什么是人工智能？
虽然在过去数十年中，人工智能 (AI) 的一些定义不断出现，但 John McCarthy 在 2004 年的论文 中给出了以下定义：“这是制造智能机器，特别是智能计算机程序的科学和工程。 它与使用计算机了解人类智能的类似任务有关，但 AI 不必局限于生物可观察的方法”。
然而，在这个定义出现之前数十年，人工智能对话的诞生要追溯到艾伦·图灵 (Alan Turing) 于 1950 年发表的开创性工作：“
计算机械和智能
” (PDF，89.8 KB)（链接位于 IBM 外部）。 在这篇论文中，通常被誉为“计算机科学之父”的图灵提出了以下问题：“机器能思考吗？”由此出发，他提出了著名的“图灵测试”，由人类审查员尝试区分计算机和人类的文本响应。 虽然该测试自发表之后经过了大量的审查，但它仍然是 AI 历史的重要组成部分，也是一种在哲学中不断发展的概念，因为它利用了有关语言学的想法。
Stuart Russell 和 Peter Norvig 随后发表了“
人工智能：现代方法
”（链接位于 IBM 外部），成为 AI 研究的主要教科书之一。 在该书中，他们探讨了 AI 的四个潜在目标或定义，按照理性以及思维与行动将 AI 与计算机系统区分开来：
人类方法：
像人类一样思考的系统
像人类一样行动的系统
理想方法：
理性思考的系统
理性行动的系统
艾伦·图灵的定义可归入“像人类一样行动的系统”类别。
以最简单的形式而言，人工智能是结合了计算机科学和强大数据集的领域，能够实现问题解决。 它还包括机器学习和深度学习等子领域，这些子领域经常与人工智能一起提及。 这些学科由 AI 算法组成，这些算法旨在创建基于输入数据进行预测或分类的专家系统。
目前，仍有许多围绕 AI 发展的炒作，市场上任何新技术的出现都会引发热议。 正如
Gartner 的炒作周期
（链接位于 IBM 外部）中所指出的，包括自动驾驶汽车和个人助理在内的产品创新遵循：“创新的典型发展进程，从超高热情到幻想破灭期，最终了解创新在市场或领域中的相关性和作用”。正如 Lex Fridman 在其 2019 年的
MIT 讲座
（链接位于 IBM 外部）中所指出的那样，我们正处于泡沫式期望的颠峰，逐渐接近幻灭槽。
随着对话围绕 AI 的伦理道德展开，我们可以开始看到幻灭槽初见端倪。 要了解有关 IBM 在
AI 伦理道德
对话中的立场的更多信息，请
在此
阅读详细内容。
人工智能的类型 - 弱 AI 与强 AI
弱 AI 也称为狭义的 AI 或人工狭义智能 (ANI)，是经过训练的 AI，专注于执行特定任务。 弱 AI 推动了目前我们周围的大部分 AI。“范围窄”可能是此类 AI 更准确的描述符，因为它其实并不弱，支持一些非常强大的应用，如 Apple 的 Siri、Amazon 的 Alexa 以及 IBM Watson 和自主车辆。
强 AI 由人工常规智能 (AGI) 和人工超级智能 (ASI) 组成。 人工常规智能 (AGI) 是 AI 的一种理论形式，机器拥有与人类等同的智能；它具有自我意识，能够解决问题、学习和规划未来。 人工超级智能 (ASI) 也称为超级智能，将超越人类大脑的智力和能力。 虽然强 AI 仍完全处于理论阶段，还没有实际应用的例子，但这并不意味着 AI 研究人员不在探索它的发展。 ASI 的最佳例子可能来自科幻小说，如 HAL、超人以及《
2001 太空漫游
》电影中的无赖电脑助手。
深度学习与机器学习
由于深度学习和机器学习这两个术语往往可互换使用，因此必须注两者之间的细微差别。 如上所述，深度学习和机器学习都是人工智能的子领域，深度学习实际上是机器学习的一个子领域。
深度学习和机器学习的不同之处在于每个算法如何学习。 深度学习可以自动执行过程中的大部分特征提取，消除某些必需的人工干预，并能够使用更大的数据集。 可将深度学习视为“可扩展的机器学习”，正如 Lex Fridman 在同一 MIT 讲座中所指出的那样。 常规的机器学习，或叫做"非深度"机器学习，更依赖于人工干预进行学习。 人类专家确定特征的层次结构，以了解数据输入之间的差异，通常需要更多结构化数据以用于学习。
"深度"机器学习则可以利用标签化的数据集，也称为监督式学习，以确定算法，但不一定必须使用标签化的数据集。 它可以原始格式（例如文本、图像）采集非结构化数据，并且可以自动确定区分不同类别数据的特征的层次结构。 与机器学习不同，它不需要人工干预数据的处理，使我们能够以更有趣的方式扩展机器学习。
人工智能应用
目前，AI 系统存在大量的现实应用。 下面是一些最常见的示例：
语音识别：
也称为自动语音识别 (ASR)、计算机语音识别或语音到文本，能够使用自然语言处理 (NLP)，将人类语音处理为书面格式。许多移动设备将语音识别结合到系统中以进行语音搜索，例如： Siri，或提供有关文本的更多辅助功能。
客户服务：
在线聊天机器人正逐步取代客户互动中的人工客服。 他们回答各种主题的常见问题 (FAQ) ，例如送货，或为用户提供个性化建议，交叉销售产品，提供用户尺寸建议，改变了我们对网站和社交媒体中客户互动的看法。 示例包括具有虚拟客服的电子商务站点上的聊天机器人、消息传递应用（例如 Slack 和 Facebook Messenger）以及虚拟助理和语音助手通常执行的任务。
计算机视觉：
该 AI 技术使计算机和系统能够从数字图像、视频和其他可视输入中获取有意义的信息，并基于这些输入采取行动。 这种提供建议的能力将其与图像识别任务区分开来。 计算机视觉由卷积神经网络提供支持，应用在社交媒体的照片标记、医疗保健中的放射成像以及汽车工业中的自动驾驶汽车等领域。
推荐引擎：
AI 算法使用过去的消费行为数据，帮助发现可用于制定更有效的交叉销售策略的数据趋势。 这用于在在线零售商的结帐流程中向客户提供相关的附加建议。
自动股票交易：
旨在用于优化股票投资组合，AI 驱动的高频交易平台每天可产生成千上万个甚至数以百万计的交易，无需人工干预。
人工智能的发展历史： 大事记
“一台会思考的机器”这一构想最早可以追溯到古希腊时期。 而自从电子计算技术问世以来（相对于本文中讨论的某些主题而言），人工智能进化过程中的重要事件和里程碑包括以下内容：
1950：
艾伦·图灵发表了论文“
计算机械和智能
”。图灵因为在二战期间破译纳粹德国的 ENIGMA 码而闻名于世。在这篇论文中，他提出了问题“机器是否可以思考？”并进行回答，推出了图灵测试，用于确定计算机是否能证明具有与人类相同的智能（或相同智能的结果）。 自此之后，人们就图灵测试的价值一直争论不休。
1956：
John McCarthy 在达特茅斯学院举办的首届 AI 会议上创造了“人工智能”一词。（McCarthy 继续发明了 Lisp 语言。）同年晚些时候，Allen Newell、J.C.Shaw 和 Herbert Simon 创建了 Logic Theorist，这是有史以来第一个运行的 AI 软件程序。
1967：
Frank Rosenblatt 构建了 Mark 1 Perceptron，这是第一台基于神经网络的计算机，它可以通过试错法不断学习。 就在一年后，Marvin Minsky 和 Seymour Papert 出版了一本名为《
感知器
》的书，这本书既成为神经网络领域的标志性作品，同时至少在一段时间内，成为反对未来神经网络研究项目的论据。
1980 年代：
使用反向传播算法训练自己的神经网络在 AI 应用中广泛使用。
1997：
IBM 的深蓝计算机在国际象棋比赛（和复赛）中击败国际象棋世界冠军 Garry Kasparov。
2011：
IBM Watson 在《
危险边缘！
》节目中战胜冠军 Ken Jennings 和 Brad Rutter。
2015：
百度的 Minwa 超级计算机使用一种称为卷积神经网络的特殊深度神经网络来识别图像并进行分类，其准确率高于一般的人类。
2016：
由深度神经网络支持的 DeepMind 的 AlphaGo 程序在五轮比赛中击败了围棋世界冠军 Lee Sodol。 考虑到随着游戏的进行，可能的走法非常之多，这一胜利具有重要意义（仅走了四步之后走法就超过 14.5 万亿种！）。 后来，谷歌以四亿美元的报价收购了 DeepMind。
人工智能和 IBM Cloud
在为企业
推进 AI 驱动技术
方面，IBM 一直是领导者，它已率先为多种行业开创了
机器学习系统的未来
。 立足于数十年的 AI 研究成果、多年来与各种规模企业合作积累的经验，以及从 30000 多次 IBM Watson 参与中汲取的知识，IBM
为成功部署人工智能搭建了 AI 之梯
：
收集：
简化数据收集和可访问性。
整理
：
创建面向业务的分析基础。
分析
：
构建可扩展而且值得信赖的 AI 驱动的系统。
融入：
在整个业务框架中集成和优化系统。
现代化：
将 AI 应用和系统引入云。
IBM Watson
为企业提供彻底改造业务系统和工作流程所需的 AI 工具，同时显著提高自动化水平和效率。 有关 IBM 如何帮助您完成 AI 之旅的更多信息，请浏览 IBM 产品服务组合：
托管服务和解决方案
注册 IBMid 并
创建 IBM Cloud 帐户
。
