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。

人工智慧AI（智慧科學與技術）是一門與計算機科學與技術、控制學、軟體工程以及統計數學等傳統專業密切相連的新興學科，是計算機學科研究的一個方向的延伸，還與資訊學密切相關。研究的範疇包含自然語言的處理、機器演算法的學習、神經網路、模式識別、智慧搜尋。應用的領域涉及機器翻譯、語言和影象理解、自動程式設計、專家系統等高科技領域。

人工智慧本身就是多技能的高度融合，不僅有傳統技術與資料科學的融合，還有從資料採集，到資料儲存、分析、應用、自動控制等過程的融合。隨著人工智慧落地應用的深化和進階，技能的碰撞將不斷增加，要求人工智慧人才掌握多種技能、複雜維度解決問題不再是偶然。

近年來，中國在人工智慧領域密集出臺相關政策，更在2017、2018以及2019年連續三年的政府工作報告中提到人工智慧，可以看出在世界主要大國紛紛在人工智慧領域出臺國家戰略，搶佔人工智慧時代制高點的環境下，中國把人工智慧上升到國家戰略的決心。截至2018年11月，全國已有15個省市釋出人工智慧規劃，其中12個制定了具體的產業規模發展目標。top域名認為，透過一系列政策與資金扶持，各省市不斷強化當地人工智慧的技術研發與應用，為人工智慧產業提供了廣闊發展前景。

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。大陸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。