早在1950年10月，英國技術幻想家艾倫·圖靈（Alan Turing）在《 MIND》雜志上發表了一篇名為“計算機與智能的計算機 ”的文章，提出了當時許多人看來像科幻小說的幻想。

圖靈相信，有可能為數字計算機創建軟件，使其能夠觀察環境并學習新事物，從下棋到理解和說人類語言。他認為機器最終可以發展出在沒有人工指導的情況下自行完成此操作的能力。他預言：“我們可能希望機器最終將在所有純知識領域與人類競爭。”

將近70年后，圖靈看似古怪的愿景已成為現實。人工智能（通常稱為AI）使機器具有從經驗中學習和執行認知任務的能力，而這些東西曾經只有人腦才具備。

人工智能正在整個文明中迅速傳播，它有希望做的一切，從使自動駕駛汽車能夠在街道上導航到做出更準確的颶風預測。在日常工作中，AI會找出在網絡上向您展示的廣告，并為那些訪問電子商務網站時會彈出的友好聊天機器人提供動力，以回答您的問題并提供客戶服務。和AI-供電的個人助理語音激活智能家居設備執行任務無數，從控制我們的電視和門鈴來回答的小問題，并幫助我們找到喜歡的歌曲。

但是我們才剛剛開始。麥肯錫全球研究所的預測顯示，隨著AI技術變得越來越復雜和強大，它將有望極大地促進世界經濟的發展，到2030年將創造約13萬億美元的額外活動。

SAS是一家全球軟件和服務公司，致力于將數據轉化為客戶的智能，該公司的分析平臺策略師Sarah Gates說：“ AI仍處于早期采用階段，但采用速度正在加快，并且已在所有行業中使用。”

也許更令人驚訝的是，我們的生活正在悄悄地被我們中許多人幾乎不了解的技術所改變（如果有的話），這種技術是如此的復雜以至于科學家們甚至都難以理解。

賓州州立大學人工智能研究實驗室的教授兼主任Vasant Honavar解釋說：“ AI是一門執行任務的技術家族，如果被人類執行則需要智能。” “我說‘思想’，是因為沒有人真的很確定什么是情報。”

霍納瓦爾描述了智力的兩個主要類別。有窄的情報，這是在一個狹義定義域實現的能力，如在放射學分析從X射線和MRI掃描的圖像。相反，一般情報是一種類似于人的能力，可以學習任何事物并進行討論。霍納瓦爾解釋說：“一臺機器可能擅長放射學的某些診斷，但是如果你問它有關棒球的知識，那將毫無用處。” 在這一點上，人類的智力多功能性仍然超出了AI的范圍。

霍納瓦爾認為，人工智能有兩個關鍵要素。其中之一是工程部分-即構建以某種方式利用智能的工具。另一個是智能科學，或者更確切地說，就是如何使機器產生的結果與人腦所能達到的結果相當，即使機器是通過非常不同的過程實現的。用一個比喻來說，“鳥兒飛，飛機飛，但是它們以完全不同的方式飛”，霍納瓦爾。“盡管如此，它們都利用了空氣動力學和物理學。同樣，人工智能也基于這樣的觀念，即關于智能系統的行為存在一般性原則。”

AI是“基本上我們試圖理解和模仿的方式的結果是大腦工作方式和這給大腦般的功能，否則自治系統（例如，應用無人機，機器人和代理），” 庫爾特卡格爾，作家咨詢公司Semantical的創始人，數據科學家和未來主義者在一封電子郵件中寫道。他還是每日信息技術通訊The Cagle Report的編輯。

盡管人類并沒有真正像計算機那樣思考，而是利用電路，半導體和磁性介質而不是生物細胞來存儲信息，但還有一些有趣的相似之處。“我們開始發現的一件事是，當您開始談論數十億個節點時，圖網絡真的很有趣，而大腦本質上是一個圖網絡，盡管您可以通過改變神經元的阻力來控制過程的強度在電容性火花點火之前，” Cagle解釋道。“單個神經元本身只能為您提供非常有限的信息，但是會同時發射足夠多強度不同的神經元，最終您會得到一種僅響應某些種類的刺激而被激發的模式，數字信號處理 ］，我們稱之為視網膜和耳蝸。”

霍納瓦爾說：“人工智能的大多數應用都在擁有大量數據的領域中。” 再次使用放射學示例，人類放射科醫生已經評估了大型X射線和MRI掃描數據庫，這使得訓練機器來模擬這種活動成為可能。

AI通過將大量數據與智能算法（一系列指令）相結合來工作，這使該軟件可以從數據的模式和特征中學習，正如這本SAS人工智能入門書所解釋的那樣。

如SAS入門所述，在模擬大腦工作方式時，人工智能利用了許多不同的子域。

機器學習可自動進行分析模型構建，以發現數據中隱藏的見解，而無需進行編程以尋找特定的事物或得出一定的結論。

神經網絡模仿大腦中相互連接的神經元的陣列，并在各個單元之間中繼信息，以找到連接并從數據中獲取含義。

深度學習利用非常大的神經網絡和大量計算能力來查找數據中的復雜模式，以用于圖像和語音識別等應用。

正如SAS所說，認知計算是關于創建“自然的，類似于人的交互”，包括使用解釋語音并對之做出響應的能力。

計算機視覺通過模式識別和深度學習來理解圖片和視頻的內容，并使機器能夠使用實時圖像來了解周圍的事物。

自然語言處理包括分析和理解人類語言并做出響應。

人工智能的概念可以追溯到1940年代，1956年在達特茅斯學院的一次會議上引入了 “人工智能”一詞。在接下來的二十年中，研究人員開發了玩游戲，進行簡單模式識別和機器學習的程序。康奈爾大學的科學家弗蘭克·羅森布拉特（Frank Rosenblatt）開發了Perceptron，這是第一個人工神經網絡，它運行在裝有重卡的5噸（4.5公噸），房間大小的IBM計算機上。

但據Honavar稱，直到1980年代中期，第二波更復雜的多層神經網絡才被開發出來以解決更高級別的任務。在1990年代初，另一項突破使AI能夠推廣到培訓經驗之外的領域。

在1990年代和2000年代，其他技術創新（網絡和功能日益強大的計算機）幫助加速了AI的發展。Honavar說：“隨著網絡的出現，大量數據以數字形式變得可用。” “ 基因組測序和其他項目開始生成大量數據，并且計算機技術的進步使存儲和訪問這些數據成為可能。我們可以訓練機器完成更復雜的任務。您不可能擁有30年的深度學習模型以前，因為您沒有數據和計算能力。”

人工智能與機器人

AI與機器人技術不同，但與之有關，在機器人中，機器可以自己或在人的指導下感知環境，執行計算并執行物理任務，從工廠工作，烹飪到降落在其他星球上。霍納瓦爾說，這兩個領域在許多方面相交。

霍納瓦爾說：“您可以想象沒有很多智能的機器人技術，如自動化織機那樣的純機械設備。” “有一些機器人不是很聰明的例子。” 相反，在機器人技術中，智能是不可或缺的部分，例如在充滿人類驅動的汽車和行人的街道上引導自動駕駛汽車。

霍納瓦爾說：“要實現通用情報，一定程度上需要機器人技術，這是一個合理的論據，因為與世界的互動在某種程度上是情報的重要組成部分。” “要理解扔球意味著什么，您必須能夠扔球。”

靜悄悄地AI變得無處不在，以至于在許多消費產品中都已發現。

Cagle說：“盡管屬于非常專業的AI，但許多屬于物聯網（IoT）空間的設備都可以使用某種自我強化的AI。” “巡航控制是一種早期的AI，它在工作時比大多數人意識到的要復雜得多。降噪耳機。任何具有語音識別功能的東西，例如大多數現代電視遙控器。社交媒體過濾器。垃圾郵件過濾器。如果您擴展AI涵蓋機器學習，這還包括拼寫檢查器，文本推薦系統，幾乎任何推薦系統，洗衣機和烘干機，微波爐，洗碗機，實際上是2017年之后生產的大多數家用電子產品，揚聲器，電視，防抱死制動系統，任何電子設備車輛，現代CCTV攝像機。大多數游戲在許多不同級別使用AI網絡。

霍納瓦爾說，在“狹窄的領域”中，人工智能已經可以勝過人類，就像“飛機可以飛更長的距離，載人多于鳥”一樣。例如，人工智能能夠處理數百萬種社交媒體網絡互動，并獲得影響用戶行為的見解-人工智能專家擔心的這種能力可能不會帶來“很好的后果”。
責任編輯：tzh