人工智能发展史总结

                                   

      

什么是人工智能

人工智能（Aritificial Intelligence， AI）是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。

人工智能发展史

人工智能在发展过程中产生了很多的流派，符号主义、连接主义和行为主义。这些流派的相辅相成推进了人工智能的发展。

如果你想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作，教程不仅通俗易懂，而且很风趣幽默。点击这里可以查看教程。

符号主义

符号主义又称逻辑主义、心理学派或计算机学派。符号主义认为，人工智能源于数学逻辑，人的认知基源是符号，认知过程即符号操作过程，通过分析人类认知系统所具备的功能和机能，然后通过计算机来模拟这些功能，从而实现人工智能。符号主义的发展大概经历了几个阶段：推理期（20世纪50年代–20世纪70年代），知识期（20世纪70年代—-）。“推理期”人们基于符号知识表示、通过演绎推理技术取得了很大的成就；“知识期”人们基于符号表示、通过获取和利用领域知识来建立专家系统取得了大量的成果。

连接主义

连接主义又称仿生学派或生理学派。连接主义认为，人工智能源于仿生学，特别是对人脑模型的研究，人的思维基元是神经元，而不是符号处理过程。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。进入21世纪后，连接主义卷土重来，提出了“深度学习”的概念。

机器学习

二十世纪80年代，机器学习成为一个独立的科学领域，各种机器学习技术百花初绽。E．A．Feigenbaum等人在著名的《人工智能手册》中，把机器学习划分为“机械学习”、“示教学习”、“类比学习”和“归纳学习”。机械学习将外界的输入信息全部存储下来，等到需
要时原封不动的取出来；示教学习和类比就是“从指令中学习”和“通过观察和发现学习”；归纳学习就是从样例中学习。二十世纪80年代以来研究最多的就是归纳学习，它包括：监督学习、无监督学习、半监督学习、强化学习等。归纳学习有两大主流：一、符号主义学习
，其代表包括决策树和基于逻辑的学习（事实上，机器学习在20世纪80年代正是被视为“解决公式工程瓶颈问题的关键”而走上人工智能主舞台的）。二、基于神经网络的连接主义学习。二十世纪90年代中期，统计学习闪亮登场，并迅速占据主流舞台，代表性技术是支持
向量机以及更一般的“核方法”。我们目前所说的机器学习方法，一般认为是统计机器学习方法。

ps:想按照算法的发展将人工智能发展过程梳理一遍，事实上感觉写的很差，希望大家多多指正。

研究领域与应用场景

研究领域

人工智能的研究领域主要有5层，最底层是基础设施建设，包括数据和计算能力两部分，数据越大人工智能的能力越强。往上一层是算法，比如机器学习、深度学习等算法。再上一层是主要的技术方向，如计算机视觉、语音工程、NLP等。第二层是各个技术方向中的技术。
最上层为人工智能的应用领域。

应用场景

   计算机视觉：车牌识别、人脸识别、无人车等
   语音工程：2010 年后，深度学习的广泛应用使语音识别的准确率大幅提升，像 Siri、Voice Search 和 Echo 等，可以实现不同语言间的   交流，从语音中说一段话，随之将其
    翻译为另一种文字；再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。
   自然语言处理：问答系统、机器翻译、对话系统等。
   决策系统：决策系统的发展是随着棋类问题的解决而不断提升，从 80 年代西洋跳棋开始，到 90 年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。
   大数据应用：分析客户的喜好进行个性推荐，精准营销；分析各个股票的行情，进行量化交易。

AI面临的挑战

1)  计算机视觉：未来的人工智能应该更加注重效果的优化，加强计算机视觉在不同场景、问题上的应用。
2)  语音工程：当前的语音工程在安静环境下，已经能够取得和人类相似的水平。但在噪音情景下仍有挑战，如原场识别、口语、方言等长尾识别。
3)  自然语言处理：机器欠缺对语意理解能力，包括对口语不规范的用于识别和认知等。
4)  决策系统：目前存在的两个问题，第一是不通用，即学习知识的不可迁移性，如用一个方法学习下象棋，不能直接将其迁移到下围棋上；第二是大量模拟数据。