大白话解释：到底什么是人工智能(AI)，小学生都能看懂

眼眸里的那抹悲凉 11-06 11

默认

摘要： 现在人工智能（AI)一词满天飞，上到国家和地方ZF的科技创新扶持政策，下到大小公司的各种智能XX...

现在人工智能（AI)一词满天飞，上到国家和地方ZF的科技创新扶持政策，下到大小公司的各种智能XXX、智慧XXX产品或解决方案，似乎不加上人工智能，就显得没有技术含量、不够高端。反正人工智能一词有点泛滥成灾的意思了，前几天还看到一家“AI烧烤店”，也没搞懂智能在哪里。

一提到“人工智能”（AI),对于普通人来说，脑海里可能首先浮现的就是高科技、脑袋里装有芯片的机器人，以及科幻电影里机器人的各种超能力，把人类踏在脚底下磨擦的场景。对于普通IT人员来说，可能想到就是各种数学算法、模型、高数公式等等，总而言之，很复杂。

既然是大白话解释，这里我准备尽可能绕开一些专业术语，尝试从普通人的角度来解释清楚以下3个问题。可能表述上没有那么严谨，但普通人看了能理解个七七八八，文章目的就达到了。

一、人工智能到底是啥意思，想要达到什么目的？

人工智能，其实是英文“Artificial Intelligence”（AI就是它的缩写，显然它来自于老外）的中文翻译，意思就是“一种人造的智能”，所以个人觉得把它翻译成“人造智能”或许更合适，更容易理解。那么什么又是人造智能呢？其实这里的人造一词就跟人造皮革、人造卫星的人造是一个意思，指的是由人生产出来的，而不是自然形成的，唯一不同的是，这里生产出来的产品不是皮革和卫星，是人的聪明才智（可以简单理解成人的大脑）而已。就像宅男们的最爱——c气娃娃，也可以说它是人造女盆友！

搞明白人工智能一词的含义后，接下来理解其目的就简单多了。人工智能的目的就是，科学家们希望通过人造的方式，生产一种智能出来，来代替我们完成一些需要人类用脑才能完成的工作，或者人类肉身不太好去完成的工作。比如机器人客服，就是希望通过机器人来取代客服人员，降低企业的客服成本，因为大部份的客服问题都是常见的几类问题，只是目前的技术还不够先进，很多时候还需要人工客服。

二、人工智能是怎么实现的？

人工智能自诞生以来，科学家们想了很多种办法试图去实现它，最有影响力的就是“专家系统”方案和当前在用的“机器学习”方案（注意：深度学习是机器学习的一种）。不要被这两个专业名词吓到，其实很简单，很容易理解，听我慢慢道来。

专家系统方案

是科学家们早期想出来的一个实现人工智能的办法（其实我们普通人也能想到这个办法）。这个办法的思路很简单，既然想让机器具备智能，能够代替人处理某一方面的思考和决策问题（比如打桌球），那我们就找一堆桌球高手（即专家，比如奥沙利文、丁俊辉以及最近的颜丙涛），把他们每个人的打法、某种球型下的解法都集中在一起，写成一个牛逼的计算机程序，这个计算机程序列举了所有高手在不同球型下的解法和打法，一但桌面上出现某种球型，通过这个程序，机器就知道接下来怎么打，这就是所谓的专家系统。
很明显，专家系统就是一个写死逻辑步骤和可能性的软件而已，还算不上严格意义上的智能，有比较大的局陷。还以打桌球为例，专家系统不可能穷举所有球型和打法，一旦遇到程序中没有的球型，就不知道该怎么打了。而且打法技术在进步，专家系统程序一旦写成就定型了，对新技术打法没有学习能力。这也是普通计算机软件程序也不能认为是人工智能的原因，因为它不智能，只是程序员已定死的几种逻辑而已。

既然专家系统没有学习能力，科学家们又在想，能不能搞一个具备学习能力的方法出来，就像小孩子一样，刚生下来啥也不懂，让他读几十年的书，最后变成一个聪明的小孩？这个方法就“机器学习”，一种让机器能够具备学习能力的一种方法。

怎么才能够做到呢？

我们以在APP上买东西时候的智能推介（APP自动给你推荐商品）为例，APP怎么知道哪些才是你可能喜欢的商品呢？方法思路很简单，我们先给他整一个数学公式，这个数学公式有很多参与计算的因素（比如性别、年龄、颜色喜好、职业、收入等等，反正很多种），然后每个计算因素固定一个对结果的影响权重（这个权重就像小孩竞选班干部，其他小朋友投1票就算1票，但老师投1票要算10票），最后确定出这样一个计算公式：“0.1*性别+0.2*年龄+0.3*颜色喜好+0.4*职业+0.5*收入”，然后根据每个人的情况计算出一个结果来，根据结果的不同数值范围，我们给他推荐不同的商品。看到这里，可能有的网友会问了，没看出来哪里体现了“学习”能力呀？莫慌，上面的公式中，还有一个问题没有解决，那就是那些权重系数0.1、0.2、0.3是怎么来的？你凭什么说性别的权重就是0.1？显然不能拍脑袋，这个权重就是要通过大量的现有案例数据让机器自动学习出来的，这也是为什么互联网公司APP要偷窥我们隐私数据的原因。也许通过大量案例数据的学习后发现，性别的权重不应该是0.1,可能0.52更合适，那么就0.52了。而且随着案例数据越积越多，这个权重可能更准确，最后变成了0.523421之类的。