ZAO换脸大热的同时也让人们对人工智能产生了恐慌。让我们把记忆拉回，还记得2016年alpha GO 大战李世石获胜的场景吗？那时的你是否对人工智能充满着未知的好奇或者是恐慌呢？前期分享了一篇关于大数据的学习笔记，这次我们来谈谈人工智能。

人类的恐慌源自对未知事物的无知，当你了解人工智能，或许你会焦虑，但完全不必恐慌。最近看了李开复博士的《人工智能》以及相关书籍，现在将学习笔记整理成文章分享如下。本文主要从人工智能几个主流定义中简述其发展过程。

从定义了解人工智能发展史

定义一：像人类一样思考的计算机便是人工智能

线索：下棋与人工智能

计算机最开始发展的时候是为了进行大量运算，提高运算速度。当计算机能和人类进行游戏博弈时，人们便认为它是人工智能。

跳棋---人工智能在人们心中的萌芽

计算机发展早期，人们心中认为会下棋的计算机便代表着人工智能。20世界60年代，IBM团队研发了西洋跳棋程序。这个事件算是人工智能在人们心中的萌芽，尽管那时人们对计算机的认识仅仅局限于“能快速计算的机器”。

1962年，IBM的阿瑟•塞缪尔的程序战胜了一位盲人跳棋高手，一时间成了不小的新闻事件，绝大多数媒体和公众都认为类似的西洋跳棋程序是不折不扣的人工智能。

象棋---人工智能在人们心中的发展

随着后来计算机发展，每台个人电脑都可以运行一个水平相当高的西洋跳棋程序，人们开始对人工智能不再崇尚和钦佩：“下跳棋有什么厉害？真智能的话跟人类下象棋试试”。直到1997年，IBM深蓝战胜世界象棋选手，人们再次相信人工智能的到来。

但科技是不断进步的，经过计算机不断普及，人们认识到西洋跳棋也好，象棋也好，实际上都是一种穷举模式，它通过全面记忆和快速搜索，找出最优落棋方法。人工智能渐渐褪去它的神秘性。

围棋---人工智能在人们心中的热潮

世界总是由少数人推动的。当人们不再相信人工智能的实现时，围棋作为人类头脑运作的代表游戏，那时候大多数人认为计算机是无法和人类进行围棋博弈的。然而接下来发生的事情，想必大家都知道：2016年3月9日，AlphaGo以4：1大胜围棋世界冠军李世石，各大社交平台争相报道，人工智能热潮再次席卷人类世界。

人工智能在棋类游戏的应用给人们的冲击就像一条向上的波浪曲线。

从计算机的下棋史可以看出最早人们对人工智能的定义仅仅是：计算机能像人类一样思考。但是从真实意义上讲，计算机永远不可能做到和人类一样的思考。人类思考是生物学领域，大脑神经元突起受到刺激后的一系列活动，而计算机是技术领域，是由一系列的语句、算法组成的执行程序。

AI 1.0

代表AI1.0的最有名的测试是图灵测试。

“测试人在与被测试者(一个人和一台机器)隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。问过一些问题后，如果被测试者超过30%的答复不能使测试人确认出哪个是人、哪个是机器的回答，那么这台机器就通过了测试，并被认为具有人类智能。” 以上解释来源于网络

AI1.0是由规则驱动的，即rule-based，又称专家系统。它是将相关领域的专家智慧通过编程写入计算机，通过写好的逻辑规则告诉计算机如何思考和进行下一步行动。它通常使用的是if，then句式，满足某某条件就怎么做，只适合简单和定义明确的指令。

定义二：人工智能是会学习的计算机程序

关键字：会学习

AI 2.0

AI2.0 强调计算机模仿人类归纳总结的能力。目前最典型的人工智能系统便是通过学习大量数据进行训练建立模型再标记输出的方法，整个过程可以看成是模拟了人类学习和成长的过程。所以整个AI 2.0是由机器学习作为内部驱动。

但是机器学习目前和人类的学习之间还是存在一定差距。这个差距体现的哪里呢？我们举个例子：

任务：识别图片中的是否有小猪佩奇

机器学习中，你需要给计算机提供数百万张小猪佩奇的照片后，通过学习小猪佩奇的特征便能辨别出什么是小猪佩奇。

而在人类学习中，一个3-4岁的小孩子看一集小猪佩奇后，哪怕再遇到穿不同衣服或不同发型的小猪佩奇，他也能认出那是变了装的小猪佩奇。

也就是说，人类的学习过程往往不需要大规模的训练数据。简单地解释就是：人类能够做到举一反三，而机器学习不会。人工智能是一种会学习的机器，它模仿人类归纳总结的能力，但目前它并不能学习到人类的抽象和审美能力。

以上举例的机器学习（监督式学习）中容易出现过拟合问题（下一篇文章说明），解决方法就是深度学习。深度学习推动了人工智能3.0的出现。

AI 3.0

AI3.0是在AI2.0机器学习的基础上经过深度学习+大数据驱动的技术进步。

深度学习能解决一般监督式学习中存在的问题，让人工智能具有更大的商业价值。（当然深度学习也是机器学习的一种算法。）

AI3.0主要应用于商业领域，具有商业价值。比如：

互联网人工智能 ： 用于用户画像，优化推送效果。

商业智能化：给传统公司几十年来的数据贴标签，如保险公司判定理赔欺诈，银行记录还款率，第三方支付机构判定欺诈交易，医院计算患者的存活率，利用算法判断是否要放贷给借款人等。

实体世界智能化：大量使用传感器，电子屏等智能型交互设备，将现实世界转换成能被算法分析和优化的数据。实体世界与网络世界无明显界限，万物互联（Internet of Things），商业模式正从O2O转向OMO（online-merge-offline）。

试想场景：可刷脸支付的无人超市。当你走进一家智能无人超市，通过扫描你的面部，你的移动终端就会给你根据你以往的线上消费数据为你推送该无人超市的商品，并为你规划好路线和预算。如果你是健身达人，还能根据你的热量要求为你配置好饮食搭配。或者当你想买A商品时还能在电子屏显示：“80%购买A商品的人还购买了B商品，请问您是否需要？”你一看，这不就是你很早就想尝试的搭配吗？然后小手一点，购物成功！

      想想都觉得cool~

目前我们正处在AI3.0的发展期，OMO模式还未普及。目前部分新零售概念的商超，虽然是线上线下流量的双向交织，但也只算半个OMO，要实现真正的OMO还需要一段时间发展。

定义三：Al是根据对环境的感知做出合理的行动并获得最大收益的计算机程序题

此定义是维基百科所采用的解释，目前来看这是关于人工智能最理性和合理的定义，也是未来人工智能发展的终极目标。人工智能的发展是科技的进步，人们对其要有一个理智的判断。当然科技进步过程中，个人信息和隐私是否能保全仍是一个问题，大家在享受人工智能带来的乐趣和便捷的同时也要注重个人信息安全。

谢谢阅读