1.1 人工智能概念

人工智能技术及产业应用正在如火如荼地发展，语音识别、目标检测、人脸识别等技术正在逐步改变着人类的生产生活方式。那么，神秘的人工智能究竟是什么？其终极实现目标是什么？它的发展历程又如何呢？

1.1.1 人工智能定义

人工智能的英文全称是Artificial Intelligence（AI），其目标是使得机器具备人的行为、感知与认知等机能，变得像人一样聪明，与之相关的所有理论、技术及算法都可以称为人工智能技术。这里主要包括三个层次的要义：

其一是行为智能，指机器可以模拟人类的抓取、走路、跑步及跳跃等行为。目前这个层次的智能技术研究已相对成熟，机器甚至可以做到比人更快、更稳、更准，典型应用就是智能化工厂中的机械臂，它能够长时间不知疲倦地实现工业零配件的快速抓取与搬移，完成零配件的引导焊接及精准装配等。

其二是感知智能，指让机器具备人类的听觉、视觉、触觉及嗅觉等多种感知机能，像人一样可以通过听、看、闻、触等方式感知外界物理信息。这个领域的发展不仅依赖于各种传感器技术的研究与突破（传感器是连接物理世界与电子世界的桥梁，是现代物联网及人工智能应用领域的关键技术，在我国的发展较为缓慢，尤其是做IC的读者可以考虑将其作为研究方向），而且取决于自然语言处理、计算机视觉等方向算法研究的进步，目前应用最广、研究相对成熟的就是计算机视觉方向，典型应用包括工业零件缺陷检测、目标分类与零部件的计数及尺寸测量等。

其三是认知智能，指使得机器具备人类的思维、意识及情感能力。人类之所以能够创造出如此灿烂的物质文明与精神文明，是因为人类可以思考，具备创新意识，这也是人类同其他动物最大、最本质的区别。如果机器能够具备人类的思维、意识及情感能力，那么你将无法判断面前的物体到底是人还是机器，机器也就实现了真正的人工智能。这个领域的研究是现在人工智能领域发展的热点，典型研究包括聊天机器人、高考机器人、阅卷机器人等各种具备认知能力的机器人，这些机器人不仅要能够听到语音、看见图像，更要能够理解文字的语义，看懂图像、视频的内在含义等。顺便说一下，阿尔法围棋曾2:1战胜了韩国围棋国手李世石，有一种说法是其中一局阿尔法围棋故意输给了对手，如果这种说法成立，大家想想这岂不是很恐怖！

1.1.2 人工智能发展历程

人工智能的历史最早可以追溯到20世纪30年代，比计算机的历史还要久远，因此严格意义上来说，人工智能并不能算是计算机领域的一个研究方向。尤其是大家深入理解图灵机理论后，就知道计算机本应该是人工智能的产物，或者说是实现人工智能的载体。只是可惜图灵（“人工智能之父”，这个人很传奇，大家可以了解下其人生经历）英年早逝，他的模拟人类思维的图灵机计算模型没有能够实现成计算机，所以后期才有了冯·诺依曼的以计算+存储结构为基础的计算机，其发展直接导致全球范围内的第三次产业革命，给人类带来了巨大的变化。而且自图灵后，人工智能的算法研究多依托于计算机系统，人工智能领域相对于计算机领域而言人才的培养规模较小，因此很长时间人工智能仅仅作为计算机学科下的一个研究方向存在，这样的从属关系显然不科学。随着技术进步与产业发展，现在国内很多高校已设置了人工智能专业，且人工智能专业直接隶属于电子信息类而非计算机学科，这也说明人工智能与计算机之间的从属关系正在被重新界定。

人工智能发展之初最著名的就是图灵机与图灵测试的理论。图灵机相关理论1.2节会详细介绍，图灵测试是最早用来衡量一个系统是否可以被认定为人工智能系统的测试实验，具体论述为“将一台机器与一个人通过一块幕布相隔，然后人与机器之间通过语言正常交流，当这个人感觉自己就是在和一个人正常流畅地交谈时，这台机器也就实现了人工智能”。图灵测试提供了一种界定机器是否实现人工智能的方法，这种方法的提出在那个时代具有很强的指导意义。然而随着技术的发展，这种原始的测试方法也显示出许多不足。很明显，图灵测试对人工智能的界定还停留在语音、语义上，对于人工智能的其他方面，包括视觉、嗅觉等，没有给出准确的界定策略，因此大家要对这一理论有正确的认知。图灵之后，人工智能技术的研究一直存在两大流派：一是自顶向下的符号派，二是自底向上的统计派（以深度神经网络为主）。两大流派的研究此消彼长，为人工智能技术的发展与进步做出了巨大贡献。这里特别强调下，学术派别划分只是因为针对同样的研究内容其研究方法与手段不一样而已，并无对错多寡之分，然而不同历史时期两个学派的研究成果所产生的影响不一样，这直接导致人工智能领域先后出现了多次发展热潮。第一次是20世纪50年代感知机的提出以及达特茅斯会议（正式提出“人工智能”概念）的召开；第二次是20世纪60年代以王浩的机器定理证明等为代表的大发展；第三次是20世纪80年代以符号派科学家提出的专家系统、日本五代机等为代表的飞速发展；目前正处于以辛顿等人提出的深度学习、强化学习等机器学习范式为代表的第四次发展高潮，深度学习理论及技术已被广泛应用于模式识别、信号处理以及控制系统等人工智能领域。