什么是人工智能 (AI)
虽然在过去数十年中，人工智能(AI)的一些定义不断出现，但JohnMcCarthy在2004年的文章 (PDF,106KB)(链接位于IBM外部)中给出了以下定义："它是制造智能机器，特别是智能计算机程序的科学和工程。AI与使用计算机了解人类智能的类似任务有关，但不必局限于生物可观察的方法"。
然而，在这个定义出现之前数十年，人工智能对话的诞生要追溯到艾伦·图灵(AlanTuring)于1950年出版的开创性作品"计算机器与智能"(PDF,89.8KB)（链接位于IBM外部）。在这篇论文中，通常被称为“计算机科学之父”的图灵提出了以下问题：“机器能思考吗？” 他在这篇文章中提供了一个测试，即著名的“图灵测试”，在这个测试中，人类询问者试图区哪些文本响应是计算机做出的、哪些是人类做出的。虽然该测试自发表之后经过了大量的审查，但它仍然是AI历史的重要组成部分，也是一种在哲学中不断发展的概念，因为它利用了有关语言学的想法。
StuartRussell和PeterNorvig随后继续发表了“人工智能：一种现代方法 ”（链接位于IBM外部），成为AI研究方面的重要教材之一。在这本书中，他们深入探讨了AI的四个潜在目标或定义，基于理性、思考和行动来区分计算机系统：
人类方法：
像人类一样思考的系统像人类一样行动的系统理想方法：
理性思考的系统理性行动的系统艾伦·图灵的定义可归入"像人类一样行动的系统"类别。
以最简单的形式而言，人工智能是结合了计算机科学和强大数据集的领域，能够实现问题解决。它还包括机器学习和深度学习等子领域，这些子领域经常与人工智能一起提及。这些学科由AI算法组成，这些算法旨在创建基于输入数据进行预测或分类的专家系统。
目前，仍有许多围绕AI发展的炒作，市场上任何新技术的出现都会引发热议。正如Gartner在其hypecycle技术成熟度曲线（链接位于IBM外部）中指出的那样，自动驾驶汽车和个人助理等产品创新遵循“一个典型的创新周期，从欲望膨胀到期望幻灭、到最终了解创新在市场或领域中的相关性和作用。”正如LexFridman在2019年麻省理工学院演讲中指出的那样(01:08:15)（链接位于IBM外部），我们正处于欲望膨胀高峰期，接近幻灭的谷底期。
随着对话围绕AI的伦理道德展开，我们可以开始看到幻灭谷底初见端倪。如想了解更多关于IBM在AI伦理对话中的立场，请阅读这里了解更多信息。
人工智能在日常生活中的12个例子
在下面的文章中，您可以查看我们日常生活中出现的12个人工智能示例。
人工智能(AI)越来越受欢迎，不难看出原因。人工智能有可能以多种不同的方式应用，从烹饪到医疗保健。
虽然人工智能在今天可能是一个流行词，但在明天，它可能会成为我们日常生活的标准一部分。事实上，它已经在这里了。
1.自动驾驶汽车
他们通过使用大量传感器数据、学习如何处理交通和做出实时决策来工作并继续前进。这些汽车也被称为自动驾驶汽车，使用人工智能技术和机器学习来移动，而乘客无需随时控制。
2.智能助手
让我们从真正无处不在的东西开始——智能数字助理。在这里，我们谈论的是Siri、GoogleAssistant、Alexa和Cortana。
我们将它们包含在我们的列表中是因为它们基本上可以倾听然后响应您的命令，将它们转化为行动。
所以，你打开Siri，给她一个命令，比如“给朋友打电话”，她会分析你所说的话，筛选出围绕你讲话的所有背景噪音，解释你的命令，然后实际执行，这一切只需要几个秒。
这里最好的部分是这些助手变得越来越聪明，改进了我们上面提到的命令过程的每个阶段。您不必像几年前那样对命令进行具体化。
此外，虚拟助手在从你的实际命令中过滤无用的背景噪音方面变得越来越好。3.微软项目InnerEye
最著名的人工智能计划之一是由微软运营的一个项目。毫不奇怪，微软是顶尖的人工智能公司之一(尽管它肯定不是唯一的一家)。
微软项目InnerEye是最先进的研究，有可能改变世界。
这个项目旨在研究大脑，特别是大脑的神经系统，以更好地了解它的功能。这个项目的目的是最终能够使用人工智能来诊断和治疗各种神经疾病。
最著名的人工智能计划之一是由微软运营的一个项目。毫不奇怪，微软是顶尖的人工智能公司之一(尽管它肯定不是唯一的一家)。
微软项目InnerEye是最先进的研究，有可能改变世界。
这个项目旨在研究大脑，特别是大脑的神经系统，以更好地了解它的功能。这个项目的目的是最终能够使用人工智能来诊断和治疗各种神经疾病。
4.抄袭
大学生的(或者是教授的)？)噩梦。无论你是内容经理还是给论文评分的老师，你都有同样的问题——互联网让抄袭变得更容易。
那里有几乎无限量的信息和数据，不太谨慎的学生和员工很容易利用这一点。
事实上，没有人能够将某人的文章与所有的数据进行比较和对比。人工智能是一种完全不同的东西。
它们可以筛选数量惊人的信息，与相关文本进行比较，看是否有匹配。
此外，由于这一领域的进步和发展，一些工具实际上可以检查外语来源，以及图像和音频。
5.推荐
你可能已经注意到，某些平台上的媒体推荐越来越好，Netflix、YouTube和Spotify只是三个例子。这要感谢人工智能和机器学习。
我们提到的三个平台都考虑了你已经看到和喜欢的内容。这是容易的部分。然后，他们将其与成千上万的媒体进行比较和对比。他们主要从您提供的数据中学习，然后使用自己的数据库为您提供最适合您需要的内容。
让我们为YouTube简化这个过程，只是作为一个例子。
该平台使用标签等数据，年龄或性别等人口统计数据，以及消费者使用其他媒体的相同数据。然后，它混合和匹配，给你建议。
6.银行业务
如今，许多较大的银行都给你提供了通过智能手机存入支票的选项。你不用真的走到银行，只需轻点几下就可以了。
除了通过手机访问银行账户的明显安全措施外，支票还需要你的签名。
现在银行使用AIs和机器学习软件来读取你的笔迹，与你之前给银行的签名进行比较，并安全地使用它来批准一张支票。
总的来说，机器学习和人工智能技术加快了银行软件完成的大多数操作。这一切都有助于更高效地执行任务，减少等待时间和成本。
7.信用和欺诈
既然我们谈到了银行业，那就让我们稍微谈一下欺诈。银行每天处理大量的交易。追踪所有这些，分析，对一个普通人来说是不可能的。
此外，欺诈交易的形式每天都在变化。有了人工智能和机器学习算法，你可以在一秒钟内分析成千上万的交易。此外，您还可以让他们学习，弄清楚有问题的事务可能是什么样子，并为未来的问题做好准备。
接下来，无论何时你申请贷款或者申请信用卡，银行都需要检查你的申请。
考虑到多种因素，比如你的信用评分，你的金融历史，所有这些现在都可以通过软件来处理。这缩短了审批等待时间，降低了出错率。
8.聊天机器人
许多企业正在使用人工智能，特别是聊天机器人，作为他们的客户与他们互动的方式。
聊天机器人通常被用作公司的客户服务选项，这些公司在任何给定时间都没有足够的员工来回答问题或回应询问。
通过使用聊天机器人，这些公司可以在从客户那里获得重要信息的同时，将员工的时间腾出来做其他事情。
在交通拥挤的时候，像黑色星期五或网络星期一，这些是天赐之物。它们可以让你的公司免于被问题淹没，让你更好地为客户服务。
9.让您远离垃圾邮件
现在，我们都应该感谢垃圾邮件过滤器。
典型的垃圾邮件过滤器有许多规则和算法，可以最大限度地减少垃圾邮件的数量。这不仅能让你免受烦人的广告和尼日利亚王子的骚扰，还能帮助你抵御信用卡欺诈、身份盗窃和恶意软件。
现在，让一个好的垃圾邮件过滤器有效的是运行它的人工智能。过滤器背后的AI使用电子邮件元数据；它关注特定的单词或短语，它关注一些信号，所有这些都是为了过滤掉垃圾邮件。
10.视频摘要
这种日常人工智能在网飞变得非常流行。
也就是说，你可能已经注意到，网站和某些流媒体应用程序上的许多缩略图已经被短视频取代。这变得如此流行的一个主要原因是人工智能和机器学习。
人工智能会为你做这些，而不是让编辑们花费数百个小时来缩短、过滤和切割较长的视频，变成三秒钟的视频。它分析数百小时的内容，然后成功地将其总结成一小段媒体。
11.食谱和烹饪
人工智能在更多意想不到的领域也有潜力，比如烹饪。
一家名为Rasa的公司开发了一种人工智能系统，该系统可以分析食物，然后根据您冰箱和储藏室中的食物推荐食谱。对于喜欢烹饪但又不想花太多时间提前计划膳食的人来说，这种类型的人工智能是一种很好的方式。
12.人脸识别
关于人工智能和机器学习，如果我们可以说一件事，那就是它们使他们接触到的每一项技术都更加有效和强大。面部识别也不例外。现在有许多应用程序使用人工智能来满足他们的面部识别需求。例如，Snapchat使用AI技术通过实际识别呈现为人脸的视觉信息来应用面部过滤器。
Facebook现在可以识别特定照片中的面孔，并邀请人们标记自己或他们的朋友。
而且，当然，考虑用你的脸解锁你的手机。好吧，它需要人工智能和机器学习才能发挥作用。
让我们以AppleFaceID为例。当你设置它的时候，它会扫描你的脸，然后在上面放大约3万个DoS。它使用这些圆点作为标记，帮助它从多个不同的角度识别你的脸。
这使您可以在许多不同的情况和照明环境中用脸部解锁手机，同时防止其他人做同样的事情。
结论
未来就是现在。人工智能技术只会继续发展、壮大，并对每个行业和我们日常生活的几乎每个方面变得越来越重要。如果以上例子是可信的，这只是个时间问题。
未来，人工智能将继续发展，并出现在我们生活的新领域。随着更多创新应用的问世，我们将看到更多人工智能让我们的生活变得更轻松、更有效率的方式！
人工智能所需要学习的技能有哪些
对于那些想要从事人工智能项目的开发人员来说，他们需要具备哪些必要的技能？我们就这个问题采访了22位相关企业的高管，以下就是对他们采访的总结归纳。关于数学数学方面技能的掌握取决于研究深度。人工智能并不依赖与任何编程语言，这意味着开发人员需要掌握处理数据相关的其他技术，其中包括了算法，代数和微积分。具备这些技能的重要性显而易见。同时我们还需要了解人类对于自然语言处理的思维过程，其中的上下文联系，隐含意图以及所描述事物间的联系等等。这需要深入洞察人类的思维过程。数学专业的学生更容易成为一名人工智能项目中的软件开发人员，因为他们已经具备了统计学的基础，而这对人工智能或机器学习是非常重要的。相反一名普通的软件开发人员不可能简单的通过某些Python库的运用就能解决实际问题。统计学，数据建模，大数据，深度学习和递归神经网络等知识与一种或多种编程语言相结合，对于试图进入人工智能的开发人员来说是一个比较好的出发点。进而把实际问题从更高层次的角度抽象出来，从而使的计算机能够理解并进行处理。良好的数学知识和数据科学的学术背景，通过不同方式（各种研讨会，个人博客等）跟上这个快速发展的领域。擅长处理大数据集。能够快速掌握机器学习的工具集并将其集成到更大的项目中。对众多相关数学知识进行梳理，并建立自己的人工智能知识体系。比如，了解数据类型，掌握机器学习，相关算法，决策树和神经网络。还要了解业界的知名项目（开源项目，Apache，谷歌，IBM，微软，R，Python等等）。关于数据科学能够读懂数据，挖掘数据中信息，发现数据中的问题，对数据敏感，能够绘制数据地图。精通Python和Java。了解TensorFlow，Café和Torch等主流人工智能库。能够从HDFS数据湖或数据库中提取正确的数据。知道如何使用过滤器。数据的质量很重要。了解如何策划和准备数据。通过各种渠道获取理论基础知识（比如Coursera上的相关课程）。开始为一家人工智能公司工作或在现有工作中进行一些人工智能方面的实践。我们只是让开发人员使用神经网络来构建应用程序，以了解图像何时被完全正确呈现。了解人工智能框架和Spark。数据科学家要具备计算机科学，分析部署，ETL等知识。注重可用数据，掌握训练系统的方法，从而获得最佳的训练结果。通过相关培训或黑客马拉松提升自身技能。如果从事机器学习算法研究，与语言学团队合作对机器学习数据进行预处理。能够灵活熟练地使用开源工具，专注于业务问题解决。通过R和Python进行迭代建模，并使用Scala进行分布式计算。其他后端开发人员需要了解机器学习和大量关于人工智能的开源技术。前端开发人员需要了解聊天机器人及其会话流程。开始尝试任意一种人工智能技术，进行不同于传统的思维方式来解决问题。这点非常重要。人工智能开发人员主要的工作就是“教”机器。把问题进行分解并思考如何提高训练的有效。然后观察训练的过程并对并重新成为学习基础。想想你需要系统理解的核心概念是什么。有很多途径可以做你正在寻找的东西。获得不同的心态并解决手头的问题。如今，由于人工智能的最新应用需要高度专业化的理论和实践知识，通过研读相关的博士学位正迅速成为最基本要求。以上为译文，由阿里云云栖社区组织翻译。译文链接文章原标题《what-skills-do-developers-need-for-ai?》译者：friday012，审校:。文章为简译，更为详细的内容，请查看原文。更多技术干货敬请关注云栖社区知乎机构号：阿里云云栖社区-知乎本文为云栖社区原创内容，未经允许不得转载。今天的人工智能还不能做的7件事
迁移学习技术已经取得了一些初步的成果，但这只是计算机在跨领域思考道路上前进的一小步。一个能像福尔摩斯一样，从犯罪现场的蛛丝马迹，抽丝剥茧一般梳理相关线索，通过缜密推理破获案件的人工智能程序将是我们在这个方向上追求的终极目标。
抽象能力
抽象对人类至关重要。漫漫数千年间，数学理论的发展更是将人类的超强抽象能力表现得淋满尽致。最早，人类从计数中归纳出1，2，3，4，5的自然数序列，这可以看作一个非常自然的抽象过程。
人类抽象能力的第一个进步，大概是从理解“0”的概念开始的，用0和非0，来抽象现实世界中的无和有、空和满、静和动………这个进步让人类的抽象能力远远超出了黑猩猩、海豚等动物界中的“最强大脑”。
接下来，发明和使用负数一下子让人类对世界的归纳、表述和认知能力提高到了一个新的层次，人们第一次可以定量描选相反或对称的事物属性，比如温度的正负、水面以上和以下等。
引入小数、分数的意义自不必说，但其中最有标志性的事件，莫过于人类可以正确理解和使用无限小数。比如，对于1=0.99999……这个等式的认识（好多数学
不好的人总是不相信这个等式居然是成立的），标志着人类真正开始用极限的概念来抽象现实世界的相关特性。
计算机所使用的二进制数字、机器指令、程序代码等，其实都是人类对“计算”本身所做的抽象。基于这些抽象，人类成功地研制出如此众多且实用的人工智能技术。
那么，AI能不能自己学会类似的抽象能力呢？就算把要求放低一些，计算机能不能像古人那样，用质朴却不乏创意的“一生二、二生三、三生万物”来抽象世界变化，或者用“白马非马”之类的思辨来探讨具象与抽象间的关系呢？
目前的深度学习技术，几乎都需要大量训练样本来让计算机完成学习过程。可人类，哪怕是小孩子要学习一个新知识时，通常只要两三个样本就可以了。这其中最重要的差别，也许就是抽象能力的不同。
计算机就很难做到这一点，或者说，我们目前还不知道怎么教计算机做到这一点。人工智能界，少样本学习、无监督学习方向的科研工作，目前的进展还很有限。但是，不突破少样本、无监督的学习，我们也许就永远无法实现人类水平的人工智能。
知其然，也知其所以然
目前基于深度学习的人工智能技术，经验的成分比较多，输入大量数据后，机器自动调整参数，完成深度学习模型，在许多领域确实达到了不错的效果，但模型中的参数为什么如此设置，里面蕴含的更深层次的道理等，在很多情况下还较难解释。
人通常追求“知其然，也知其所以然”，但目前的弱人工智能程序，大多都只要结果足够好就行了。
想一想中学时学过的“一轻一重两个铁球同时落地”，如果人类仅满足于知道不同重量的物体下落时加速度相同这一表面现象，那当然可以解决生活、工作中的实际问题，但无法建立起伟大、瑰丽的物理学大厦。
而计算机呢？按照现在机器学习的实践方法，给计算机看一千万次两个铁球同时落地的视频，计算机就能像伽利略、牛顿、爱因斯坦所做的一样，建立起力学理论体系，达到“知其然，也知其所以然”的目标吗？显然不能。
几十年前，计算机就曾帮助人类证明过一些数学问题，比如著名的“地图四色着色问题”，今天的人工智能程序也在学习科学家如何进行量子力学实验。但这与根据实验现象发现物理学定律还不是一个层级的事情。至少，目前我们还看不出计算机有成为数学家、物理学家的可能。
常识
人的常识，是个极其有趣，又往往只可意会、不可言传的东西。
仍拿物理现象来说，懂得力学定律，当然可以用符合逻辑的方式，全面理解这个世界。但人类似乎生来就具有另一种更加神奇的能力，即使不借助逻辑和理论知识，也能完成某些相当成功的决策或推理。
深度学习大师约书亚·本吉奥举例说：“即使两岁孩童也能理解直观的物理过程，比如丢出的物体会下落，人类并不需要有意识地知道任何物理学就能预测这些物理过程。但机器做不到这一点。”
那么，人工智能是不是也能像人类一样，不需要特别学习，就可以具备一些有关世界规律的基本知识，掌握一些不需要复杂思考就特别有效的逻辑规律，并在需要时快速应用呢？
拿自动驾驶来说，计算机是靠学习已知路况积累经验的。当自动驾驶汽车遇到特别棘手、从来没见过的危险时，计算机能不能正确处理呢？也许，这时就需要一些类似常识的东西，比如设计出某种方法，让计算机知道，在危险来临时首先要确保乘车人与行人的安全，路况过于极端时可安全减速并靠边停车，等等。
自我意识
显然，今天的弱人工智能远未达到具备自我意识的地步。至今，我们在自己的宇宙中，只发现了人类这一种具有自我意识的生物。茫茫宇宙，尚无法找到如《三体》中所述的外星智慧的痕迹。这一不合常理的现象就是著名的费米悖论。科幻小说《三体》用黑暗森林理论来解释费米悖论。而费来悖论的另一种符合逻辑的解释就是，人类其实只不过是更高级别的智慧生物养在VR实验室里的试验品而已，人类的所谓自我意识，也许不过是“上帝”为了满足我们的虚荣心而专门设计的一种程序逻辑。
好了好了，不聊科幻了。拥有自我意识的人类能否在未来制造出同样拥有自我意识的智能机器？在我看来，这更多的是一个哲学问题，而非一个值得科研人员分心的技术问题。
审美
虽然机器已经可以仿照人类的绘画、诗歌、音乐等艺术风格，照猫画虎般地创作出电脑艺术作品来，但机器并不真正懂得什么是美。
审美能力同样是人类独有的特征，很难用技术语言解释，也很难被赋予机器。审美能力并非与生俱来，但可以在大量阅读和欣赏的过程中，自然而然地形成。审美缺少量化的指标，比如我们很难说这首诗比另一首诗高明百分之多少，但只要具备一般的审美水平，我们就很容易将美的艺术和丑的艺术区分开来。审美是一件非常个性化的事情，每个人心中都有自己套关于美的标准，但审美又可以被语言文字描述和解释，人与人之间可以很容易地交换和分享审美体验。这种神奇的能力，计算机目前几乎完全不具备。
情感
2016年3月，谷歌AlphaGo与李世石“人机大战”的第四盘，当李世石下出惊世骇俗的第78手后，AlphaGo自乱阵脚，连连下出毫无道理的招法，就像一个本来自以为是的武林高手，一下子被对方点中了要害，急火攻心，竟干脆撒泼要赖，场面煞是尴尬。那一刻，AlphaGo真的是被某种“情绪化”的东西所控制了吗？
我想，一切恐怕都是巧合。AlphaGo当时只不过陷入了一种程序缺陷，机器只是冷冰冰的机器，它们不懂赢棋的快乐，也不懂输棋的烦恼，它不会看着对方棋手的脸色，猜测对方是不是已经准备投降。返回搜狐，查看更多
不过，抛开机器自己的情感不谈，让机器学着理解、判断人类的情感，这倒是一个比较靠谱的研究方向。