氪宣布，美国有一家叫做叙事科学的公司，在2010年就推出了一款名为Quill的写作软件，能从不同角度将数字转化为有故事情节的阐述文。

Quill曾被用来撰写电视及网络上棒球赛事的比赛报告，福布斯网站曾利用该公司的技能自动制作财报和房地产干系报告等。

语音识别和语音合成：

只要给人工智能软件投喂足够多的语料库，理论上它可以模拟任何一个人的声音。

你想让它说什么，它就能按照那个人的声音说什么。
乃至还能用奥巴马的声音说带口音的汉语。

自然措辞处理：

韶光便是金钱，摧残浪费蹂躏你的韶光便是摧残浪费蹂躏你的钱。
垃圾邮件不但摧残浪费蹂躏你的韶光，摧残浪费蹂躏你的带宽，有时候还给你设下骗局，梦想直接骗走你的钱。

运用了人工智能技能之后，许多邮箱的垃圾邮件大大减少了，有些邮件做事商乃至将垃圾邮件比例降到了0.1%。

机器人装置：

虽然机器猫八字还没一撇，但是机器狗，机器驴，机器蜘蛛都已经发明出来了。

它们能站，能走，能跑，能爬，上山不打颤，下雪不怕滑。

科学研究：

欧洲核子中央的大型强子对撞机，每秒钟能够产生几亿次对撞，但这些数据并不是全都能派上用场，科学家只能用快速而粗糙的标准筛选出个中区区1/1000的事宜。

科学家操持在未来的加速器中安装人工智能程序，将更多可能蕴含着新创造的事情交给它。

电子商务：

当你在网上愉快地剁手的时候，你可知道自己也在不知不觉地用到了人工智能技能？

利用机器学习、数据挖掘、搜索引擎、自然措辞处理等多种技能，各种买买买的网站都能根据用户在网站中的点击、浏览、勾留、跳转、关闭等行为，猜出你大概是哪种人，可能会喜好什么，然后把你可能喜好的商品推举到你面前，让剁手来得更剧烈些。

文章来源：菠萝科学奖

参考文献：Artificial Intelligence A Modern Approach，Stuart J. Russell and Peter Norvig；《深扒人工智能系列之<历史篇>》，本邦科技CTO张文斌。

怎么样~理解了人工智能的前世今生，你有没有以为它并没那么神秘，没那么恐怖了呢？

实在，人工智能技能的发展就像人类之前遭遇过的每一项技能打破一样，既会给我们带来好处，也会给我们带来问题。
无论鼓吹人工智能，还是当心人工智能，我们都该当先镇静下来，踏踏实实地搞清楚人工智能到底是什么，这样才能理性地欢迎未来的变革。