此篇是人工智能基础知识概况之一，帮助人工智能小白了解人工智能，看看未来的影子，抓住机遇迎发展。
（1）人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
（2）人工智能亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。
（3）人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（ 空间技术、 能源技术、 人工智能）。也被认为是二十一世纪三大尖端技术（ 基因工程、 纳米科学、 人工智能）之一。
（1）第一阶段（20 世纪50 年代中期到80 年代初期）：深耕细作，30 年技术发展为人工智能产业化奠定基础。在1956 年之前，人工智能就已经开始孕育。
神经元模型、图灵测试的提出以及SNARC 神经网络计算机的发明，为人工智能的诞生开元体育奠定了基础。1956 年的达特茅斯会议代表人工智能正式诞生和兴起。
此后人工智能快速发展，深度学习模型以及AlphaGo 增强学习的雏形——感知器均在这个阶段得以发明。随后由于早期的系统适用于更宽的问题选择和更难的问题时效果均不理想，因此美国、英国相继缩减经费支持，人工智能进入低谷。
（2）第二阶段（20 世纪80 年代初期至21 世纪初期）：急功近利，人工智能成功商用但跨越式发展失败。80 年代初期，人工智能逐渐成为产业，第一个成功的商用专家系统R1 为DEC 公司每年节约4000 万美元左右的费用。
截止到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”。受此鼓励，日本、美国等国家投入巨资开发第5 代计算机——人工智能计算机。在90 年代初，IBM、苹果推出的台式机进入普通百姓家庭中，奠定了计算机工业的发展方向。
第5 代计算机由于技术路线明显背离计算机工业的发展方向，项目宣告失败，人工智能再一次进入低谷。尽管如此，浅层学习如支持向量机、Boosting 和最大熵方法等在90 年代得到了广泛应用。
（3）第三阶段（21世纪初期至今）：量变产生质变，人工智能有望实现规模化应用。摩尔定律和云计算带来的计算能力的提升，以及互联网和大数据广泛应用带来的海量数据量的积累，使得深度学习算法在各行业得到快速应用，并推动语音识别、图像识别等技术快速发展并迅速产业化。
2006年，Geoffrey Hinton和他的学生在《Science》上提出基于深度信念网络（Deep Belief Networks,DBN）可使用非监督学习的训练算法，使得深度学习在学术界持续升温。
2012年，DNN技术在图像识别领域的应用使得Hinton的学生在ImageNet评测中取得了非常好的成绩。深度学习算法的应用使得语音识别、图像识别技术取得了突破性进展，围绕语音、图像、机器人、自动驾驶等人工智能技术的创新创业大量涌现，人工智能迅速进入发展热潮。
人工智能可以根据人做的事来分，有机器学习（大脑），计算机视觉（眼睛），自然语言处理（耳朵和嘴巴），机器人（四肢）等等。
基础层：包括了算力、数据以及传感系统，包括了人工智能三要素中的两部分，是整个人工智能技术实现的基础；
技术构架层：包括了算法理论、感知技术以及认知技术，感知技术是使机器通过传感器和算法感知世界；认知技术是让机器能够认知人类语言、知识；
开放平台层：包含基础开源框架和技术开放平台，科技龙头企构建基础开源框架，部署机器学习、深度学习底层平台。
第二批10家：依图、明略科技、华为、平安、海康威视、京东、旷视、360、好未来、小米
人工智能需要获取大量的数据进行训练来感知这个世界。数据就像工业革命时代的煤一样举足轻重。数据如此重要，但是我们虽然处在大数据时代，在数据获取方面依然存在问题，如果数据是在用户不知情甚至是反感的情况下强制获取，那么这种行为是不道德也是不可取的。
首先，在人类情感方面，虽然人工智能已经会了深度学习，IBM所甚至研发出了人工智能“沃森”，它的口音识别工具可以在语言分析技术的帮助下，理解到人在表达时所传递出的情感、说话习惯和他的社交爱好，但是研发出像人类那样进行思考、拥有像人类一样的情感和意识的人工智能，当前的技术水平还远远做不到。其次，深度学习在解决太过复杂的综合数学难题上的能力以及准确率上存在问题。
如今人工智能研究领域已经有一定进展，社会基础设施建设却没有跟进。人工智能的发展依赖于基础设施的普遍安装和社会各界的广泛接受，只有完善基础设施，人工智能才有机会得以发展，只有广泛被人所接受，人工智能才得以传播。
自我总结：人工智能现在还处于发展阶段，既不能夸大，也不能低估，多了解多学习，人工智能是器，真所谓君子藏器而动！
1.【发现报告】专业研报平台丨收录海量行业报告/券商研报丨免费分享行业研报
