人工智慧（AI）在計算機科學，金融貿易，醫藥，診斷，遠端通訊，駕駛等諸多方面產生了影響。產生了許多方法解決計算機科學最困難的問題。它們的許多發明已被主流計算機科學採用，而不認為是AI的一部份。下面所有內容原在AI實驗室發展：時間分配，介面演繹員，圖解使用者介面，計算機滑鼠，快發展環境，聯絡表資料結構，自動儲存管理，符號程式，功能程式，動態程式，和客觀指向程式。

在金融領域，銀行用人工智慧系統組織運作，金融投資和管理財產。2001年8月在模擬金融貿易競賽中機器人戰勝了人。金融機構已長久用人工神經網路系統去發覺變化或規範外的要求，銀行使用協助顧客服務系統；幫助核對帳目，發行信用卡和恢復密碼等。

在醫學臨床可用人工智慧系統組織病床計劃；並提供醫學資訊。人工神經網路用來做臨床診斷決策支援系統。用人工智慧在醫學方面還有下列潛在可能：計算機幫助解析醫學影象。這樣系統幫助掃描資料影象，從計算X光斷層圖發現疾病，典型應用是發現腫塊。心臟聲音分析。

是時候祭出這張大家都懂的圖了~

沒錯，一個小事實是：一般我們內部交流都說是machine learning，只有對門外漢的時候才說人工智慧(AI)。

上面是博君一笑~

1、某種程度上可以說有多少人工就有多少智慧。演算法、資料和算力是驅動AI的三駕馬車，現在的瓶頸其實是資料不夠用。人類的確記錄了很多數字化資料，但有記錄≠有資料，很多場景需要的高質量資料非常依賴人工標註，所以說某種程度上可以說有多少人工就有多少智慧。

2、我們現在處在一個弱人工智慧階段 >> 簡稱人工弱智。雖然阿法狗打敗了柯潔，但綜合來說，目前（2018）年AI的智力還比不過7歲小孩。當然，AI可能成長得很快……你怕了嗎。

3、對神經網路來說，GPU（圖形處理晶片）比CPU更高效。GPU一度是模擬神經網路的完美硬體，因為每個GPU晶片內都有大量的小核心，這和神經網路的大規模並行性天然相似。結果，以顯示卡為主業的GPU廠商Nvidia或成最大贏家。

4、之前盛傳谷歌有個貓臉識別應用，使用的神經網路擁有17億個引數。後來吳恩達在斯坦福大學又搞了個更大的神經網路，引數高達112億個。哦，好厲害！人腦的神經連線有一百萬萬億個。

5、早在上世紀80年代，美國和德國的機器人專家就在自動駕駛領域取得了一些進展，但三十多年過去，造出一輛能在城市開放道路自動行駛的汽車，要比製作一個能上月球的機器人更難。

6、機器都建立在三段論數學的基礎上的，如果人類每天都用三段論做思維，AI技術將變得簡單。但事實是人類日常生活中更多用類推、記憶的能力，這是造成實現AI非常難的重要原因。

7、“智慧”大致可以分為三類：

通用智慧，比如語言、推理；

專家智慧，比如下棋、翻譯；

群體智慧，比如搜尋引擎排序。

對人類來說第一種智慧最容易，第二、第三種更難；對人工智慧來說，難易程度倒過來。