摘要：皇德华叫兽原创编者按：这是一个比较基础性的文章，介绍的概念比较的全面。前因早在1950年代，Minsky和McCarthy领域的父亲就将人工智能描述为由程序或机器执行的任何任务，如果人类进行相同的活动，我们会说人类必须运用智力来完成人工智能...
皇德华叫兽原创
编者按：这是一个比较基础性的文章，介绍的概念比较的全面。
早在1950年代，Minsky和McCarthy领域的父亲就将人工智能描述为由程序或机器执行的任何任务，如果人类进行相同的活动，我们会说人类必须运用智力来完成人工智能。任务。
显然，这是一个相当广泛的定义，这就是为什么您有时会看到关于某物是否真的是AI的争论的原因。
人工智能系统通常会展示与人类智能相关的以下至少一些行为：计划，学习，推理，问题解决，知识表示，感知，运动和操纵，以及在较小程度上的社会智能和创造力。
如今，人工智能无处不在，通常用来推荐您下一步应该在网上购买的东西，了解您对诸如亚马逊的Alexa和苹果的Siri之类的虚拟助手所说的话 ，识别照片中的人物和内容，发现垃圾邮件或检测信用卡欺诈。
在很高的层次上，人工智能可以分为两种类型：狭窄的AI和通用AI。
狭窄的AI是当今我们在计算机中所看到的一切：已经教过或学会了如何执行特定任务而无需明确编程如何执行这些任务的智能系统。
这种类型的机器智能在Apple iPhone上的Siri虚拟助手的语音和语言识别，自动驾驶汽车的视觉识别系统，推荐引擎（根据购买的产品来推荐您喜欢的产品）中很明显以往。与人类不同，这些系统只能学习或被教导如何执行特定任务，这就是为什么它们被称为狭窄AI。
狭窄的AI有大量新兴应用：解释无人机的视频输入，对基础设施（如输油管道）进行视觉检查，组织个人和企业日历，响应简单的客户服务查询，与其他智能系统配合以实现执行任务，例如在合适的时间和位置预订酒店，帮助 放射线科医生在X射线中发现潜在的肿瘤，在线标记不适当的内容，从IoT设备收集的数据中检测电梯的磨损等等。
人工智能与众不同，它是人类发现的适应性智力的类型，是一种灵活的智力形式，能够学习如何执行截然不同的任务，从理发到构建电子表格，或推理各种各样的主题根据其积累的经验。这种AI在电影中更常见，例如2001年的HAL 或《终结者》中的 Skynet ，但如今还不存在，而且AI专家对它很快会变成现实的态度也存在分歧。
终结者图片
AI研究人员Vincent CMüller和哲学家Nick Bostrom在2012/13年度对四组专家进行的一项调查显示，到2040年至2050年，人工智能（AGI）的开发机会将达到50％，到2075年将上升到90％。该小组甚至走得更远，预测所谓的“ 超级智能 ”-被Bostrom定义为“在所有感兴趣的领域中大大超过人类的认知表现的任何智力”-预计在AGI实现后约30年。
就是说，一些AI专家认为，鉴于我们对人脑的了解有限，这样的预测是非常乐观的，并且认为AGI尚有数百年的历史。
关于AI的研究非常广泛，其中许多研究相互补充并相互补充。
机器学习是向计算机系统馈送大量数据的机器学习，然后用于学习如何执行特定任务，例如理解语音或为照片加字幕。
机器学习过程的关键是神经网络。这些是由大脑启发的，相互连接的算法层的网络，它们相互馈送数据，并且可以通过修改归因于输入数据在各层之间传递的重要性来训练它们执行特定任务。在训练这些神经网络的过程中，附加在不同输入上的权重将继续变化，直到神经网络的输出与所需的输出非常接近为止，此时网络将“学习”如何执行特定任务。
神经网路芯片
机器学习的一个子集是深度学习，其中神经网络被扩展为具有大量层的庞大网络，这些层使用大量数据进行训练。正是这些深层神经网络推动了计算机执行语音识别和计算机视觉等任务的能力的当前飞跃。
有各种类型的神经网络，各有优缺点。递归神经网络是一种神经网络，特别适合于语言处理和语音识别，而卷积神经网络则更常用于图像识别。神经网络的设计也在不断发展，研究人员最近 改进了一种更有效的深度神经网络形式，即长短期记忆或LSTM，使其能够足够快地运行以用于点播系统（例如Google Translate）。
人工智能研究的另一个领域是进化计算，它借鉴了达尔文的自然选择理论，并发现遗传算法经历了几代人之间的随机变异和组合，以试图发展出针对给定问题的最佳解决方案。
这种方法甚至被用来帮助设计AI模型，有效地利用AI来帮助构建AI。进化算法用于优化神经网络的这种使用称为神经进化，并且随着智能系统的使用变得越来越普遍，尤其是由于对数据科学家的需求经常超过供应时，在帮助设计高效AI方面可以发挥重要作用。Uber AI Labs最近展示了该技术，该实验室发布了有关使用遗传算法训练深度神经网络以解决强化学习问题的论文。
最终，有专家系统，其中用规则对计算机进行编程，使它们可以基于大量输入来做出一系列决策，从而使该计算机能够模仿特定领域中人类专家的行为。这些基于知识的系统的示例可能是，例如，自动驾驶飞机系统。
近年来，人工智能研究的最大突破是在机器学习领域，尤其是在深度学习领域。
这在某种程度上是由于数据的易用性所驱动，但更重要的是，由于近年来并行计算能力的爆炸式增长，在此期间，使用GPU集群来训练机器学习系统变得越来越普遍。
这些集群不仅为训练机器学习模型提供了功能更强大的系统，而且现在可以作为Internet上的云服务广泛使用。随着时间的流逝，主要的技术公司，例如Google和Microsoft，已经转向使用专门针对运行和最近培训机器学习模型的专用芯片。
其中一种定制芯片的示例是Google的Tensor处理单元（TPU），其最新版本加快了使用Google TensorFlow软件库构建的有用的机器学习模型可以从数据推断信息的速率，以及他们可以被训练。
这些芯片不仅用于训练DeepMind和Google Brain的模型，还用于支持Google翻译和Google Photo中的图像识别的模型，以及允许公众使用Google的TensorFlow Research Cloud构建机器学习模型的服务。。这些芯片的第二代产品已于去年5月在Google的I / O会议上亮相，其中的一系列新TPU能够训练用于翻译的Google机器学习模型，所需时间仅为前者的一半。端图形处理单元（GPU）。
今天我们先说到这里，后面我会在更新相关的内容的，持续关注哦！
希望对大家有帮助，我是皇博士，欢迎关注我！有任何疑问，欢迎评论交流。
