人工智慧在目前來說，簡單一句話，就是從十分巨大的資料中，按某種需要來找出某種特徵的演算法，根據這種演算法來處理需要被處理的物件。比如最出名的AI，阿爾法go，就是從數量巨大的棋譜和它自我訓練的對局中，找出贏棋的特徵，並擬合出達到特徵的演算法，以此來指導下棋。
人工智慧需要的條件是：1，必須有數量龐大的資料集，對此訓練並擬合出特徵的演算法。2，必須有某種規則來界定特徵。比如阿爾法go，必須要在圍棋的規則內界定贏棋的特徵。所以，目前的AI，在大多數情況下，只是根據已有的大資料，解決已經能夠解決的問題，而不能突破規則，解決新的問題，也就是，AI沒有創造力。
所以，AI所能代替人類的，目前只是不需要創造力，按照某種規則就能完成的工作。比如，語音識別，影象識別，自動駕駛，自動售貨等等。
但是，AI還有一個可能的潛在應用，就是，作為科研的輔助預測。我們現在的科研工作，一般是透過實驗手段來驗證某種預測，或者來找到某種發現。但是，在對一個系統有完整的瞭解以前，我們的實驗往往是因為這樣做，所以有了這樣的結果，但這因果之間，是不是有必然的聯絡，卻是不確定的。比如有個笑話：有個科學家做實驗，他按住一隻蒼蠅，說：飛。手一放，蒼蠅飛走了。重複三次。然後他摘下了蒼蠅翅膀。又說：飛。蒼蠅只會爬。重複三次。最後，他在實驗記錄上寫道：蒼蠅摘了翅膀以後成了聾子。我們的實驗研究，有時何嘗不是這樣。不過有了AI，有了大資料，也許可以改善這種狀況？根據前人的實驗，即使只是相關領域的或者別的研究的大資料，對目前要做的實驗做一個大致的預測，找出最有可能成功的方法，也許可以節省很多人力物力？比如，青蒿素，也許可以透過前人的研究，來找出對瘧疾有效的化學物質的可能的結構特徵，再依據這個特徵來篩選藥物？這樣，就可以不必對每種植物提取物都做有效性檢測，只用確定結構，對最有可能的進行研究就可以了。當然，我對製藥一竅不通，只是瞎歪歪，哈哈。
人工智慧在目前來說，簡單一句話，就是從十分巨大的資料中，按某種需要來找出某種特徵的演算法，根據這種演算法來處理需要被處理的物件。比如最出名的AI，阿爾法go，就是從數量巨大的棋譜和它自我訓練的對局中，找出贏棋的特徵，並擬合出達到特徵的演算法，以此來指導下棋。
人工智慧需要的條件是：1，必須有數量龐大的資料集，對此訓練並擬合出特徵的演算法。2，必須有某種規則來界定特徵。比如阿爾法go，必須要在圍棋的規則內界定贏棋的特徵。所以，目前的AI，在大多數情況下，只是根據已有的大資料，解決已經能夠解決的問題，而不能突破規則，解決新的問題，也就是，AI沒有創造力。
所以，AI所能代替人類的，目前只是不需要創造力，按照某種規則就能完成的工作。比如，語音識別，影象識別，自動駕駛，自動售貨等等。
但是，AI還有一個可能的潛在應用，就是，作為科研的輔助預測。我們現在的科研工作，一般是透過實驗手段來驗證某種預測，或者來找到某種發現。但是，在對一個系統有完整的瞭解以前，我們的實驗往往是因為這樣做，所以有了這樣的結果，但這因果之間，是不是有必然的聯絡，卻是不確定的。比如有個笑話：有個科學家做實驗，他按住一隻蒼蠅，說：飛。手一放，蒼蠅飛走了。重複三次。然後他摘下了蒼蠅翅膀。又說：飛。蒼蠅只會爬。重複三次。最後，他在實驗記錄上寫道：蒼蠅摘了翅膀以後成了聾子。我們的實驗研究，有時何嘗不是這樣。不過有了AI，有了大資料，也許可以改善這種狀況？根據前人的實驗，即使只是相關領域的或者別的研究的大資料，對目前要做的實驗做一個大致的預測，找出最有可能成功的方法，也許可以節省很多人力物力？比如，青蒿素，也許可以透過前人的研究，來找出對瘧疾有效的化學物質的可能的結構特徵，再依據這個特徵來篩選藥物？這樣，就可以不必對每種植物提取物都做有效性檢測，只用確定結構，對最有可能的進行研究就可以了。當然，我對製藥一竅不通，只是瞎歪歪，哈哈。