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，它主要包括以下研究和應用方向：機器人、語音識別、影象識別、自然語言處理、專家系統、知識工程、機器學習等。

人工智慧的歷史階段主要分為三個：第一階段：邏輯推理（50-60）第二階段：知識工程（70-80）第三階段：機器學習（90-）。

目前人工智慧的層次也被劃分為三個階段：弱人工智慧、強人工智慧、超人工智慧。

弱人工智慧 Artificial Narrow Intelligence (ANI): 弱人工智慧是擅長於單個方面的人工智慧。

強人工智慧 Artificial General Intelligence (AGI): 人類級別的人工智慧。強人工智慧是指在各方面都能和人類比肩的人工智慧，人類能幹的腦力活它都能幹。

超人工智慧 Artificial Super intelligence (ASI): 牛津哲學家，知名人工智慧思想家Nick Bostrom把超級智慧定義為“在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創新、通識和社交技能。

當前人工智慧還非常初級，處於弱人工智慧階段。目前適合“已知環境、目標明確、行動可預測”的場景。深度學習在影象識別、語音識別、翻譯等領域，人工智慧基本具備人的識別能力，甚至超越了人類，基於這些能力應用到了很多場景，如醫療、公共安全等。但在推理、認知等方面仍十分欠缺。人工智慧不是要等到超越人的智慧才進入使用，而是隻要在某個方面比人做得好就可以進入使用。

人工智慧的未來發展我們通過美國DARPA的2018年10月的第三代人工智慧基礎研究發展規劃就可以一窺端倪。該規劃旨在通過機器學習和推理、自然語言理解、建模模擬、人機融合等方面的研究，突破人工智慧基礎理論及核心技術。相關專案包括：“機器常識”，“終身學習機”，“可解釋的人工智慧”，“可靠自主性”，“不同來源主動詮釋”，“自動知識提取”，“確保AI抗欺騙可靠性”，“自動知識提取”，“加速人工智慧”，“基礎人工智慧科學”，“機器通用感知”，“利用更少資料學習”，“以知識為導向的人工智慧推理模式”，“高階建模模擬工具”，“複雜混合系統”，“人機交流”，“人機共生”等。

一、農業領域

目前人工智慧除草機只需要裝在拖拉機上。它可以快速地識別出雜草和莊稼。進行有效的除草。這樣不僅能精準地除草，而且能大量的減低農藥的使用量。

二、醫學領域

在近年，人工智慧的深度學習功能，在醫學領域，對醫療的技術，以及對病情的判定。簡直就是革命性的改變。在一次人工智慧和人類的病理診斷大比拼中，人類已經輸給了谷歌研發的人工智慧病理診斷。早在前幾年，谷歌大腦就已經與美國的Verily公司聯合一起開發了一款人工智慧醫療工具，而這個醫療工具，能用來診斷乳腺癌。為了確定這個功能的可用性以及準確率。谷歌專門安排了一場人類與人工智慧病理分析的大比拼。而這場比拼，人工智慧以88.5%的準確率贏了一名資深的病理學家，而這位病理學家，花了整整30個小時，仔仔細細分析了130張切片，才得到73.7%的準確率。

三、影象處理領域

在很久之前，人們遺留下來的大多數都是黑白照片。而早在2016年，科學家已經研發出了對圖片的自動上色功能。而科學家通過大量的資料讓人工智慧深度學習，他們使用黑白影象做輸入，人工智慧用彩色影象來做輸出，以此來訓練出一個人工智慧的影象處理的神經網路。這個神經網路可以自動對黑白影象上色，也就是說，在用途上，只要我們可以把以前的一些古老的黑白攝影機的影象輸入，這個人工智慧的網路它就可以自動將黑白照片還原成彩色的影象。

四、電商領域

對於即將到來的“雙11狂歡節”，估計閒的蛋疼的朋友就會問。雙11的到來，對於淘寶商家的設計師，設計圖片辛苦嗎？確實，按照淘寶店鋪商家釋出的數量來看，做成如此多數量的圖片文案，得逼得不少人熬夜，不過，其實早在去年淘寶就推出了人工智慧設計師——魯班，2017年的雙十一，有1.7億張圖片是出自於魯班之手。而今年，將有4億張圖片由魯班來設計，4億張圖片是什麼概念呢，按照一天的時間來算，每秒可以設計8000張。

年初，“阿爾法圍棋”橫掃中韓等國頂級棋手，10月它又被自己的新版演算法“阿爾法圍棋－零”戰勝。人工智慧領域的一系列新現象、新突破，讓人眼花繚亂、目不暇接。

無論是將人工智慧稱作“下一個風口”、“最強有力的創新加速器”、“驅動未來的動力”，還是關於它會不會比人類更聰明、甚至取代人類的爭論，都說明人工智慧又一次迎來發展高潮。

與以往幾十年不同的是，人工智慧這一輪高潮，是科技進步的水到渠成，也是與生活和工作相關的科技應用快速發展的結果，被嵌入十分廣泛的生活場景中。有科學家因此認為，“我們或許將成為與人工智慧真正共同生活的第一代人”。

不怕機器記性好，就怕機器會學習。像“阿爾法圍棋”這樣的機器自我學習技術基於三方面要素：網際網路大資料、強大的運算能力以及深度學習技術突破。它們共同造就了語音、人臉識別準確率的驚人提升，更加自然的人機對話，乃至可以像“阿爾法圍棋”一樣去找尋規律、自我決策，其中最核心的是深度學習。

那究竟什麼是深度學習？一是通過演算法給機器設計一個神經網路；二是通過大量標定的資料樣本訓練神經網路，讓它認識外部世界。以前，一個應用要通過非常精確的演算法來描述，但是今天，我們不知道該用什麼精確模型來教計算機，只能拿非常多的資料樣本讓機器比對學習，舉一反三。

具體到“阿爾法圍棋”，它還使用了強化學習和蒙特卡洛樹搜尋等技術。後者是一種啟發式的搜尋策略，能夠基於對搜尋空間的隨機抽樣來擴大搜索樹，從而分析圍棋這類遊戲中每一步棋應該怎麼走才能夠創造最好機會。

只需要先教“阿爾法圍棋”一些人類摸索出的基本下法，然後讓它與自己大量對戰，就可以飛速提升水平。而“阿爾法圍棋”的最新版本“阿爾法圍棋－零”具備了無師自通的能力，在沒有人類知識與對決訓練的情況下，“從零開始”自己與自己對弈，僅3天后就戰勝了自己的前輩。

搜狗執行長王小川認為，識別、決策、生成是人工智慧的核心應用。例如，在決策方面，人工智慧可以幫助提高決策效率，提升商業效率。

“我們已經在金融、醫療和教育等方面看到這些應用。在識別和生成領域，人工智慧的進展已使人機互動越來越自然，這也是我們感興趣的領域。從歷史趨勢上看，機器在逐漸適應人，並已為人類分擔了許多具體工作。”王小川說。

前百度首席科學家吳恩達、香港科技大學教授楊強等眾多全球頂尖人工智慧專家都認為，人工智慧下一個重要突破口是“遷移學習”，這也是人工智慧未來的發展方向。簡單說，“遷移學習”類似中國成語裡的“觸類旁通”，就是機器將在一個領域學習掌握的技巧、經驗和能力，遷移到一個新的有一定關聯的領域裡再應用，這樣在新領域裡，它就能省去大規模資料訓練，只需一小部分資料就能迅速“成才”。當機器具備這種能力後，將使人工智慧邁入全新層次。

按照人工智慧“弱智慧”、“強智慧”和“超智慧”的劃分，當前乃至很長一段時間，人工智慧還處於“弱智慧”階段，還只能侷限在特定的封閉領域。比如，“阿爾法圍棋”只能在封閉場景通過資料樣本學習和對弈訓練提高下棋能力，並不能發揮創造性。到了“強智慧”和“超智慧”階段，人工智慧就能像人類那樣學習、決策和反思，解決不同領域的各種複雜問題。

儘管如此，僅靠當下的人工智慧技術水平，人類就已經對機器的計算與“算計”產生高度依賴了。從購物網站的精準推送到電視劇的編劇、再到無人駕駛汽車，生活中的人工智慧可謂無處不在。

未來是人工智慧高速發展時期，敬請期待。

初級階段，神經網路的缺點是不能儲存資訊，只能分類。現在急需解決這個問題。如果神經網路可逆就完美了

意識的基礎我覺得是記憶和模擬閉環。沒解決低成本儲存問題就沒有人工智慧哦

人工智慧現目前發展只是萬里長征的第一步，目前所有的人工智慧還只是弱智慧時期，比如之前應用Google 系統阿爾法狗與南韓的李世石下圍棋，讓李世石輸掉三次後，第四局才輸給李世石一局。阿爾法狗只是有強大的計算器的運算能力，它還沒有學習的能力。

目前各國都在極力研究智慧機器人，但是都還是處於初級的階段，採用的都是資料接收、資料運算、資料處理來支配機器人來與人們溝通，機器人回覆的東西都是先是技術人員通過分析大量的日常會話，分析出人們日常的一些極其頻繁的語言儲存在機器人內部，當你與之說話時，機器人會飛速地運算你所說的話，然後就找到最能與你說的話或者與之答案最相近的意思的句子來回復你。

相信科學家們會在未來的研發出真正的智慧科技，讓其更好地服務於人類。

現在的人工智慧在感知智慧也就是能聽會說，能看會認等方面已經超過了人類，例如影象識別，人臉識別，語音識別等技術已經可以媲美人類甚至超過人類，但是情感智慧方面還沒有特別大的進步，也就是現在的人工智慧還停留在能“計算”，但不會“算計”的階段。

人工智慧分強人工智慧（全能型的人工智慧）和弱人工智慧（特定領域的人工智慧），弱人工智慧現在發展很旺盛，很火爆，而強人工智慧的商業應用才剛剛起步，目前大多數強人工智慧停留在實驗室階段。

個人愚見，僅供參考！

語音識別：已經能達到80幾的辨別度了。發音標準能達到百分百。

視訊識別：多人、單人、64特徵碼捕捉人臉也很成熟了

溫度感測智慧識別也很成熟了

現在人工智慧很火，勢頭很猛，但是，從發展階段來說，首先怎麼去衡量發展階段，如果說能在部分任務上完成人類相當的效果，那麼可以說人工智慧已經發展到高階階段了。如果是要達到和人思維一樣的強人工智慧，那麼人工智慧將處於並長期處於初級階段。

有人說人工智慧在各種領域已經取得很大成功了，比如智慧駕駛，影象識別，自動翻譯等等。但這些僅僅是深度學習演算法對大量資料擬合訓練後的結果。

人工智慧達到人的水平了嗎？深藍和alphago在國際象棋和圍棋領域奪冠說明人工智慧已經能在一些複雜任務上超過人類。但是人工智慧很難擁有情感，同時在現實資料的學習中可能會學習到具有性別歧視，人種歧視偏見類的東西。

人工智慧在法律上的角色界限還很模糊，在語言思維等方面遠沒有達到人類水平。

至於人工智慧發展到什麼節段，這是個見仁見智的問題，每個人都有自己的答案。

很難講具體發展到某個階段，科技的發展的一個循序漸進的過程。

就像當年的網際網路過度到現在的移動網際網路，也用了20年的時間。發展的快慢要看我們這代人科研人員的努力了。

具體的發展方向和應用很多也在摸索階段，不過現在日常生活中也有很多人工智慧應用的產品了，例如：手機人臉識別解鎖、刷臉支付、自動駕駛無人駕駛、初級的模擬機器人、智慧音箱、各種加了語音或者影象識別的電器、我們的天網系統等等。

人工智慧是第四次工業革命很重要的一個環節，我們國家在這方面，個人認為有非常大的競爭優勢，結合現在的5g、物聯網和大資料等技術，我們國家人工智慧的發展將來也會領先於西方國家。

人工智慧目前發展到第三次浪潮的初始階段，更加註重解釋性和通用人工智慧技術。人工智慧技術的應用，正在改變一大批傳統行業，並培育了一批新興企業。

個人觀點。

1.ai的已經是非常久遠的事情了，哪怕是講的深度學習神經網路的提出也有幾十年的時間。而早期受限於資料和算的限制，直到2012年深度學習演算法才大放異彩。

2.題目值的“所處階段”，應該是指基於神經網路演算法的所處階段。經過幾年的發展，在大資料基礎，基於gpu的深度學習的高速迭代，ai已經在很多行業發揮的作用越來越大。並且還在高速發展，並得到各個大企業和國家的重視。這樣看這個階段還要繼續告訴發展一段時間。

3.深度學習演算法雖然厲害，但也只是基於當前電腦科學，腦神經科學，認知科學等基礎之上，隨著新技術的發展，比如量子計算，ai應該會階段性持續的發展。

核心的趨勢，有更多更重要的事等著人做，其他的事給ai吧。

人工智慧發展至今，早已分化成兩個不同的理念:弱人工智慧，強人工智慧。而在強人工智慧領域，六十多年來基本沒有實質性的發展，人類所取得的成就，可以說全部來源於弱人工智慧的研究。而科學界主流的觀點認為基於人類自身安全考慮，也不應該向強人工智慧領域深入發展。但是，人工智慧應該是一種改變的能力，通過一個演算法或者一套機制，能夠去適應並解決各種不同的問題。以前設計的GPU開源的平臺，經過改造之後加速，對深層對抗網路的工作，用一個類似GPU的架構去做。但是其實一個晶片是不夠的，即使可以做晶片，可以模擬功能，仍需要大量的晶片，晶片需要用區塊鏈不同的計算能力組合起來，在這上面我們可以做很多的應用，比如做全腦模擬、認知發展過程的模擬，像人那樣思考和學習的機器，這對於未來的影響是巨大的，也是不可逆的。

從AI人工智慧的場景化應用上看，屬於嘗試探索階段。所謂場景化應用，就是為了達到某些特殊要求，而專門為其量身定製的。

比如某某AI語音機器人；

比如某某AI影象識別技術；

比如某某AI智慧控制系統；

在這個過程中我們發現一個重要的現象，也就是，這些場景化的應用能力，並沒有完全取代我們正常的生活。也就是說，這些AI的能力無論是否存在，都沒有改變我們現在的生活狀態。

所以結論就是我們當前的AI，確實處在一個非常非常初級的階段。距離後續的AI生活化，還需要很長的路要走。

謝謝邀請。人工智慧開創未來，科枝創新發展，人工智慧引領時代潮流。人工智慧在路上，我們無須談智慧而色變;消滅人類的不是人工智慧的科技發展，而是掌握科技發展的核力量。該來的一定來，人工智慧已經向我們走來，用平常的心對待吧，恐怕只是嚇自己。