摘要：
...
人工智能的定义
人工智能领域苦于存在多种概念和定义，有的太过有的则不够。
作为该领域创始人之一的Nils Nilsson先生写到：“人工智能缺乏通用的定义。”
随着计算机为解决新任务挑战而升级换代并推而广之，人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。
所以，人工智能的定义随着时间而演变，这一现象称之为“人工智能效应”，概括起来就是，“人工智能，就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”
人工智能的历史
人工智能并不是一个新名词。
实际上，这个领域在20世纪50年代就已经开始启动，这段探索的历史被称为“喧嚣与渴望、挫折与失望交替出现的时代”——最近给出的一个较为恰当的评价。
20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标，从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目，这些项目表明，计算机能够完成一系列所本只属于人类能力范畴之内的任务，例如证明定理、求解微积分、通过规划来响应命令、履行物理动作，甚至是模拟心理学家、谱曲这样的活动。
但是，过分简单的算法、匮乏的难以应对不确定环境（这种情形在生活中无处不在）的理论，以及计算能力的限制，严重阻碍了我们使用人工智能来解决更加困难和多样的问题。
伴随着对缺乏继续努力的失望，人工智能于20世纪70年代中期逐渐淡出公众视野。
20世纪80年代末，几乎一半的“财富500强”都在开发或使用“专家系统”，这是一项通过对人类专家的问题求解能力进行建模，来模拟人类专家解决该领域问题的人工智能技术。
对于专家系统潜力的过高希望，彻底掩盖了它本身的局限性，包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本，当这一点被越来越多的人所认识到时，人工智能研究再一次脱离轨道。
20世纪90年代，在人工智能领域的技术成果始终处于低潮，成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注，这一方面，是因为这些技术避免了专家系统的若干限制，另一方面，是因为新算法让它们运行起来更加高效。
神经网络的设计受到了大脑结构的启发。遗传算法的机制是，首先迭代生成备选解决方案，然后剔除最差方案，最后通过引入随机变量来产生新的解决方案，从而“进化”出解决问题的最佳方案。
人工智能进步的催化剂
截止到21世纪前10年的后期，出现了一系列复兴人工智能研究进程的要素，尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。
1）摩尔定律
在价格、体积不变的条件下，计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律，它以Intel共同创办人Gordon Moore命名。
Gordon Moore从各种形式的计算中获利，包括人工智能研究人员使用的计算类型。
数年以前，先进的系统设计只能在理论上成立但无法实现，因为它所需要的计算机资源过于昂贵或者计算机无法胜任。
今天，我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子，现在最新一代微处理器的性能是1971年第一代单片机的400万倍。
2）大数据
得益于互联网、社交媒体、移动设备和廉价的传感器，这个世界产生的数据量急剧增加。
随着对这些数据的价值的不断认识，用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂，这是因为有些人工智能技术使用统计模型来进行数据的概率推算，比如图像、文本或者语音，通过把这些模型暴露在数据的海洋中，使它们得到不断优化，或者称之为“训练”——现在这样的条件随处可得。
3）互联网和云计算
和大数据现象紧密相关，互联网和云计算可以被认为是人工智能基石有两个原因。
第一，它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的，因此它可以促进人工智能的发展。
第二，它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。
比如，有些研究人员使用类似Mechanical Turk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。
4）新算法
算法是解决一个设计程序或完成任务的路径方法。
最近几年，新算法的发展极大提高了机器学习的能力，这些算法本身很重要，同时也是其他技术的推动者，比如计算机视觉（这项科技将会在后文描述）。
机器学习算法目前被开源使用，这种情形将促成更大进步，因为在开源环境下开发人员可以补足和增强彼此的工作。
认知技术
我们将区分人工智能领域和由此延伸的各项技术。
大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术，认知技术是人工智能领域的产物，它们能完成以往只有人能够完成的任务。
而它们正是商业和公共部门的领导者应该关注的。
下面我们将介绍几个最重要的认知技术。
1）计算机视觉
是指计算机从图像中识别出物体、场景和活动的能力。
计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。
比如，一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。
计算机视觉有着广泛应用。
其中包括，医疗成像分析被用来提高疾病的预测、诊断和治疗；人脸识别被Facebook用来自动识别照片里的人物；在安防及监控领域被用来指认嫌疑人；在购物方面，消费者现在可以用智能手机拍摄下产品以获得更多购买选择。
2）机器学习
指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。
其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于做预测。比如，给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库，系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多，预测就会越好。
机器学习的应用范围非常广泛，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。
机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。
3）自然语言处理
是指计算机拥有的人类般文本处理的能力。
比如，从文本中提取意义，甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。
一个自然语言处理系统并不了解人类处理文本的方式，但是它却可以用非常复杂与成熟的手段巧妙处理文本，例如自动识别一份文档中所有被提及的人与地点；识别文档的核心议题；或者在一堆仅人类可读的合同中，将各种条款与条件提取出来并制作成表。
以上这些任务通过传统的文本处理软件根本不可能完成，后者仅能针对简单的文本匹配与模式进行操作。
请思考一个老生常谈的例子，它可以体现自然语言处理面临的一个挑战。
在句子“光阴似箭（Time flies like an arrow）”中每一个单词的意义看起来都很清晰，直到系统遇到这样的句子“果蝇喜欢香蕉（Fruit flies like a banana）”，用“水果（fruit）”替代了“时间（time）”，并用“香蕉（banana）”替代“箭（arrow）”，就改变了“飞逝／飞着的（like）”与“像／喜欢（like）”这两个单词的意思。
自然语言处理，像计算机视觉技术一样，将各种有助于实现目标的多种技术进行了融合。
建立语言模型来预测语言表达的概率分布，举例来说，就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字，通过识别这些元素可以把某类文字同其他文字区别开来，比如垃圾邮件同正常邮件。
4）机器人技术
将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。
例如无人机，还有可以在车间为人类分担工作的“cobots”，还包括那些从玩具到家务助手的消费类产品。
5）语音识别技术
主要是关注自动且准确的转录人类的语音。
该技术必须面对一些与自然语言处理类似的问题，在不同口音的处理、背景噪音、区分同音异形异义词(“buy”和“by”听起来是一样的)方面存在一些困难，同时还需要具有跟上正常语速的工作速度。
语音识别系统使用一些与自然语言处理系统相同的技术，再辅以其他技术，比如描述声音和其出现在特定序列和语言中概率的声学模型等。
语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’s Pizza最近推出了一个允许用户通过语音下单的移动APP。
