什么是人工智能

人工智能 又被称为机器智能，是一种综合计算机科学、统计学、语言学等多种学科，使机器 模仿、展现 人类智能的技术。

说到人工智能我们不得不提到图灵测试，那么什么是图灵测试呢？
计算机科学家艾伦·图灵在 1950 年发表了一篇论文，文中提出了一项思想实验：我们委托一名人类测试员，使用测试对象能够理解的语言，分别和身处密室中的一台机器、一名人类自由地进行对话。假如经过若干轮对话后，测试员依然无法分辨出谁是机器、谁是人类，则说明该机器通过测试，是具有智能的。

人工智能的应用也可分为四大主要组成部分：

计算机视觉：辨识图像的形状、颜色、含义；
自然语言处理：理解人类的自然语言，识别对话意图、归纳文章主题，并能够以自然语言进行应答；
推理与规划：能根据已有的知识，遵循逻辑推理出解决问题的方法；
仿真机器人：能运动，包括操作工具、跑动、避开障碍物等等。

例如在生活中我们常见的图书馆或者小区的门禁(用人脸解锁的那种)就体现了计算机视觉方面的智能，还有手机的语音助手，小爱，小艺，小度，siri等他们则体现了自然语言处理方面的智能。

实现人工智能的方法

人工智能的实现方法主要有三种：

逻辑编程
机器学习
深度学习

逻辑编程

其核心思想就是通过事实和规则，自动分析其中的逻辑关系，最终得出结论。

我们可以举一个例子：
以下有三条事实和规则：

小明是人类，小红也是人类。
一名人类能对另一名人类产生好感，小明对小红有好感，小红也对小明有好感。
如果两人互相之间有好感，则他们之间的关系是朋友关系。

由此可以得出结论：小明与小红之间是朋友关系。

这一套逻辑在 Prolog 编程语言中，可以这样表达：

human(xiaoming). # 小明是人类
human(xiaohong).  # 小红是人类
like(xiaoming, xiaohong). # 小明对小红有好感
like(xiaohong, xiaoming). # 小红对小明有好感

# 对于朋友关系的定义：
# 当 X、Y 都是人类，并且 X 对 Y 有好感、Y 对 X 也有好感，
# 则 X 和 Y 之间是朋友关系
friend(X, Y) :- human(X), human(Y), like(X, Y), like(Y, X).

# 小明和小红之间是朋友关系吗？
?- friend(xiaoming, xiaohong).
# 输出：true.

Prolog 是一种逻辑编程语言，专门用来解决逻辑问题。（并非重点，自行了解）

上个世纪逻辑编程大放异彩。众多计算机科学家采用这一思路编写“人工智能”程序解决复杂代数应用题、证明几何定理，开发出了世界上第一款聊天机器人——ELIZA。

实际上，ELIZA 的底层逻辑十分简单。
它由若干条规则构成，当检测到患者的输入中含有模糊的定义时，会引导他举一个具体的例子（think of a specific example）；当检测到患者表达了伤心、难过的情绪时，会及时地反馈“I am sorry to hear that …”；此外的大多数时候，ELIZA 只是单纯地变换主语，然后复述患者的话。

逻辑编程实现人工智能的缺点：
在一些边界模糊、无法用简明逻辑描述的任务面前（例如图像识别，自然语言处理等方面）逻辑编程显得力不从心。这归根结底是因为逻辑编程方法的核心思路，是表示知识（事实）和规则，此时计算机的智能完全依赖于人类的智能，也就是编写程序的我们。

那么如何改进呢：
让机器自己学会思考，学会根据已有的经验应对不确定的未来。

在经历了长达数十年的摸索后，计算机科学家们终于找到了人工智能的突破口。现代化的人工智能技术，发扬了机器计算能力强、擅长处理大量数据的特点，让机器在海量数据中学习解决问题的方法。

这便是使人工智能真正具备应用可能的划时代技术——机器学习。

机器学习

机器学习的核心目标，是教会计算机学习知识的方法。而这个“方法”，就是机器学习算法。

就像我们在学习写作时，会先学习简单词句，再进行写作的练习，并且会参加大大小小的考试，检测学习成果。机器在学习时也是一样：

它需要从简单的例子开始学起，这些例子被称为 训练集；
训练到满意效果后，要完成测试题，检测成果，这些习题被称为测试集；
机器学习的过程，就是遵循算法，生成一套属于自己的解题思路的过程；
生成的“解题思路”，就是模型。

机器学习的核心在于学习，也就是生成模型的过程。在传统机器学习算法中，我们需要人工地从数据中提取特征，再让机器学习这些特征之间的个性与共性。整体的流程是这样的：

那什么是特征呢？
特征，是能够表示某类知识的最小单位。文本类信息有文本的特征，语音类信息有语音的特征，图像信息有图像的特征。
以文本类信息为例。一篇文章由若干句子构成，每个句子里，若干词语按顺序排列好。同样的词语，因为出现位置的不同，代表的含义可能完全不同。词语出现的次数，又极有可能反映出一句话或一段话的主旨与情感。所以文本的特征，是词语出现的次数与位置。

机器学习实现人工智能的缺点：
①想要准确描述图像的特征依然太难，这就造成了图像识别的正确率并不是很高。
②机器在应对不同任务时，所需要的方法也是有差异的。这就与科学家所追寻的大道至简的思想背道而驰。

经过广泛研究，科学家们在机器学习基础上提出了一套更简练、更触达“智能”本质的技术——深度学习。

深度学习

深度学习是一种 端到端 的机器学习方法，运用类似人脑神经元的 神经网络结构，赋予机器思考的能力。
人们不再需要人工地提取数据的特征，只需要把这些数据原封不动地喂给神经网络，机器就能在不断探索的过程中，自动地提取数据中的特征，完成模型的训练。
著名计算机研究学者李开复曾经举过这样一个形象的例子：假设深度学习要处理的数据是信息的“水流”。神经网络就像是一张巨大的水管网络，网络由若干层构成，每层都有许多能够控制水流流向与流量的 调节阀。根据不同任务的需要，水管网络的层数、每层的调节阀数，可以有不同组合。
就像：

这张巨大网络的入口，是等待处理的数据；出口则是若干个牌子，每个牌子对应着一个识别结果。神经网络的目的是让每个输入都匹配到正确的结果。
比如在人脸识别任务中，训练集由若干名人类的面部照片构成，每个人可能有许多张不同光线、角度、姿势的照片。因此水管网络的入口是抹去姓名的照片，出口是这些人的姓名。机器的任务，就是调节阀门，让照片与人名对应起来。
例如我们将人物A对应的照片喂给水管网络，图片被解析成字节构成的水流，在水管网络中流淌。等水流流过整个水管网络，机器会跑到出口位置观察：是不是人物A这个出口的牌子流出的水多。