人工智慧是一門研究用計算機來模仿和執行人腦的某些智力功能的交叉學科，所以人工智慧問題的求解也是以知識為基礎的。

知識圖譜

如何從現實世界中獲取知識、如何將已獲得的知識以計算機內部程式碼的形式加以合理的表示以便於儲存，以及如何運用這些知識進行推理以解決實際的問題，即知識的獲取、知識的表示和運用知識進行推理是人工智慧學科要研究的3個主要問題。

在人們的日常生活及社會活動中，“知識”是常用的一個術語。例如，人們常說“我們要掌握現代科學知識”，“掌握的知識越多，你的機會就越多”等。人們所涉及的知識也是十分廣泛的，例如，有的知識是多數人所熟悉的普通知識，而有的知識只是有關專家才掌握的專門領域知識。那麼，到底什麼是知識？知識有哪些特性？它與通常所說的資訊有什麼區別和聯絡？

現實世界中每時每刻都產生著大量的資訊，但資訊是需要用一定的形式表示出來才能被記載和傳遞的。尤其是使用計算機來進行資訊的儲存及處理時，更需要用一組符號及其組合進行表示。像這樣用一組符號及其組合表示的資訊稱為資料。

資料與資訊是兩個密切相關的概念。資料是記錄資訊的符號，是資訊的載體和表示。資訊是對資料的解釋，是資料在特定場合下的具體含義。只有把兩者密切地結合起來，才能實現對現實世界中某一具體事物的描述。

三者關係圖

另外，資料和資訊又是兩個不同的概念，相同的資料在不同的環境下表示不同的含義，蘊涵不同的資訊。比如，“100”是一個數據，它可能表示“100元錢”，也可表示“100個人”，若對於學生的考試成績來說，可能表示“100分”。同樣，相同的資訊也可以用不同的資料表示出來。比如，地下工作者為了傳達情報資訊，可以用一首詩詞的每一句的第一個字組成一句話，或詩的斜對角線上的字組成的一句話來傳達資訊，也可能會用一個程式碼或數字來表示同一資訊。

正如上述，現實生活中，資訊是要以資料的形式來表達和傳遞的，資料中蘊涵著資訊，然而，並不是所有的資料中都蘊涵著資訊，而是隻有那些有格式的資料才有意義。對資料中的資訊的理解也是主觀的、因人而異的，是以增加知識為目的的。

比如，你看到0571－8888888這樣的數字，你可能會根據自己已有的知識猜測到它是一個電話號碼，但不知道它是哪個城市的電話號碼，但如果你透過一些方法確定0571是杭州市的區號後，以後再碰到相同格式的資料時，你就會知道它代表杭州市的一個電話號碼，實際上你的知識也就增加了。不同格式的資料蘊涵的資訊量也不一樣，比如，影象資料所蘊涵的資訊量就大，而文字資料所蘊涵的資訊量就少。

資料處理

資訊在人類生活中佔有十分重要的地位，但是，只有把有關的資訊關聯到一起的時候，它才有實際的意義。一般把有關資訊關聯在一起所形成的資訊結構稱為知識。知識是人們在長期的生活及社會實踐、科學研究及實驗中積累起來的對客觀世界的認識與經驗，人們把實踐中獲得的資訊關聯在一起，就獲得了知識。

終上所述，知識、資訊和資料是3個層次的概念。有格式的資料經過處理、解釋過程會形成資訊，而把有關的資訊關聯再一起，經過處理就形成了知識。知識是用資訊表達的，資訊則是用資料表達的，這種層次不僅反映了資料、資訊和知識的因果關係，也反映了它們不同的抽象程度。人類在社會實踐過程中，其主要的智慧活動就是獲取知識，並運用知識解決生活中遇到的各種問題。

理解 AI 的基本原理，會發現事物的本質往往並沒有大家說的那麼複雜。

人工智慧發展出很多不同分支，技術原理也多種多樣。

深度學習

深度學習的原理是這樣的： 機器從「特定的」大量資料中總結規律，歸納出某些「特定的知識」，然後將這種「知識」應用到現實場景中去解決實際問題。

之前有很多事情計算機是做不了的，但是現在人工智慧可以做了。

例如2009年康乃爾大學教授Hod Lipson 和其博士研究生Michael Schmidt 研發出的 Eureqa計算機程式，只要給予一些資料，這計算機程式自己只用幾十個小時計算就推論出牛頓花費多年研究才發現的牛頓力學公式，等於只用幾十個小時就自己重新發現牛頓力學公式，這計算機程式也能用來研究很多其他領域的科學問題上。

但是，當下的人工智慧是從大量資料中總結歸納知識，這種粗暴的「歸納法」有一個很大的問題是： 只關注現象，不關注為什麼。

即便是人類的經驗，並不都是準確的，往往也要違背經驗的事情發生，比如“黑天鵝”等。 也正是因為歸納邏輯，所以需要依賴大量的資料。

資料越多，歸納出來的經驗越具有普適性。

隨著深度學習 + 大資料的成熟發展，人工智慧發揮出了巨大的威力，並且 AI 的表現已經超越人類，可以達到“可用”的階段，而不只是科學研究。

卷積神經網路 – CNN卷積神經網路（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網路（Feedforward Neural Networks），是深度學習（deep learning）的代表演算法之一 。由於卷積神經網路能夠進行平移不變分類（shift-invariant classification），因此也被稱為“平移不變人工神經網路（Shift-Invariant Artificial Neural Networks, SIANN）” 。對卷積神經網路的研究始於二十世紀80至90年代，時間延遲網路和LeNet-5是最早出現的卷積神經網路；在二十一世紀後，隨著深度學習理論的提出和數值計算裝置的改進，卷積神經網路得到了快速發展，並被大量應用於計算機視覺、自然語言處理等領域 。

卷積神經網路 – CNN 很擅長處理影象。而影片是影象的疊加，所以同樣擅長處理影片內容。

影象分類、檢索

2. 目標定位檢測

3. 目標分割

4. 人臉識別

5. 骨骼識別

總結

深度學習在搜尋技術，資料探勘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多複雜的模式識別難題，使得人工智慧相關技術取得了很大進步。

我試著按照自己的理解去分析（以下內容純個人門外漢理解，非搬磚，純手寫）

人工智慧的技術基礎應包含硬體和軟體兩個大項！

一、硬體應該包含資料處理，資料交換和資料儲存。

（1）資料處理，起決定作用的就是cpu處理能力的發展。

（2）資料交換，就是網路鋪設的發展，我們現在都說5g.其實5g速度在現在的大資料面前是遠遠不夠用的。

（3）資料儲存，就是硬碟的讀寫能力，我個人覺得最制約人工智慧的技術發展，目前來看應該是資料儲存呼叫的瓶頸是最大的。

通俗點，我們把人工智慧和真正的人做對比。資料處理就是我們大腦。說實在的，現在cpu的每秒處理能力已經遠遠甩開人類大腦的處理能力了。

（以下屬於個人幻想

能量守恆大家都知道吧，cpu每秒處理消耗的能量比人類不知道大多少。可能有人覺得我瞎扯蛋，這有可比性嗎？但我們仔細想想，處理的最終極限終是要回歸到能量的消耗上的。當然這已經有點幻想的存在了！）

資料交換，其實資料交換的制約就在於資料儲存，因為資料傳導能力本身是遠遠高於資料儲存能力的，只不過是網路鋪設的問題，資料本身的傳導是不存在瓶頸的。

現在人工智慧最大的問題就在於資料儲存，說技術可能不太好理解。我做個簡單對比，一個人站在山巔，快速覽望四周，總不會存在看不過來，畫面卡的情況吧。但是如果用最牛逼最新進手機同樣的轉一圈，你盯著手機畫面看，必然存在畫面撕裂，抖動的！這還是手機解析度和肉眼解析度完全不是一個量集的比較。

（二）軟體，就是演算法！

這是非常深奧，非常專業的東西。這裡肯定是沒辦法講的出什麼的。我們需要了解的是演算法就好比一個人的腦域開發度，同樣的硬體條件下的效率問題。

人工智慧其實是一項複雜的技術，需要的基礎技術尤其是數學方面非常多。

主要包括：

線性代數：包括張量、矩陣、範數、特徵分解等一些列知識

機率論以及資訊理論：各種機率分佈，離散、連續、質量函式、密度函式，夏農熵，交叉熵等等。機器學習基礎知識：擬合、估計、監督、無監督、梯度下降等等。卷積網路，各種神經網路，CNN，RNN...程式語言，比如python機器學習庫：tensorflow、pytorch

綜上，要學的東西真的非常多。

人工智慧是一門研究用計算機來模仿和執行人腦的某些智力功能的交叉學科，所以人工智慧問題的求解也是以知識為基礎的。

人工智慧:顧名思義就是指利用計算機技術，透過對人的意識、思維過程模擬，來生產出一種新的能以人類智慧相似的方式做出反應的智慧機器。

由此可見，人工智慧的基礎技術是對人類的意識和思維過程的模擬，並利用大資料和雲計算等一系列現代技術來生產出能與人類智慧相似的智慧機器。

人工智慧的技術基礎是什麼

人工智慧技術基礎是一個複雜的系統，它不僅僅是一個純粹的技術問題，而是一個具有科技綜合性和社會複雜性的問題，是以計算機為主的科學技術對人文社會領域的滲透和落地運用，是用人工方法和技術模擬來擴充套件人類智慧意識的科學。

因此，人工智慧技術基礎的包容性、覆蓋面和橫縱領域都相當大。

一，人工智慧技術基礎產生的歷史過程

人工智慧技術基礎自 1956 年達特茅斯會議以來開始逐步建立，經歷了60 多年的演進，逐漸從單一的理工科技術向多學科技術應用發展，具體經歷了以下 6 個階段 ：

一是1956 年——20世紀 60 年代初的技術基礎起步發展期

主要以人工智慧概念提出、機器定理技術、跳棋程式技術等為代表，是人工智慧發展的第一個技術高潮。

二是20 世紀 60年代——70 年代初的技術基礎反思發展期

這一階段人工智慧技術經歷了機器連續函式證明和機器翻譯失敗等曲折，技術基礎發展目標落空而走入低谷。

三是20 世紀 70年代初——80 年代中的技術基礎應用發展期

在此期間人工智慧技術基礎從理論研究走向實際應用，在醫療、化學、地質等領域取得成功，推動人工智慧走入應用發展的新高潮。

四是20 世紀 80年代中——90 年代中的技術基礎低迷期

這一階段由於人工智慧技術基礎因為在專家系統應用、知識獲取、推理方法、分散式功能、資料庫相容等方面創新不足而又一次走入低谷。

五是20 世紀 90年代中——2010 年的技術基礎穩步發展期

網際網路科技發展推動人工智慧技術基礎進一步走向實用化。在弱人工智慧技術方面以IBM深藍超級計算機戰勝了國際象棋世界冠軍和提出“智慧地球”概念為代表，獲得了較好的發展，代表專用型人工智慧技術基礎的戰略性突破。

六是2011 年至今的技術基礎蓬勃發展期

大資料、雲計算、網際網路、物聯網等資訊科技的發展，推動人工智慧技術的爆發式提升。

從上世紀60年代至今的人工智慧技術基礎發展的歷史軌跡可以看出，人工智慧技術基礎受制於綜合科學技術的發展，特別是與網際網路科技和計算機科技在社會經濟系統中的大規模落地運用有關係。同時也同人工智慧技術基礎的發展目標、發展方向、整體規劃、社會認同等因素也有關係。 二，人工智慧技術基礎的主要內容

經過長期的發展，人工智慧開始融入更多的科學研究營養，突破了僅僅依靠計算機技術、網際網路技術的限制，將越來越多的科學技術匯聚進來，綜合運用，由一個專門性、侷限性的技術領域演變為全面性、開放性的新領域，並逐步建立起自己的完備體系和規範的技術研究基礎，為人工智慧快速發展、迅速落地、多學科匯聚、社會廣泛認同創造了良好的條件。

第一，人工智慧歷史發展學

主要從歷史的角度研究人工智慧的進步演化，研究人類社會經濟條件、科學技術水平、重大歷史事件等因素對人工智慧科學進步的影響。同時對人工智慧歷史發展中的人物、時間、事件、過程等進行實證研究，為人工智慧發展提供歷史營養和時代資源。

第二，人工智慧科技哲學

人工智慧哲學主要研究人工智慧產生的條件、發展趨勢；人工智慧對人類社會、經濟的影響；人工智慧的本質；人工智慧倫理道德等問題。

第三，人工智慧工程學

人工智慧工程學包括腦科學、認知科學、計算機科學、工程學、資訊通訊學等：

1、數學：包括微積分、線性代數、統計機率、資訊理論、集合論和圖論、博弈論等；

2、腦科學：腦科學是研究腦的結構和功能的科學，主要探索大腦的本質，從分子、細胞和行為三個層面研究智慧、智慧、意識等問題的原理和模型。腦科學為人工智慧科學提供思維、意識、智慧的生物學基礎。

3、認知科學：認知科學是以認知過程及其規律為研究物件的學科。語言習得、閱讀、話語、心理模型、語言心理、腦和神經是其研究物件，同時研究探索人腦或者心智工作機制。認知科學建立在堅實解剖學基礎、系統層次論和量化處理大腦資訊模型等醫學基礎上。它不斷髮展，先後形成了包括心智哲學、認知心理學、認知語言學、認知人類學、認知神經科學等六大支撐學科。

在此基礎上又產生11個新興交叉新學科，包括控制論、神經語言學、神經心理學、認知過程模擬、計算語言學、心理語言學、心理哲學、語言哲學、人類學語言學、認知人類學、腦進化。

美國國家科學基金會評價認知科學的重要性時說：“聚合技術是以認知科學為先導的。因為我們一旦能夠以如何（how）、為何（who）、何處（where）、何時（when）這四個層次上理解思維，我們就可以用奈米科技來製造它，用生物技術和生物醫學來實現它，最後用資訊科技來控制它，使它為人類工作”。

4、計算機科學：主要包括計算機原理、程式設計語言、作業系統、分散式系統、演算法基礎、機器學習演算法、機器學習分類、機器視覺識別、自動控制；機器學習架構還包括資料探勘、智慧晶片、虛擬化、分散式結構、庫和計算框架、視覺化解決方案、雲服務等；還有其他一些人工智慧技術包括知識圖譜、統計語言模型、專家系統、遺傳演算法、博弈演算法等。

5、應用工程學：目前人工智慧主要靠四大應用落地技術開啟局面，這些應用型技術主要圍繞模擬、延伸和擴充套件人類智慧，促使其在視覺處理、語音識別、自然語言處理和智慧機器人四大應用領域落地：

計算機視覺技術（Computer Vision）

這是一門研究人工智慧“眼睛”和“視力”的科學。人工智慧中70%以上的資料採集、識別和分析都建立在如何讓機器“看”的科學上，透過計算機代替人眼對目標進行識別、跟蹤和測量，使計算機成為更適合人眼觀察或傳送給儀器檢測影象和圖形處理的技術。

語音識別（Automatic Speech Recognition）

語音識別是以語音為研究物件，透過訊號處理和識別技術讓機器自動識別和理解人類口述的語言，並將語音訊號轉換為相應文字或命令的一門技術。由語音識別和語音合成、自然語言理解、語義網路等技術相結合的語音互動正在逐步成為當前多通道、多媒體智慧人機互動的主要方式。

自然語言理解（Natural Language Understanding）

自然語言理解即文字理解，和語音影象的模式識別技術有著本質的區別。語言作為知識的載體，承載了複雜的資訊量，具有高度的抽象性，對語言的理解屬於認知層面，不能僅靠模式匹配的方式完成。

智慧機器人（Interlligent Robot）

智慧機器人是具備人的思維意識，理解並對人類語言和行為做出反應，能夠代替人類承擔特定職能的高階機器系統。

應用工程學的人工智慧運用在實踐中又具體表現為“六會”技術：

以語音識別、機器翻譯等為主的人工智慧“會聽技術”；以影象識別、文字識別等為主的人工智慧“會看技術”；以語音合成、人機對話等為主的人工智慧“會說技術”；以人機對弈、定理證明等為主的人工智慧“會思考技術”；以機器學習、知識表示等為主的人工智慧“會學習技術”；以機器人、自動駕駛汽車等為主的人工智慧“會行動技術”；第四，人工智慧社會科學

人工智慧科學基礎又可以稱為人工智慧的元知識技術體系，它研究描述人工智慧技術或知識集合所包含的內容、結構和特徵。人工智慧如果沒有智慧科學的元知識,就無法描述知識和技術、使用知識和技術。作為元知識技術體系的人工智慧科學雖然不是本領域直接運用的知識和技術,不能解決具體知識技術問題，但是它是關於人工智慧領域一般知識和技術的規律、性質、結構、功能、特點、組成與使用的概括性、基礎性知識技術體系,是人工智慧管理、控制、使用和發展本領域知識技術的母基體系。

人工智慧科學是人工智慧思想、意識和哲學的核心,如果沒有掌握好它就不能很好地學習人工智慧知識和技術，就不能學習和認知基本的知識。人工智慧科學對於人們認知系統的建立起著重要作用。沒有建立在人工智慧科學基礎上的智慧系統起碼不是一個真正的智慧系統。

人工智慧社會科學由人工智慧政治學、人工智慧社會學、人工智慧法學、人工智慧經濟學、人工智慧教育學、人工智慧心理學、人工智慧語言學等二級學科構成。

人工智慧社會科學基礎包括以下部分：

1、人工智慧政治學：主要涉及和研究人工智慧科學在服務政治體系建設和國家治理現代化方面的具體功能作用，以及人工智慧發展中的國家戰略視角、宏觀把控能力等要素。

2、人工智慧社會學：研究人工智慧如何參與社會發展、管理，權衡人工智慧技術發展對於社會的整體利弊關係，對帶來的社會變革與問題進行預測和解答，關注人工智慧時代下的結構性失業、技術貧困和倫理困境，透過人工智慧技術解決方案實現對社會變遷與問題的迴應。

3、人工智慧法學：研究和關注法學的人工智慧化，為法律事業建設提供智慧解決方案。同時關注、研究、解決人工智慧帶來的法律問題，為構建新型法律關係、法律政策、法律制度提供研究與保障。在人工智慧的應用和標準化兩個維度上，為人工智慧產業明晰“不能做什麼”和 “應該怎麼做”的邊界劃分。

4、人工智慧經濟學：人工智慧經濟學對人工智慧將對社會帶來全新的經濟模式、經濟結構、經濟關係，以及社會生產力的巨大變化進行前瞻性研究，提供落地解決方案。同時透過神經網路、機器學習、智慧機器人社會化生產系統等人工智慧經濟技術，為社會、政府和經濟組織提供宏觀、中觀、微觀，以及各個產業內部的實施解決對策。

5、智慧教育學：研究探討將語音識別、腦機介面、知識圖譜、網路教育等技術運用轉換到教育培訓領域，為教學研究提供新的工具。挖掘人工智慧技術在教育中的應用情境、應用方式和使用效果，致力於人工智慧人才培養的教育機制研究，規劃制定人工智慧教育的全面推進解決方案。

6、智慧語言學：人工智慧智慧語言學著重真實語料、口語和書面語並重的分析，將認知語言學、心理語言學、社會語言學的研究成果運用到人機對話、機器翻譯之中，旨在貫通自然語言和機器語言，並構建介於兩者之間的語言思維模式，從而推動人機互動效果的提升。

第五，人工智慧應用場景學

是對人工智慧應用落地場景客觀條件和環境的對策性研究。主要包括：

1、網際網路和移動網際網路運用場景研究：包括搜尋引擎、內容推薦引擎、精準營銷、語言和自然語言互動、影象和影片內容理解檢索、使用者畫像、反欺詐；

2、智慧交通類場景研究：包括自動駕駛感測器、感知、控制器、規劃、整車整合、車聯網、高精度地圖、模擬器、智慧公路網路和標誌、共享出行、自動物流車輛、物流機器人、智慧物流規劃等；

3、智慧金融場景研究：銀行業包括風控和反欺詐、精準營銷、投資決策、智慧客服；保險業包括智慧風控與反欺詐、精準營銷、智慧理賠、智慧客服；證券、基金、投行等包括量化交易、智慧投顧等。

4、智慧醫療運用場景研究：醫學影像智慧判讀、輔助診斷、病例理解和檢索、手術機器人、康復智慧裝置、智慧製藥；

5、家用機器人和服務機器人運用場景研究：智慧家居機器人、老幼伴侶機器人、生活服務機器人等；

6，智慧製造業：包括工業機器人、智慧生產系統、智慧營銷系統、智慧供應鏈系統、智慧生產性服務系統等；

7、人工智慧輔助教育場景研究：包括智慧課堂、教育機器人等；

8、智慧農業使用場景研究：包括智慧農業物聯網系統、智慧農業機器人系統、智慧農機系統等；

9、智慧新聞場景研究：包括智慧新聞稿件機器人、智慧新聞資料機器人等；

10、智慧翻譯場景研究：包括智慧文字翻譯、智慧語言翻譯等；

11、智慧機器仿生場景研究：包括動物仿生、器官仿生等；

12、智慧律師助理場景研究：包括智慧法律諮詢、案例資料庫機器人等；

13、人工智慧藝術創作場景研究：包括舞蹈機器人、繪畫機器人、作家機器人等；

14、人工智慧其他不斷增加的應用場景研究。

第六，人工智慧未來學

人工智慧未來學是對人工智慧發展的前瞻性研究，為現實環境下的人工智慧研究發展提供參照與預測作用。

1、科幻文學和科Phantom視；

2、人類命運研究；

3、人類與智慧機器人關係研究；

4、人工智慧本質研究；

5、宇宙命運研究；

這些研究結論將關係到人工智慧的發展走向。

總之，人工智慧技術基礎是從上世紀60年代開始出現並發展起來的，其中經歷了6個階段，至今基本形成了完整的體系。人工智慧技術基礎內容廣泛，門類繁多。主要包括人工智慧歷史學、人工智慧科技哲學、人工智慧工程學、人工智慧社會科學、人工智慧應用場景學、人工智慧未來學六大部分。這些技術基礎為人工智慧發展起到了關鍵性作用。