直入主題，咱們該先給人工智慧來個全面的定義，對吧？

但悲催的是這種清晰唯一的定義在人工智慧研究圈裡是不存在的！（不存在至少是因為理解和定義智慧本身就是個正在進行時。）

人工智慧的三種定義

我們確實有很多種方式來定義什麼是人工智慧。第一種，也是最常見的一種，從人工智慧研究廣受歡迎的成果的角度：大體上來講，人工智慧或者是“創造和研究具備智慧行為的機器”（注意：“具備”是怎麼解釋都行），或者是“創造和研究可以思考的機器”（注意：什麼樣的“思考”都行）

第二種定義是從人工智慧的組成部分或者其想解決的問題的角度，您最常聽到的是這樣的：

【計算機視覺：如何識別目標？】【語音識別和合成：如何將聲音轉化為文字或將文字轉換為聲音】【自然語言處理NLP：如何從語言中提煉有意義的特徵？以及如何在生成式語句中賦予有意義的特徵？】【知識圖譜：如何用一種更實用的方法（例如，分層級的，語義網路）給資訊排序】【推理機：如何透過整合碎片資訊形成結論？】【規劃：如何計劃一系列行動，以確保這些行動被執行的同時，能達成特定的目標？】

所以這兒我們忍不住用一個更有文化的-或者說更高大上的-方式去定義人工智慧。 Astro Teller(現任X，Alphabe’s moonshot factory的執行長)在1998年提出：“人工智慧是研究如何使機器做他們在電影中乾的事情的科學”

這個定義差不多就是通用人工智慧（強AI 或者全AI）和超級人工智慧的概念，這些所謂智慧的例子在科幻小說裡非常多。小說裡總會說這個通用系統將會達到或者超過人類的能力- 也就是說，人工智慧將會整合我們剛才列出的全部功能。

現在人工智慧評論員們中最流行的活動之一是試圖猜測天網（電影終結者裡的人工智慧防禦系統）何時被取代。如果你注意到針對通用人工智慧和超級人工智慧的各種預測存在著巨大差別，也會由衷地覺得很難定論這些預測是高估還是低估人工智慧，而且這種水平的機器智慧是否可以做到。

AI的主要研究方法

從上個世紀50年代開始，人工智慧一般採用兩種方法進行研究：

第一種方法是首先制定規則，然後透過階梯樹解決問題。人工智慧的先驅們，很多是邏輯學家，他們很喜歡這種方法。這種方法在上個世紀八十年代隨著專家系統的誕生達到頂峰，例如，系統把從有機化學專家那兒獲得的知識庫和決策引擎封裝在程式中，就能幫助化學家們識別不知名的分子。

問題是這樣的系統在開發一個新模型的時候，你必須從頭開始-那些手寫的，具體的規則本身就非常困難，或者最後就不可能歸納起來運用在不同問題之間，例如語音識別的規則很難用在醫學診斷上。

有些模型與統計學方法相當接近，但最有名的那些模型是受神經科學啟發而建立的，即人工神經網路。這種人工神經網路都有一個共有的通用方法：

【1它們由神經元構成】【2它們被組織在不同的層裡，資訊透過輸入層，“隱藏層”（由於在中間），然後到達輸出層】【3神經元和層之間存在數量巨大的連線（這些連線可能是向前的、向後的，甚至同一層內相鄰的神經元之間也會存在連線）】【4這些連線代表了權重，表示某一個連線兩端神經元的相對重要性，負權重代表一個神經元對另一個神經元存在抑制作用，正權重代表一個神經元對另一個神經元存在刺激作用。】

目前火爆的深度學習，估計大家現在都有所耳聞。深度學習就是一種由大量的層組成的上述型別的人工神經網路 – 因此很“深”， 它在影象目標識別中取得了相當好的成果。

另外，機器學習模型分為三類，都是可能會遇到的：

有監督學習：給模型輸入標識過的資料 – 例如一個典型的貓的圖片，這張圖片帶著一個“貓”的標籤。

無監督學習，給模型輸入未標識的資料，靠它自己進行模式識別。因為資料經常不會被標識 – 想想所有堆積在你智慧手機裡的照片-並且標識過程很花時間，所以無監督學習方法雖然更難並且不夠完善，但是看起來比有監督學習更有前景。

增強學習：每次模型迭代後，你都會給它一個評級。舉一個DeepMind的例子，它訓練了一個玩古老的雅達利遊戲的模型，模型裡的等級是遊戲顯示的分數，模型漸漸地學會了如何獲得最多的分數。增強學習方法可能是三種方式中最不完善的，但是最近DeepMind演算法的成功已經清楚地表明在增強學習上的努力獲得了豐碩回報。

人工智慧不是一棵樹。而是一片灌木叢！

把“機器學習”和“語音”放在同一個層次是不準確的，因為你能用機器學習模型解決語音問題 – 他們不是並行的分支，但是，其他更加不同的分類更讓人糾結。

因此，人工智慧領域的難與美之處就在於它肯定不是一棵有序的樹，而是一片灌木叢。一個分支的成長比另一個快，就會進入大家的視野，然後又輪到另一個分支發生類似的情況等等。有些分支會產生交叉，另一些不會，一些分支被淘汰，又有新的出現。

因此最核心的一條建議是：永遠別忘了大方向和重點，否則你就會迷失!

像“電力時代”解放了人類的手和腳，“智慧時代”將會解放人的大腦。不排除，將來我們人類做決定和選擇的時候，需要智慧機器的輔助。

我覺得未來研究人工智慧的將會聚焦於大資料，而資料就像人類的經歷或經驗，透過這些資料進行規律或智慧的啟迪。

人工智慧的定義就是透過人工合成把人體功能與腦力勞動一併應用，一達到生產的目的和社會的應用，是人工智慧成為人類認識延伸，生產擴充套件與發展的根本和標準。主要研究方法是智力的拓寬與延伸，智慧是基礎，語言是根本與命脈。

人工智慧是一門極富挑戰性的科學，屬於計算機科學的一個分支。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。