人工智能（Artificial Intelligence）是什么？人工智能有什么好处？AI应用架构的关键组成？人工智能实施面临哪些挑战？

AI 人工智能（Artificial Intelligence）

概念与历程

了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（Artificial Intelligence，简称AI）”这一概念，标志着人工智能学科的诞生。

人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。

人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：

一是起步发展期：
　　1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。

二是反思发展期：
　　20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。

三是应用发展期：
　　20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。

四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。

五是稳步发展期：
　　20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。

六是蓬勃发展期：
　　2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。

现状与影响

对于人工智能的发展现状，社会上存在一些“炒作”。**比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。**这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。

专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。

通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。

人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CB Insights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。

创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。

人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。 另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。

趋势与展望

经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？

从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。

从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。

从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。

人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。

人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。

人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。

人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。**2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。**世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。

人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。

人工智能发展里程碑事件

发展历程中发生了许多关键的里程碑事件，这些事件推动了技术的进步和应用。

（1）神经网络的诞生 (1943年)：
Warren McCulloch 和 Walter Pitts 提出了人工神经元的概念，描述了如何通过人造神经元网络实现逻辑功能，这为后来的深度学习奠定了基础。

（2）“人工智能”有了名字 (1955年8月31日)
John McCarthy、Marvin Minsky 等人提交了一份提案，首次正式使用了“人工智能”这个术语，并在接下来的一年举办了达特茅斯会议，标志着AI作为一个独立领域的开始。

（3）反向传播算法（BACKPROP）的到来 (1969年提出, 1980年代中期成为主流)
反向传播算法是机器学习历史上最重要的算法之一，它允许神经网络调整其隐藏层以改善输出结果。

（4）与计算机交谈：ELIZA (1960年代中期)
ELIZA 是早期的自然语言处理系统之一，能够模拟心理治疗师进行对话，开启了人机交流的新纪元。

（5）奇点理论 (1993年)
Vernor Vinge 发表文章推广了“奇点”的概念，即未来某一天AI将超越人类智能。

（6）自动驾驶汽车的首次成功 (1986年)
德国联邦国防军大学的研究人员实现了第一辆能够在空旷街道上行驶的自动驾驶汽车。

（7）IBM 深蓝战胜国际象棋冠军 (1997年)
IBM 的超级计算机深蓝击败了世界象棋冠军 Garry Kasparov，展示了AI在复杂策略游戏中的潜力。

（8）IBM Watson 在 Jeopardy! 中获胜 (2011年)
IBM 的 AI 系统 Watson 在电视智力竞赛节目 Jeopardy! 中打败了两位前冠军，证明了AI在自然语言理解和信息检索方面的能力。

（9）谷歌研究人员训练出识别猫脸的神经网络 (2012年6月)
使用大规模数据集训练的神经网络学会了自主识别图像中的猫脸，这是深度学习能力的一个显著展示。

（10）AlphaGo 战胜围棋世界冠军李世石 (2016年3月)
谷歌 DeepMind 开发的 AlphaGo 在围棋比赛中战胜了顶尖的人类选手李世石，被认为是AI发展史上的一个重大突破。

（11）美、英、欧盟签署《人工智能框架公约》
《人工智能法案》于2024年9月由欧盟通过，这是一个重要的立法里程碑，为AI的发展提供了明确的法律框架，促进了负责任的创新和技术应用。这一法案对于全球范围内的人工智能政策制定也有着示范作用。

人工智能到底是什么？

人工智能（英语：artificial intelligence，缩写为AI）亦称机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指用普通计算机程序来呈现人类智能的技术。同时，通过医学、神经科学、机器人学及统计学等的进步，常态预测则认为人类的很多职业也逐渐被其取代。

强人工智能和弱人工智能
弱人工智能（英语：Weak artificial intelligence，简称Weak AI）或称狭义人工智能（Narrow AI）、应用型人工智能（Applied AI），是实现部分思维的人工智能，且仅专注于某项特定任务。用约翰·瑟尔的话来说，它“对于测试关于思想的假设很有用，但实际上并非思想”。弱人工智能专注于模仿人类如何执行基本动作。
例如：记忆或感知事物、解决简单问题。比如：AlphaGo是一种围棋软件，只能专注于下围棋。

强人工智能也称为通用人工智能（General AI），指的是具有广泛认知能力的智能系统，其智能水平在所有领域都与人类相当或超越人类。这种类型的AI目前还处于理论和研究阶段，尚未实现。

人工智能有什么好处？

（1）解决复杂的问题

AI 技术可以使用 ML 和深度学习网络，以类似人类的智能解决复杂问题。AI 可以大规模扩展来处理信息——遇到模式、识别信息并提供答案。您可以使用 AI 来解决一系列领域的问题，例如欺诈检测、医疗诊断和业务分析。

（2）提高业务效率

与人类不同，人工智能技术可以在不降低性能的情况下全天候工作。换句话说，AI 可以毫无错误地执行手动任务。您可以让 AI 专注于重复、繁琐的任务，这样您就可以在业务的其他领域使用人力资源。AI 可以减少员工的工作负载，同时简化所有与业务相关的任务。

（3）更明智的决策

相比之下，人工智能可以比任何人更快地使用 ML 来分析大量数据。AI 平台可以发现趋势、分析数据并提供指导。通过数据预测，人工智能可以帮助建议未来的最佳行动方案。

（4）实现业务流程自动化

您可以使用 ML 训练 AI，使其精确、快速地执行任务。这可以通过自动化员工感到吃力或厌烦的业务部分来提高运营效率。同样，您可以使用 AI 自动化来腾出员工资源，用于更复杂和更具创造性的工作。

AI应用架构的关键组成部分

第一层：数据层

数据层是人工智能应用的基础，负责准备和管理数据，现代 AI 算法尤其是深度学习算法对大量高质量数据需求很高。
①数据准备与清洗
②数据存储与管理系统
③用于模型训练的计算资源

第二层：机器学习框架和算法层

机器学习框架和算法层提供了构建和训练 AI 模型所需的工具与技术。TensorFlow、PyTorch、scikit-learn 等机器学习框架
①自定义算法与模型开发
②模型评估与验证工具

TensorFlow 由 Google 开发的开源机器学习框架，适用于构建和训练各种类型的机器学习模型，特别是深度学习模型。提供了灵活且强大的工具集，支持从研究到生产环境的各种需求。
PyTorch 由 Facebook AI Research 实验室开发的一个开源深度学习框架，以其易用性和动态计算图而闻名。它是研究者和工程师之间非常流行的选择，特别是在需要快速迭代实验时。
Scikit-learn 是一个基于 Python 的机器学习库，专注于传统机器学习算法，而不是深度学习。
它建立在 NumPy、SciPy 和 matplotlib 上，提供了简单有效的数据挖掘和数据分析工具。

TensorFlow、PyTorch、scikit-learn对比

第三层：模型层

模型层中应用程序开发人员实现人工智能模型并利用前一层数据和算法训练，对决策能力至关重要。
①模型结构：决定模型容量，包括层、神经元、激活函数，可根据问题和资源选择前馈神经网络、卷积神经网络（CNN）等。
②模型参数与函数：训练时的学习值（如神经网络权重和偏差）对预测很重要，损失函数用于评估模型性能并旨在缩小预测与真实输出的差异。
③优化器：调整模型参数降低损失函数，如梯度下降、自适应梯度算法（AdaGrad）等各有不同用途。

第四层：应用层

应用层是 AI 架构中面向客户的部分，可让 AI 系统执行任务、生成信息、提供信息或做出数据驱动决策，允许最终用户与 AI 系统交互。
①用户界面与交互设计
②任务自动化与决策支持
③数据可视化与结果解释

AI是如何工作的？

AI 依靠算法来运作，这些算法就像指令，让计算机能分析数据并解决问题。它涉及很多领域。

**【数据收集】**先大量收集数据，有各种类型。
**【数据预处理】**然后对数据进行预处理，让数据更干净好用。
**【特征提取】**接着提取数据里有用的特征。
**【模型训练】**再用算法训练模型，让模型学习数据里的规律。
**【评估与优化】**训练后评估模型，不好的地方就优化。
**【部署与应用】**训练好的模型可以部署到实际场景中用起来。
**【持续学习】**有些 AI 系统还能不断学习新数据来提升自己。

人工智能实施面临哪些挑战？

**【数据治理】**数据治理政策必须遵守监管限制和隐私法，管理好数据质量、隐私和安全。
**【技术难题】**训练 AI 资源消耗大，处理能力要求高，计算基础架构得强大，这成本高且限制可扩展性。
**【数据限制】**训练无偏见系统需大量数据，要有足够存储，还要保证数据准确。

有哪些类型的人工智能技术？

（1）图像生成
（2）文本生成
（3）语音生成和识别
（4）多模态人工智能
（5）等等