人工智慧應該是機器向人這方面發展，機器更加接近人的思維，甚至超越人，比如記圓周率，比如記棋譜，比如觀察天空等等

核心在於"智"，就是能幫助人們思考決策的都是人工智慧，具體你可以看看國家出的政策《人工智慧規劃》、還有《人工智慧標準白皮書》，有明確的說明！

人工智慧（artificial intelligence），從英文詞源上其實更好精確的理解。artificial：人造的東西，intelligence：這其實是一個心理學術語，譯做智慧雖然沒錯，但未免略微將這個詞的範疇廣義化了一點，根據wiki的解釋：capacity of logic，understanding，self-awareness，learning，emotional knowledge，reasoning，planning，creativity and problem solving。

根據這個解釋，顯然是將理性和感性分離了，所以人工智慧在最初的定義上，就不包括“感受痛苦”的能力，“擁有慾望”的能力（我相信這是大多數人對人工智慧恐懼的根源。

人工智慧是且僅是一個思考工具，他和人類的區別是很明顯的。

1.人工智慧不以存在和延續自身為目的，他們不會有怕死，只是想活下去，想要得到快樂和幸福，想要被尊重等等無聊的需求。甚至可以說，他們沒有需求。

2.人工智慧沒有自由意志，至少在cpu/gpu結構下沒有，至多擁有一個熱噪音隨機生成器。至於未來引入qpu（量子處理器）甚至更先進的硬體後會不會有，此時無法斷言，畢竟，更根本的問題在於我們無法知道人類是否真的有自由意志，如果有，自由意志的來源是什麼。

3.人工智慧極大可能是一個群體智慧，沒有個體的概念。古典科幻中的“x個機器人”對話的情況很可能是不存在的，按照目前的技術方向，智慧很可能在雲上，機器人只是終端。當然，不排除未來的雲計算是全網p2p的情況，那麼每個終端就會有獨立的想法。

關於智慧奇點，在alphago身上相信很多人已經感受到了，他的思考模式和基本原理我們能看懂，但我們沒有那麼大的思考量來還原他的完整執行過程，因此我們無法理解他為什麼作出這樣的決策，這就是一個典型的量變引起質變的過程。這個過程未來可能發生在各個領域，科研，醫療，藝術。人類負責制定原則和方向，AI負責把這個方向走到極致。

關於對AI的恐懼，大多數人設想的情況是不存在且毫無必要的，但有一點卻是真實存在的，那就是因為上述問題（人類無法理解AI決策）的存在，導致了我們很可能作出非常危險的選擇。這相當於給了三歲小孩一堆化學藥劑，在他不理解這些東西是幹什麼的情況下隨意擺弄，結果十有八九會弄傷他自己。AI的危險總是來源於人類錯誤的決策。

人類除了本能的行為外開發利用諸如人工智慧等技術手段貌似進步和聰明，殊不知我們對自己從哪裡來，到那裡去，我們是誰都搞不清楚，所謂的科技進步無非是投機取巧，我們註定是宇宙中最渺小的存在！

未來那些繁重的、重複的、沒有創造性、藝術性的工作將會被人工智慧逐步代替，比如建築工人、司機、快遞員、保姆、銀行業務員、電話客服、倉庫管理員、收銀員、清潔工、銷售等工作。

人工智慧來襲，不少人驚呼未來有不少職業將會被人工智慧和機器人所替代。確實，機器和人工智慧會替代人的一些簡單勞動、重複性勞動和規則性活動，但是，它們也會創造出更多更新的、前所未有的新的職業。人工智慧概念的火熱促進了不少行業的興起，比如域名，許多相關的.top域名已經被註冊。

人工智慧作為科技創新產物，在促進人類社會進步、經濟建設和提升人們生活水平等方面起到越來越重要的作用。國內人工智慧經過多年的發展，已經在安防、金融、客服、零售、醫療健康、廣告營銷、教育、城市交通、製造、 農業等領域實現商用及規模效應。

當前人工智慧處於從“不能實用”到“可以實用”的技術拐點，但是距離“很好用”還有諸多瓶頸，理論創新和產業應用發展空間巨大。可以說，人工智慧的春天剛剛開始。

人類社會經歷機械化、電氣化、資訊化的時代後，正在向智慧化社會邁進。人工智慧有望引領新一輪科技革命。世界著名科學家格特納曾說：“人工智慧將是未來十年最具顛覆性的技術，無處不在人工智慧將成為趨勢。”

具體來講，人工智慧有八個宏觀發展趨勢值得關注：

從專用智慧到通用智慧

如何實現從專用智慧到通用智慧的跨越式發展，即是下一代人工智慧發展的必然趨勢，也是研究與應用領域的挑戰問題。通用智慧被認為是人工智慧CROWN上面的明珠，是全世界科技巨頭競爭的焦點。美國軍方也開始規劃通用智慧的研究，他們認為通用人工智慧喝自主武器，是顯著優於現在人工智慧技術體系發展方向，現有人工智慧僅僅是走向通用人工智慧的一小步。

從機器智慧到人機混合智慧

人類智慧和人工智慧各有所長，可以互補。所以人工智慧一個非常重要的發展趨勢，是From AI(Artificial Intelligence) to AI(Augmented Intelligence)，兩個AI含義不一樣。人類智慧和人工智慧不是零和博弈，“人+機器”的組合將是人工智慧演講的主流方向，“人機共存”將是人類社會的新常態。

從“人工+智慧”到自主智慧系統

人工採集和標註大樣本訓練資料，是這些年來深度學習取得成功的一個重要基礎或者重要人工基礎。比如要讓人工智慧明白一副影象中哪一塊是人、哪一塊是草地、哪一塊是天空，都要人工標註好，非常費時費力。此外還有人工設計深度神經網路模型、人工設定應用場景、使用者需要人工適配智慧系統等。所以有人說，目前的人工智慧有多少智慧，取決於付出多少人工，這話不太精確，但確實指出了問題。下一步發展趨勢是怎樣以極少人工來獲得最大程度的智慧。人類看書可學習到知識，機器還做不到，所以一些機構例如谷歌，開始試圖建立自動機器學習演算法，來降低AI 的人工成本。

學科交叉將成為人工智慧創新源泉

深度學習知識借鑑了大腦的原理：資訊分層，層次化處理。所以，人工智慧與腦科學交叉融合非常重要。《Nature》和《Scinece》都有這方面成果報道。比如《Nature》發表了一個研究團隊開發的一種自主學習的人工突觸，它能提高人工神經網路的學習速度。但大腦到底怎麼處理外部視覺資訊或者聽覺資訊的，很大程度還是一個黑箱，這就是腦科學麵臨的挑戰。這兩個學科的交叉有巨大創新空間。

人工智慧產業將蓬勃發展

國際知名諮詢公司預測，2016年到2025年人工智慧的產業規模幾乎直線上升。國務院《新一代人工智慧發展規劃》提出，2030年人工智慧核心產業規模將超過1萬億，帶動相關產業規模超過10萬億。這個產業是蓬勃發展的，前景顯然是非常大的。

人工智慧的法律法規將更加健全

大家很關注人工智慧可能帶來的社會問題和相關倫理問題，聯合國還專門成立了人工智慧喝機器人中心這樣的監察機構。

前不久，歐盟25個國家簽署了人工智慧合作宣言，共同面對人工智慧在倫理、法律等方面挑戰。中國科學院也考慮了這方面的題目。

人工智慧將成為更多國家的戰略選擇

一些國家已經把人工智慧上升為國家戰略，越來越多的國家一定會做出同樣舉措。包括智利、加拿大、南韓等等。

人工智慧教育將會全面普及

教育部專門釋出了高校人工智慧的行動計劃。國務院《新一代人工智慧發展規劃》也指出，要支援開展形式多樣的人工智慧科普活動。美國科技委員會在《為人工智慧的未來做好準備》中提出全民計算機科學與人工智慧教育。

這八大宏觀發展趨勢，既有科學研究層面，也有產業應用層面，也有國家戰略和政策法規層面。在科學研究層面特別值得關注的趨勢是：從專用到通用，從人工智慧到人機融合、混合，學科交叉借鑑腦科學等。

人工智慧經過六十多年發展已經缺德重大進展，但總體上還處於初級階段。人工智慧既具有巨大的理論與技術創新空間，也具有廣闊應用前景。

現在回到題目中提出的問題，人工智慧到底是天使還是魔鬼？我要說，高科技本身沒有天使和魔鬼之分，人工智慧也是如此，這一把雙刃劍在天使手裡是天使，在魔鬼手裡就是魔鬼。因此我們有必要未雨綢繆、形成合力，確保人工智慧正面效應，確保人工智慧造福於人類。

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。

人工智慧是計算機科學的一個分支，它企圖瞭解智慧的實質，並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，該領域的研究包括機器人、語言識別、影象識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的“容器”。人工智慧可以對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧，但能像人那樣思考、也可能超過人的智慧。

人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的“容器”，也可能超過人的智慧。

人工智慧的定義可以分為兩部分，即“ 人工”和“ 智慧”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智慧程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。

1.什麼是人工智慧

人工智慧（Artificial Intelligence）：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。1956年由約翰.麥卡錫首次提出，當時的定義為“製造智慧機器的科學與工程”。人工智慧目的就是讓機器能夠像人一樣思考，讓機器擁有智慧。時至今日，人工智慧的內涵已經大大擴充套件，是一門交叉學科。

2.人工智慧的層次結構

基礎設施層：回顧人工智慧發展史，每次基礎設施的發展都顯著地推動了演算法層和技術層的演進。從20世紀70年代的計算機的興起，80年代計算機的普及，90年代計算機運算速度和儲存量的增加，網際網路興起帶來的電子化，均產生了較大的推動作用。到21世紀，大規模叢集的出現，大資料的積累，GPU與異構/低功耗晶片興起帶來的運算力的提升，促成了深度學習的誕生，點燃了人工智慧的爆**潮，其中海量的訓練資料是人工智慧發展的重要燃料。

演算法層：機器學習是指利用演算法使計算機能夠像人一樣從資料中挖掘出資訊，而深度學習作為機器學習的一個子集，相比於其他學習方法，使用了更多的引數、模型也更復雜，從而使得模型對資料的理解更加深入也更加智慧。

計算機視覺：計算機視覺的歷史可以追溯到1966年，人工智慧學家Minsky在給學生布置的作業中，要求學生透過編寫一個程式讓計算機告訴我們它透過攝像頭看到了什麼，這也被認為是計算機視覺最早的任務描述。計算機視覺借鑑了人類看東西的方法，即“三維重構”與“先驗知識庫”。計算機視覺除了在比較成熟的安防領域外，也應用於金融領域的人臉識別身份驗證、電商領域的商品拍照搜尋、醫療領域的智慧影像診斷、機器人/無人車上作為視覺輸入系統等。

語音處理：讓機器學會“聽”和“說”，實現與人類的無障礙交流一直是人工智慧、人機互動領域的一大夢想。1920年生產的“Radio Rex”玩具狗可能是世界上最早的語音識別器，第一個真正基於語音識別系統出現在1952年，AT&T貝爾實驗室開發的Audrey的語音識別系統，能夠識別10個英文數字，正確率高達98%。比如Apple Siri，Echo等。

自然語言處理：人類的日常社會活動中，語言交流是不同個體間資訊交換和溝通的重要途徑。對機器而言，能否自然的與人類進行交流、理解人類表達的意思並作出合適的迴應，被認為是衡量其智慧程度的一個重要參照。

規劃決策系統：人工智慧規劃決策系統的發展，一度是以棋類遊戲為載體的。比如，AlphaGo戰勝李世石，Master對頂級選手取得60連勝，機器人，無人車。

3. 人工智慧應用場景

3.1. 語音處理

• 語音處理主要是自動且準確的轉錄人類的語音。一個完整的語音處理系統，包括前端的訊號處理、中間的語音語義識別和對話管理以及後期的語音合成。

– 前端處理：說話人聲檢測，回聲消除，喚醒詞識別，麥克風陣列處理，語音增強等。

– 語音識別：特徵提取，模型自適應，聲學模型，語言模型，動態解碼等。

– 語義識別和對話管理：更多屬於自然語言處理的範疇。

– 語音合成：文字分析、語言學分析、音長估算、發音引數估計等。

• 應用：包括醫療聽寫、語音書寫、電腦系統聲控、電話客服等。

• 未來：真正做到像正常人類一樣，與他人流暢溝通，自由交流，還有待時日。

3.2. 計算機視覺

• 計算機視覺指計算機從影象中識別出物體、場景和活動的能力，包含影象處理、識別檢測、分析理解等技術。

– 影象處理：去噪聲、去模糊、超解析度處理、濾鏡處理等。

– 影象識別：過程包括影象預處理、影象分割、特徵提取、判斷匹配，可以用來處理分類、定位、檢測、分割問題等。

– 影象理解：本質是影象與文字間的互動，可用來執行基於文字的影象搜尋、影象描述生成、影象問答等。

• 應用：

– 醫療成像分析被用來提高疾病的預測、診斷和治療。

– 在安防及監控領域被用來指認嫌疑人。

– 在購物方面，消費者現在可以用智慧手機拍攝下產品以獲得更多資訊。

• 未來：計算機視覺有望進入自主理解、分析決策的高階階段，真正賦予機器“看”的能力，在無人車、智慧家居等場景發揮更大的價值。

3.3. 自然語言處理

• 自然語言處理的幾個核心環節：知識的獲取與表達、自然語言理解、自然語言生成等，也相應出現了知識圖譜、對話管理、機器翻譯等研究方向。

– 知識圖譜：基於語義層面對知識進行組織後得到的結構化結果。

– 對話管理：包含閒聊、問答、任務驅動型對話。

– 機器翻譯：由傳統的PBMT方法到Google的GNMT，流暢度與正確率大幅提升。

• 應用：搜尋引擎、對話機器人、機器翻譯、甚至高考機器人、辦公智慧秘書。

4. AI、機器學習、深度學習的關係

4.1. 人工智慧四要素

1） 資料

如今這個時代，無時無刻不在產生大資料。移動裝置、廉價的照相機、無處不在的感測器等等積累的資料。這些資料形式多樣化，大部分都是非結構化資料。如果需要為人工智慧演算法所用，就需要進行大量的預處理過程。

2） 演算法

主流的演算法主要分為傳統的機器學習演算法和神經網路演算法。神經網路演算法快速發展，近年來因為深度學習的發展到了高潮。

3） 算力

人工智慧的發展對算力提出了更高的要求。以下是各種晶片的計算能力對比。其中GPU領先其他晶片在人工智慧領域中用的最廣泛。GPU和CPU都擅長浮點計算，一般來說，GPU做浮點計算的能力是CPU的10倍左右。

另外深度學習加速框架透過在GPU之上進行最佳化，再次提升了GPU的計算效能，有利於加速神經網路的計算。如：cuDNN具有可定製的資料佈局，支援四維張量的靈活維度排序，跨步和子區域，用作所有例程的輸入和輸出。在卷積神經網路的卷積運算中實現了矩陣運算，同時減少了記憶體，大大提升了神經網路的效能。

4） 場景

人工智慧經典的應用場景包括：

使用者畫像分析基於信用評分的風險控制欺詐檢測智慧投顧智慧稽核智慧客服機器人機器翻譯人臉識別

4.2. 三者關係簡述

人工智慧：是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法及應用系統的一門新的技術科學。

機器學習：專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。是人工智慧的核心研究領域之一，任何一個沒有學習能力的系統都很難被認為是一個真正的智慧系統。

深度學習：源於人工神經網路的研究，含多隱層的多層感知器就是一種深度學習結構。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。