個人認為人工智慧分為2類

一，分科人工智慧，即針對某一行業開發，如alfpha go下棋,google自動駕駛開車等

二，全科人工智慧，即採用通用演算法，如ibm watson，他能理解，推理，學習。目前已用於醫療，家電，氣象預測等十幾個領域。

說到人工智慧，大家其實很不瞭解，不信？那來看看人工智慧的型別。

1.超級人工智慧

對於超級人工智慧，有人給出過這樣一個推理，十分震撼：

“一個人工智慧系統花了幾十年時間達到了人類腦殘智慧的水平，而當這個節點發生的時候，電腦對於世界的感知大概和一個 4歲小孩一般；而在這節點後一個小時，電腦立馬推匯出了統一廣義相對論和量子力學的物理學理論；而在這之後一個半小時，這個強人工智慧變成了超人工智慧，智慧達到了普通人類的17萬倍。”

這就是可能的超級人工智慧，完全超越人類，甚至超越人類很多很多。當這樣一種智慧出現，我們會面臨什麼？不得而知。

或許會像下圖一樣。。。

2.強人工智慧

強人工智慧就是可以完全替代人的人工智慧。

說白了，你所做的所有事，它都能做。

厲害嗎？厲害！可怕嗎？可怕！

強人工智慧一旦出現，就不是替代一部分人，而是所有人。管你貧窮還是富有，都是愚蠢的人類。。

3.弱人工智慧

目前的人工智慧就處在這樣一個階段，專注於特定領域的問題。

比如阿法狗，下棋非常厲害，幾個月就能自學成才，一舉超越人類最強者。阿法零就更厲害，只要三天。

這就是弱人工智慧。但它弱嗎？並不是，它在特定領域的能力遠超人類。比如自動駕駛，比人類駕駛安全很多；比如人臉識別，它能記住n萬的人臉……

弱人工智慧，就足以在很多領域取代人。比如翻譯，谷歌翻譯的能力已取得質變，百度昨天的世界大會上，人工智慧已能現場實時翻譯——翻譯到可讀的程度。

那麼，你怕了嗎？

再看看下圖：

還好，弱人工智慧到強人工智慧，還有很長的路要走。

人工智慧一般是作為輔助人類工作的工具出現的，掃地機器人，醫療機器人，銀行大廳的機器人等都是常見的人工智慧的形態。其實就研究領域的話包括:機器人，語言識別，影象識別，自然語言處理啊這些。

如果說零基礎的話，是不建議直接學人工智慧的，建議先學基礎語言Python，或者說有相關的開發經驗的，本專業或者數學專業研究生學都是沒問題的，因為他涉及到很多高階演算法，可能這方面要求要高一些的。Python作為基礎語言，是一定要學的，我看過尚學堂的Python400集，講的很細，你上他們官網就能搞得到

首先需要明白的是，現在媒體熱炒的“人工智慧”和“大資料“，並不是什麼全新的概念或者技術，而是在相關技術在當前社會的廣泛應用。

為什麼這些概念在前幾年沒有得到大家的廣泛認知？

二、計算能力的提升。近年來，計算機硬體技術得到的飛速的提升，尤其是使用GPU加速運算，使得同樣的演算法，比十幾年前快出數百倍。

其他因素包括機器學習演算法的推陳出新等都加速了目前人工智慧行業的火爆。

其實人工智慧（或者是說機器學習/深度學習，注意這幾個概念之間略有差異）演算法其實可以用到資料分析的各個方面。從本質上來說，人工智慧演算法就是從資料中尋找規律，使得他面對新的資料時能夠做出正確的判斷。比如，想讓計算機識別出圖片中的貓，它就必須要看成千上萬張的貓的照片，然後提取出貓的特徵，然後再看到一張新的照片時，它就能判斷這是一隻貓。不過，現在的人工智慧發展還處於“弱人工智慧階段“，應用範圍比較侷限，之後還有很長的路要走。所以現階段沒有必要擔心“機器人會起義反抗人類”的問題。

因此，凡是涉及到資料分析的領域，都可以用人工智慧演算法進行處理。當前的人工智慧演算法的主要應用場景包括自然語言處理、計算機視覺、推薦系統等等。

除了劉俊明基本正確，其他人沒有幾個是正確的。我自1984年進入中國科學院人工智慧領域。至今越來越糊塗了。幾十年交流沒幾個同行，突然出現這麼多專家。

人工智慧技術研究是由漢斯出版社發行的一本關注人工智慧與機器人研究領域最新進展的國際中文期刊。主要刊登國內外人工智慧領域的研究成果與進展。 智慧機器人

·模式識別與智慧系統

·虛擬現實技術與應用

· 系統模擬技術與應用

· 工業過程建模與智慧控制

· 智慧計算與機器博弈

· 人工智慧理論

· 語音識別與合成

· 機器翻譯

· 影象處理與計算機視覺

· 計算機感知

· 計算機神經網路

· 知識發現與機器學習

·建築智慧化技術與應用

· 人工智慧其他學科

目前人工智慧行業的就業方向主要分為搜尋、影象處理、計算機視覺、模式識別和影象處理等，搜尋方向如百度、谷歌、微軟等，包括智慧搜尋、語音搜尋、圖片搜素、影片搜尋等。影象處理如醫學的影象處理，醫療裝置、醫療器械都會涉及到影象處理和成像。

人工智慧是一門貫穿性的綜合學科，主要包含計算機、控制論、資訊理論、神經生理學、語言學，人工智慧是從計算機應用系統角度出發，研究如何製造出人造的智慧機器或智慧系統，來模擬人類類智慧活動的能，來延伸人類智慧科學

人工智慧的應用例項：指紋識別、人臉識別、視網膜識別、虹膜識別、專家系統、智慧搜尋和博弈等

目前人工智慧應用領域比較多，具體如下：

北京尚學堂的人工智慧課程非常適合零基礎學員學習，這些領悟的專案全部包含，實操也很多，他家的線上品牌是百戰程式設計師，有試聽課和公開課，可以去看看。

機器人領域：人工智慧機器人，如RET聊天機器人，它能理解人的語言，用人類語言進行對話，並能夠用特定感測器採集分析出現的情況調整自己的動作來達到特定目的

語言識別領域：該領域其實與機器人領域有交叉，設計的應用是把語言和聲音轉換成可處理的資訊，如語音開鎖、語音郵件以及未來的計算機輸入等方面

影象識別領域：利用計算機進行影象處理、分析和理解，以識別各種不同模式的目標和物件的技術；例如人臉識別，汽車牌號識別等。

專家系統：具有專門知識和經驗的計算機智慧程式系統，後臺採用的資料庫相當於人腦，具有豐富的知識儲備，採用資料庫中的知識資料和知識推理技術來模擬專家解決複雜問題

人工智慧（AI）AI目標是使機器能夠勝任一些通常需要人類智慧才能完成的複雜工作。研究機器人、語言識別、影象識別、自然語言處理和機器學習等。每一個分支都很複雜，譬如機器視覺：指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智慧搜尋，定理證明，博弈，自動程式設計，智慧控制，機器人學，語言和影象理解，遺傳程式設計等。有時我們也把譬如《論人工智慧未來發展趨勢》《人工智慧的應用》等文章也作為知識。我們把這些稱為道理類，只講是什麼，用來幹什麼，有多重要等，不會講如何去落地實現。

我們來看一下具體技能類的知識，講講如何實現：

以機器視覺來講，用機器來模擬人類的視覺。人類視覺系統是大自然的一大奇蹟，從最簡單的數字識別來看，人類能夠毫不費力的識別出數字，我們可能會覺得很簡單，其實這是一個幻覺。在我們大腦各半球，有一個主要的視覺皮層，即V1，它包含1.4億個神經元以及數以百億的神經元連線。而且人類不只是有V1，還有一系列的視覺皮層——V2,V3,V4和V5，它們能夠執行更加複雜的影象處理。透過計算機實現的人工神經元，思路與這個有一點相像。

譬如讓計算機程式識別數字，如“9頭上有一個圓圈，右下角有一筆豎線”——看起來好像規則明確， 但是識別演算法卻不是那麼簡單，因為這些規則會被大量的例外、警告和特殊案例打破，不再像我們嚴謹的If A then B elese C end if所處理的抽象模型。神經網路思想是利用大量的手寫數字（訓練樣本），開發出一套從訓練樣本中進行學習的系統。換句話說，神經網路使用樣本來自動推理出識別手寫數字的規則。透過增加訓練樣本規模，神經網路能學到手寫體的更多規則從而提升它的識別精度。

為了便於理解先看一種人工的神經元，即感知器(perceptron)的基本運作原理。現代的神經網路工作中， 主要的神經網路模型是sigmoid神經元。

一個感知器獲取幾個二進位制輸入x1,x2,…x1,x2,…，並且產生一個二進位制輸出。如下例子：

這個感知器具有三個輸入x1,x2,x3x1,x2,x3。透過一個規則來計算最後輸出，即權重(weights)w1,w2,…w1,w2,…，這些實數表示各個輸入對輸出的重要性。這個神經元輸出(output) 0或者 1是由這些輸入的加權求和

是否大於或者小於某一個閾值(threshold)。不像這些權重，閾值是這個神經元的實數引數。代數式如下：

感知器，它是一個透過加權憑據來進行決策的裝置。透過更改權重和閾值，我們能得到不同的決策模型。顯然，這個感知器不是人類決策的完整模型！

在下面這個網路中，第一列感知器（我們稱其為第一層感知器）透過加權輸入憑據來做出三個非常簡單的決策。那第二列感知器是什麼呢？其中每一個感知器都是透過將第一列的決策結果進行加權和來做出自己的決策。透過這種方式，第二層感知器能夠比第一層感知器做出更加複雜和抽象層的決策。第三層感知器能做出更加複雜的決策，以此類推，更多層感知器能夠進行更加複雜的決策。

是不是與上面一系列的視覺皮層類似？且你會發現有一個關鍵問題就是權重和閾值（偏移）的設定，我們會希望這個網路能夠學會調權和偏移以便正確決策。

學習演算法，這種演算法能夠自動調整人工神經網路的權重和偏移。這會在響應外部刺激時候發生，而且沒有程式設計師的直接干預。這些學習演算法能讓我們用一種新的方式使用人工神經網路，它將與傳統的邏輯閘方法完全不同。

人工神經元（sigmoid神經元）細微調整它的權重和偏移只會很細小地影響到輸出結果。sigmoid神經元有輸入x1,x2,…x1,x‍‍2,…。但是輸入值不僅是0或者1，還可以是0到1的任意值。微積分告訴我們細小的輸出Δoutput近似等於：

雖然上面具有偏導運算的表示式看起來很複雜，但實際上很簡單（這是一個好訊息）：輸出改變Δoutput是權重和偏移改變Δwj和Δb的線性函式。這種線性使得權重和偏移的細微改變就能很容易使得輸出按期望方式微小改變。

sigmoid神經元不是隻輸出0或者1。它能夠輸出0到1之間任意實數。

如上面圖形中，網路的最左邊一層被稱為輸入層，其中的神經元被稱為輸入神經元。最右邊及輸出層包含輸出神經元，在上面例子中，只有一個單一的輸出神經元。中間層被稱為隱含層，因為裡面的神經元既不是輸入也不是輸出。上面的網路只包含了唯一個隱含層，但是一些網路可能有多層。比如，下面的4層網路具有2個隱含層：

針對影象識別的入門程式， 數字識別的模型，採用的是三層

梯度下降學習演算法（gradient descent algorithm）

我們想要的是一個能讓我們找到合適的權重和偏移的演算法，以便網路輸出y(x)能夠幾乎滿足所有訓練輸入x。為了量化這個匹配度目標，我們定義了一個代價函式：

這裡w表示網路中的所有權重，b是所有偏移，n訓練輸入的總數，a是網路輸入為x時的輸出向量，總和是對所有輸入x進行的累加。

為了最小化C(v)，可以把C想象成只具有兩個變數，即v1和v2，讓我們想象有一個小球沿著山谷的坡面向低處滾。生活經驗告訴我們這個小球最終會到達谷底。可以採用類似的思路找到函式的最小值。

我們將“梯度”向量記為∇C

這裡 η是一個正的小引數，被稱為“學習率”（learning rate)。

這給了我們一種沿著梯度找到最小值的方法，即使 C依賴於很多變數。即透過不斷重複地使用以下更新規則。

總之，梯度下降演算法（gradient descent algorithm）是透過不斷計算梯度∇C，然後向著梯度相反的方向小步移動的方式讓小球不斷順著坡面滑向谷底。

梯度下降如何應用於神經網路的學習過程呢？具體思路是用梯度下降來尋找權重（weights）wk 和 偏移（bias） bl，從而最小化代價函式 。

TensorFlow 是一個用於人工智慧的開源神器， 器就是工具，是具體實現的一種技術，我們要落地相應的方案，Tensorflow是個不錯的學習方向（推薦）。當然還有很多其他開源工具，如Torch Caffe、OpenCog、Deeplearning4j、Neuroph、OpenNN可以自行搜尋學習。

從以上的介紹中，會發現需要一個基本思維就是問題模型化，思路類似，演算法不同，譬如線性規劃問題的處理路徑一般是：

描述目標：****************************

描述約束條件：

約束條件1：————約束條件2：————約束條件3：————

定義決策變數：————

構建函式，求解

基於資料樣本深度學習演算法，用到資料分析、模型與決策等的知識，如微積分，線性規劃，非線性最最佳化模型，資料的分佈（尤其是正態分佈），決策分析（已知機率、未知機率，風險分析，靈敏度分析，效用理論）等等。這些知識最好是系統化的學習，退一步也可以在應用中按需學習。

在企業資訊化建設中，如果要從底層開始搭建人工智慧基礎，看起來不是一個合適的做法，對於基礎雲服務的應用相對更合理，但是要學會業務建模，才能跟企業應用深度結合。

推薦兩本基礎知識的書：

《資料、模型與決策》 戴維R.安德森 等著，侯文華 楊靜蕾 等譯

《商務與經濟統計》 戴維R.安德森 等著，張建華 王建 等譯

首先我們要知道人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。說起人工智慧我們大家都很熟悉，各種人工智慧概念，AI概念層不出窮，仔細想來無外乎智慧音箱、智慧印表機、智慧售賣機等等諸如此類似乎沒多少“智慧”，和我們腦海中的“AI印象”，如：終結者、機器人、阿爾法狗、自動駕駛等技術大相徑庭。目前，普遍認為人工智慧的研究始於1956年達特茅斯會議，早期人工智慧研究中，如何定義人工智慧是個喋喋不休的問題，但基調始終是：像人一樣決策、像人一樣行動、理性的決策、理性的行動等研究方向。人工智慧70年來的研究過程中，早期受制於計算機運算速度和儲存的限制，人工智慧的研究進展緩慢。06年深度學習技術突破到2016年阿爾法狗打敗李世石，人工智慧的概念世人皆知，那麼人工智慧主要由哪幾部分構成呢？

一、採集：感測器—資訊採集

二、處理：CPU—各種演算法、架構、系統

三、輸出：像人一樣行動

四、儲存

NORFLASH、NANDFLASH、ONENANDFLASH、DDR1、DDR2、DDR3----。儲存內容的壓縮、儲存、解壓縮。

五、顯示：

虛擬現實VR、增強型虛擬現實AR。

六、通訊

超級寬頻。萬物互聯。

七、電源

醫療器械專用開關電源

工業控制專業開關電源

車載&無人駕駛&無人機專用開關電源。

人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智慧才能完成的複雜工作。但不同的時代、不同的人對這種“複雜工作”的理解是不同的。2017年12月，人工智慧入選“2017年度中國媒體十大流行語”。

對於想要進入人工智慧領域的小白來講：一開始就接觸到人工智慧的研究是不現實的，不妨試著學習嵌入式、Python、物聯網等和人工智慧息息相關的基礎領域，先學好基本後再一步步通向人工智慧學習之路是個不錯的選擇。

人工智慧技術亦稱機器智慧，通常人工智慧是指透過普通計算機程式的手段實現的人類智慧技術，人工智慧技術包含機器學習、機器視覺、機器人技術、自然語言處理以及自動化。

現在人工智慧技術已經應用在了工作、生活中的各個領域，我們用的智慧手機；戶外以及商場、寫字樓內的智慧廣告機；銀行、酒店、高鐵站等地使用的智慧機器人

等等，人工智慧技術的輻射範圍幾乎囊括了包括了網路、醫學、航天、農業、工業等在內的所有領域。

首先，人工智慧是計算機科學的一個分支，簡單的說，就是讓機器代替人類完成人類不能做或者沒時間做的任務，不能用有哪些來衡量吧。其次，人工智慧不好學。最後，零基礎能不能學會要看是什麼的零基礎，努力不努力，學人工智慧的哪一部分。下面且聽我一一道來。

現在的人工智慧還基本處在概念性階段，實際的產品還很少，比較有名的就是谷歌推出的打敗圍棋冠軍無敵手的阿爾法狗。這個階段研發性質的工作比較多，需要掌握的知識就比較繁多複雜了。比如數學，計算機程式設計，人體神經網路，畫圖等等，聽聽都頭疼的。

如果以後到了人工智慧產品生產階段，可能需要的知識就柔和多了。就像研發電子元件很難，但是電子廠流水線工人確相對簡單一樣。不過就算簡單，對學歷專業應該也有要求吧。

所以個人覺著，想學人工智慧，比較正統的路子還是透過求學途徑。如果是相關專業畢業生而且不想繼續在學校深造，可以參加培訓，雖然不知道能學到什麼程度，起碼找工作時有個敲門磚。不知道你的零基礎是什麼基礎上的零基礎，我想說，努力肯定能學會，只不過起點高過程容易一些，起點低過程艱難一些。

人工智慧產業風口：智慧家居引領AI生活化

放眼當今世界，智慧革命已經開始重塑著產業的發展，這是一場迎接人工智慧時代的社會、經濟與文化的變革。前幾年，我們熱衷於探討“網際網路＋”，而現在，我們更樂於聚焦“人工智慧＋”。如果說，“網際網路＋”改變了產業的渠道和結構，那麼人工智慧則對社會進行了根本性的改變，而智慧家居就是讓人工智慧走進人們生活的重要埠。

近些年來，隨著對人工智慧技術的深度研究和應用，智慧家居產業進入了一個高速的發展程序，其生態構建漸趨完善，縱觀全球，智慧家居的發展狀態保持良好，根據資料分析，美國是全球智慧家居市場容量最大的國家，獨佔行業鰲頭，中國智慧家居市場規模也有大幅提升，行業發展十分迅猛。

由於智慧家居具有良好的發展前景，吸引了國內外眾多科技企業對其展開攻勢，以單品爆發與平臺發力作為競爭基礎佔主導位置。從國外智慧家居產業的發展狀況來看，亞馬遜、蘋果、谷歌把力量主要投入在平臺和系統上，構建開放的生態環境，建成互聯互通與家居控制中心，搶佔更多資源鞏固市場地位。從國內智慧家居產業的發展現狀來看，目前智慧家居市場主要由四種競爭力量構成：傳統家電廠商、網際網路巨頭公司、手機硬體優秀企業、運營商和影片網站等公司。

由此可見，智慧家居成為人工智慧領域的下一個風口，真正讓大眾與人工智慧交流零距離。

1.計算機視覺/影象處理

2.自然語言處理/語音識別

3.文字處理

4.推薦演算法

5.資料探勘

6.決策演算法

7.運動控制演算法

其它

靜心科技，打造靜心科研。

人工智慧技術應用分割：深度學習——計算機視覺——智慧機器人——虛擬個人助理——自然語言處理 - 語音識別——自然語言處理 - 通用——實時語音翻譯——態勢感知計算——手勢控制——自動識別視覺內容——推薦引擎等

下面，我們將從概述和技術原則的角度對每個細分進行擴充套件，以便每個人都能擴充套件他們的知識。1——深度學習深度學習是人工智慧領域的一個重要應用領域。談到深度學習，每個人都想到的第一件事就是AlphaGo。透過一次又一次地學習——更新演算法，Go的主人在人機對戰中被擊敗。對於智慧系統，深度學習的能力決定了它能夠滿足使用者期望的程度。 。深度學習的技術原理：1.構建網路並隨機初始化所有連線的權重; 2.向該網路輸出大量資料; 3.網路處理這些行為並學習; 4.如果此動作符合指定的動作，它會增加重量如果沒有，它會減輕重量; 5.系統透過上述過程調整重量; 6.經過數千次學習，超過人類表現;2——計算機視覺計算機視覺是計算機從影象中識別物件——場景和活動的能力。計算機視覺具有廣泛的細分應用，包括醫學成像分析——人臉識別——公共安全——安全監控等。3——語音識別語音識別是將語音轉換為單詞和識別——的認知和處理。語音識別的主要應用包括電話——醫療欄位聽寫——語音寫入——計算機系統語音控制——電話客服。4——虛擬個人助理蘋果手機上的Siri和小米手機上的小愛都是虛擬個人助理應用程式。5——自然語言處理自然語言處理（NLP）與計算機視覺技術一樣，結合了各種技術，有助於實現目標，實現人與計算機之間的自然語言交流。6——智慧機器人生活中隨處可見智慧機器人，隨機器人掃地機器人—— ......這些機器人與人工智慧技術的支援是分不開的，無論是與人交談還是與自己的導航聊天。——安全監控。建議使用7——引擎淘寶——京東等商場，以及36氪等資訊網站，將根據您搜尋的關鍵字——頁面——向您推送一些相關產品——或網站內容。這實際上是發動機推薦技術的一種表現形式。

人工智慧技是研究、開發用於模擬、擴充套件和增強人類思維和智慧的理論、技術及應用的一門科學。

由人工智慧延伸出來的領域非常的廣泛，目前比較火熱的領域為人類語言、視覺的理解，包含語音識別、語義理解，和語言處理，影象識別、影象理解、資訊檢索等。

背後涉及的技術廣泛，比如用於感官的語音、影象識別的硬體及軟體演算法，資訊傳輸的5G通訊等，背後邏輯處理的演算法研究、大資料分析等。

機器學習是我的主要研究方向之一，同時也在帶相關方向的研究生，所以我來回答一下這個問題。

人工智慧技術經過六十多年的發展，目前主要的研究內容集中在六大領域，分別是機器學習、計算機視覺、自然語言處理、知識表示、自動推理和機器人學。隨著大資料的發展，目前機器學習、計算機視覺和自然語言處理相關技術得到了廣泛的關注，一些基於機器學習技術的智慧體（人工智慧產品）已經陸續被部署到生產環境中。

雖然目前市場對於人工智慧的呼聲比較高，諸多大型網際網路企業陸續開始佈局人工智慧領域，但是目前人工智慧領域依然處在行業發展的初期，目前的人工智慧產品依然處在“弱人工智慧階段”，智慧體對於執行場景依然有較多的要求。

人工智慧技術的發展和應用需要一系列技術的支撐，這些技術包括物聯網技術、雲計算技術、邊緣計算技術、大資料技術等。

以機器學習為例，機器學習的步驟包括資料收集、資料整理、演算法設計、演算法實現、演算法訓練、演算法驗證和演算法應用，其中演算法設計是機器學習的核心，而資料收集是機器學習的基礎。所以，在大資料的支撐下，機器學習在大資料時代得到了一定程度的發展。簡單的說，資料量越大機器學習的效果就會越好。

目前中國正在持續推進產業結構升級，而網路化、智慧化是產業結構升級的重要內容，所以人工智慧技術未來的發展空間還是非常值得期待的。產業結構升級的背後必然是人才結構的升級，所以對於職場人來說，掌握一定的人工智慧技術會在一定程度上提升自身的職場競爭力。

人工智慧是一個大的概念，幾乎能涵蓋生活中的方方面面，不能具體的說有哪些產品，應該是應用在哪些領域，具體實現什麼功能

人工智慧是計算機科學的一個分支，它試圖理解智慧的本質，併產生一種新的智慧機器，可以用類似於人類智慧的方式製造。該領域的研究包括機器人，語音識別，影象識別和自然語言處理。和專家系統等

人工智慧的定義可以分為兩部分，即“手動”和“智慧”。 “手冊”更好理解，爭議較少。

2.有時我們必須考慮人類可以做什麼，或者自己的智力水平是否如此之高，以至於可以創造人工智慧，等等。

然而，一般而言，“人造系統”是通常意義上的人造系統。

關於什麼是“智力”存在很多問題。這涉及其他問題，如意識，自我，思維等。

人們理解的唯一智慧就是人本身的智慧。這是一種被廣泛接受的觀點。但是我們對自己智力的理解是非常有限的，我們對構成人類智慧的必要元素的理解有限，因此很難定義什麼是“手工”製造的“智慧”。

6.人工智慧研究通常涉及人類智慧本身的研究。關於動物或其他人造系統的其他情報通常也被認為是與人工智慧相關的研究課題。

現在人工智慧的發展已經是非常的快了，那麼在這個快速發展的社會中，最為流行的人工智慧技術有哪些？

1.大資料

大資料，現在隨著網際網路的發展不斷壯大，大資料已經是非常的流行了，大資料就是指的全新處理模式才具有更強的決策力，洞察力和流程最佳化的能力的海量，高增長率和多樣化的資訊資產，現在也就是說，從各種各樣的型別資料中，快速的獲得有價值的AI智慧化的程度升級和進化基礎，擁有了大資料，AI才能夠不斷地進行模擬實驗，不斷的向超強人工靠攏。

2.計算機視覺

計算機視覺顧名思義就是讓計算機具備像人眼一樣的觀察和識別的能力，更進一步的說，就是指用攝像機和電腦替代人眼對目標的一個識別，跟蹤和測量，並且進一步做圖形影象的一個處理，從而使電腦處理成為更適合人眼觀察或傳送給儀器的檢測影象。

3.語音識別

語音識別技術就是讓機器透過識別和理解的過程從而把語音訊號轉變為相應的文字命令和高新的技術，語音是被技術主要包括特徵提取技術，模式，匹配準則以及模型訓練技術三個方面，語音識別是人機互動基礎，主要是解決機器聽清楚人說什麼難題。

4.自然語言處理

自然語言的處理的大體包括了自然語言理解和自然語言生成兩個部分，實現人機間自然語言通訊這也意味著要使計算機既能理解自然語言文字的意義，也能以自然語言文字來表達給的定義意圖，思想等等，自然語言處理是計算機科學領域與人工智慧領域的一個重要方向。同時自然語言處理中級目標是用自然語言與計算機進行通訊，最終可以使他們習慣的語言來使用計算機，也無需再花費大量的時間和精力來習慣各種計算機語言。

5.機器學習

機器學習就是讓機器具有像人一樣的學習能力，專門研究計算機怎樣模擬或者實現人類學習行為，以此來獲取新的知識和技能，重新組織自己已有的知識結構同時他也是人工智慧的核心。

機器學習現在已經有了非常廣泛的作用，在資料探勘，計算機視覺，自然語言處理，生物特徵識別，搜尋引擎，醫學的診斷，語音識別，戰略遊戲和機器人的運用。這些足以說明機器學習的重要性。

人工智慧