2016年3月， Alpha Go與李世石的一盤棋將人工智能帶入了普通人的眼前，一時間人工智能大熱，各個領域都在大談人工智能。人工智能已經著實走進了我們的工作與生活中。雖然人工智能已洶涌而來，但是光知道人工智能這個名詞還遠遠不夠。你真的懂人工智能嗎？人工智能是什么？人工智能在未來會為我們的生活帶來怎樣的改變？我們怎樣擁抱人工智能？
了解這個時代，才能擁抱這個時代。雖然半個腳邁進了智能機器人的領域，但我對人工智能的了解也只是來自于ALpha Go的媒體報道而已，直到最近讀了李開復老師的《人工智能：李開復談AI如何重塑個人、商業(yè)與社會的未來圖譜》，書中關于人工智能的介紹與展望，著實令人眼前一亮，解決了我關于人工智能的很多困惑，這絕對是一本很棒的關于人工智能的科普書籍，值得對人工智能感興趣的小白一讀，現用六千多字長文總結分享如下，希望能夠同樣解決你關于人工智能的困惑
一、人工智能是什么？
1、目前存在的人工智能
其實人工智能并不是什么觸不可及的東西，包括蘋果Siri、 百度度秘、 微軟小冰等智能助理和智能聊天類應用以及美圖秀秀的自動美化功能，都屬于人工智能。甚至一些簡單的，套路固定的資訊類新聞，也是由人工智能來完成的。
當然，現在的主流搜索引擎以及翻譯技術也都在嘗試利用人工智能來為廣大網友提供更為精準的搜索服務。
至于以實物存在的人工智能，當屬現在物流倉庫的小黃機器人了。他們正代替人類完成繁重的商品擺放、 整理， 快速出庫、 入庫等操作。
但是需要注意的是，現在的人工智能，并沒有發(fā)展到像《鋼鐵俠》里的管家一樣的高智能化程度，今天的家庭機器人還遠無法像大家奢望的那樣， 以人形外貌出現在主人面前。 反倒越是追求與人長得一樣， 試圖像人一樣說話、 做事的機器人項目， 就越沒有商業(yè)前景。 這個道理很簡單——機器人越像人， 人類就越容易拿真人與“它”做比較。 這時， 技術的不足會暴露無遺， 在“缺點放大鏡”的作用下， 這種機器人只會顯得無比愚蠢和笨拙。
真正容易打動家庭用戶的是諸如亞馬遜Echo這樣的智能家電——功能相對簡單， 外形更像家電而不是機器人， 智能功能只面向一兩個有限但明確的使用場景。 也就是說， 大多數用戶會更喜歡一個有一定溝通能力、 比較可愛甚至很“萌”的小家電， 而不是一個處處缺陷的全功能人形機器人。
2、人工智能的三個級別
1）弱人工智能
也稱限制領域人工智能（Narrow AI） 或應用型人工智能（Applied AI） ， 指的是專注于且只能解決特定領域問題的人工智能。 毫無疑問， 今天我們看到的所有人工智能算法和應用都屬于弱人工智能的范疇。Alpha Go其實也是一個弱人工智能。人們更愿意將弱人工智能看成是人類的工具， 而不會將弱人工智能視為威脅。
2）強人工智能
強人工智能又稱通用人工智能或完全人工智能， 指的是可以勝任人類所有工作的人工智能。一般認為， 一個可以稱得上強人工智能的程序， 大概需要具備以下幾方面的能力：
存在不確定因素時進行推理， 使用策略， 解決問題， 制定決策的能 力；
知識表示的能力， 包括常識性知識的表示能力；
規(guī)劃能力；
學習能力；
使用自然語言進行交流溝通的能力；
將上述能力整合起來實現既定目標的能力。
3）超人工智能
假設計算機程序通過不斷發(fā)展， 可以比世界上最聰明、 最有天賦的人類還聰明， 那么由此產生的人工智能系統就可以被稱為超人工智能。超人工智能的定義最為模糊， 因為沒人知道， 超越人類最高水平的智慧到底會表現為何種能力。 如果說對于強人工智能， 我們還存在從技術角度進行探討的可能性的話， 那么， 對于超人工智能， 今天的人類大多就只能從哲學或科幻的角度加以解析了。
當然，如果人工智能發(fā)展到這種程度，確實有必要擔心來自于人工智能的威脅。但是，我們今天還沒有到必須分配精力去為可能的機器威脅做準備的地步。即便以今天的標準看來，弱人工智能的發(fā)展還有很長的一段路要走，科研人員、技術人員、各行業(yè)的從業(yè)者、、教育機構、社會組織等，還有大量的工作需要做。至少在目前，人類離超人工智能的威脅還相當遙遠。
二、人工智能的主要技術：深度學習+大數據
近年來人工智能包括語音識別和機器視覺取得了巨大突破的主要原因就是：深度學習
1、什么是深度學習
其實計算機深度學習的方式與小孩認字的過程相似。一個小孩要想認識一個字，必然要反復看這個字的多個寫法，直到形成一個整體的印象，看的多了，下次見到這個字自然就認識了。
要教計算機認字， 差不多也是同樣的道理。 計算機也要先把每一個字的圖案反復看很多很多遍， 然后， 在計算機的大腦（ 處理器加上存儲器） 里， 總結出一個規(guī)律來， 以后計算機再看到類似的圖案， 只要符合之前總結的規(guī)律， 計算機就能知道這圖案到底是什么字。
用專業(yè)的術語來說， 計算機用來學習的、 反復看的圖片叫“訓練數據集”；“訓練數據集”中， 一類數據區(qū)別于另一類數據的不同方面的屬性或特質， 叫作“特征”； 計算機在“大腦”中總結規(guī)律的過程， 叫“建模”； 計算機在“大腦”中總結出的規(guī)律， 就是我們常說的“模型”； 而計算機通過反復看圖， 總結出規(guī)律， 然后學會認字的過程， 就叫“機器學習”。
那計算機是怎么總結出規(guī)律來的呢？
依舊拿認字來說，傳統的機器學習會通過算法告訴計算機識別不同字的規(guī)律，比如：只需要認識一，二，三時，只需要告訴機器一筆是一，二筆是二，三筆是三。
這樣做的很大一個缺點就是：如果增加字的種類，就不湊效了。比如增加一個“土”字，機器就沒有辦法區(qū)別“三”和“土”。這樣勢必要引入其他判定條件。
自然界的很多事物是可以劃分為無限的，即使科學家想了很多映射函數，但是這種有限的規(guī)律本質上就很難適應無限的自然。那怎么解決呢？
深度學習出場了！
簡單地說， 深度學習就是把計算機要學習的東西看成一大堆數據， 把這些數據丟進一個復雜的、 包含多個層級的數據處理網絡（ 深度神經網絡） ， 然后檢查經過這個網絡處理得到的結果數據是不是符合要求——如果符合， 就保留這個網絡作為目標模型， 如果不符合， 就一次次地、 鍥而不舍地調整網絡的參數設置， 直到輸出滿足要求為止。
這就好比輸入一股水流，計算機只要調節(jié)中間層層閥門，如果可以在預期的管道出口看到水流，那么就說明這個管道符合要求。而我們要做的，只是告訴計算機輸入和預期的結果，讓他自己找規(guī)律。當然，新的輸入進入時，我們也要保證已經調節(jié)好的管道不變化。
也就是說，深度學習算法是有計算機自己湊出來的模型。這樣反倒更加實用。更能夠從本質上解決問題。
2、深度學習的兩個前提條件——強大的運算能力和高質量的大數據
當然，搭建好的“管道”只有通過各種類型“水流”的檢驗，才能變得越來越接近真實的世界，值得一提的是，大數據正是為這些“管道”提供了源源不斷的“水流”。
深度學習、大規(guī)模計算、大數據都是在2010年前后逐漸步入成熟的它們三位一體，神兵出世，一下子就可以摧城拔寨、無堅不摧。
當然，在大數據發(fā)揮作用的同時，人工智能研發(fā)者也一定不要忘了，大數據的應用必然帶來個人隱私保護方面的挑戰(zhàn)。為了給你推送精準的廣告信息，就要收集你的購買習慣、個人喜好等數據，這些數據中往往包含了許多個人隱私；為了獲得以人類基因為基礎的醫(yī)療大數據來改進疾病的診療，就要通過某種渠道收集盡可能多的人類基因樣本，而這些數據一旦保管不善，就可能為提供基因樣本的個人帶來巨大風險；為了建立智能城市，就要監(jiān)控和收集每個人、每輛車的出行信息，而這些信息一旦被壞人掌握，往往就會成為案犯最好的情報來源……
?