人工智能的三次浪潮与三种模式
■史爱武
谈到人工智能，人工智能的定义到底是什么？
达特茅斯会议上对人工智能的定义是：使一部机器的反应方式就像是一个人在行动时所依据的智能。
百度百科上对人工智能的定义是：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。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
尽管人工智能现在还没有非常严格准确或者所有人都接受的定义，但是有一些约定俗成的说法。通常人工智能是指机器智能，让机器达到人智能所实现的一些功能。人工智能既然是机器智能，就不是机械智能，那么这个机器是指什么呢？是指计算机，用计算机仿真出来的人的智能行为就可以叫作人工智能。
2017年7月，国务院印发了《新一代人工智能发展规划》。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。这一国家级战略和社会流行趋势标志着，人工智能发展进入了新阶段，我国要抢抓人工智能发展的重大战略机遇，构筑人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
人工智能的三次浪潮
自1956年开始，人工智能经历了三起三落，出现了几次浪潮，现在人工智能已经是处于第三次浪潮了。
第一次浪潮（1956-1976年，20年），最核心的是逻辑主义
逻辑主义主要是用机器证明的办法去证明和推理一些知识，比如用机器证明一个数学定理。要想证明这些问题，需要把原来的条件和定义从形式化变成逻辑表达，然后用逻辑的方法去证明最后的结论是对的还是错的，也叫做逻辑证明。
早期的计算机人工智能实际上都是沿着这条路在走。当时很多专家系统，比如医学专家系统，用语言文字输入一些症状，在机器里面变换成逻辑表达，用符号演算的办法推理出大概得了什么病。所以当时的主要研究都集中在逻辑抽象、逻辑运算和逻辑表达等方面。
在第一次浪潮中，数学定理证明实际上是实现效果最好的，当时有很多数学家用定理思路证明了数学定理。为了更好地完成定理证明工作，当时出了很多和逻辑证明相关的逻辑程序语言，比如很有名的Prolog。
虽然当时的成果已经能够解开拼图或实现简单的游戏，却几乎无法解决任何实用的问题。
第二次浪潮（1976—2006年，30年），联结主义盛行
在第一次浪潮期间，逻辑主义和以人工神经网络为代表的联结主义相比，逻辑主义是完全占上风的，联结主义那时候不太吃香。然而逻辑主义最后无法解决实用的问题，达不到人们对它的期望，引起了大家的反思，这时候人工神经网络（也就是联结主义）就慢慢占了上风。
在70年代末，整个神经元联结网络、模型都有突飞猛进的进步，最重要的是BP前馈神经网络。1986年BP前馈神经网络刚出来的时候解决了不少问题，后来大家往更大的领域应用，实现了比较大的成果。在很多模式识别的领域、手写文字的识别、字符识别、简单的人脸识别也开始用起来，这个领域一下子就热起来，一时之间，人们感觉人工智能大有可为。随后十几年人们发现神经网络可以解决一些单一问题，解决复杂问题却有些力不从心。训练学习的时候，数据量太大，有很多结果到一定程度就不再往上升了。
这时期所进行的研究，是以灌输“专家知识”作为规则，来协助解决特定问题的“专家系统”为主。虽然有一些实际的商业应用案例，应用范畴却很有限，第二次热潮也就慢慢趋于消退。
第三次浪潮（2006—现在），基于互联网大数据的深度学习的突破
如果按照技术分类来讲，第二次和第三次浪潮都是神经网络技术的发展，不同的是，第三次浪潮是多层神经网络的成功，也就是深度学习取得突破。这里既有硬件的进步，也有卷积神经网络模型与参数训练技巧的进步。
若观察脑的内部，会发现有大量称为“神经元”的神经细胞彼此相连。一个神经元从其他神经元那里接收的电气信号量达某一定值以上，就会兴奋（神经冲动）；在某一定值以下，就不会兴奋。兴奋起来的神经元，会将电气信号传送给下一个相连的神经元。下一个神经元同样会因此兴奋或不兴奋。简单来说，彼此相连的神经元，会形成联合传递行为。我们透过将这种相连的结构来数学模型化，便形成了人工神经网络。
经模型化的人工神经网络，是由“输入层”“隐藏层”及“输出层”等三层构成。深度学习往往意味着有多个隐藏层，也就是多层神经网络。另外，学习数据则是由输入数据以及相对应的正确解答来组成。
为了让输出层的值跟各个输入数据所对应的正解数据相等，会对各个神经元的输入计算出适当的“权重”值。通过神经网络，深度学习便成为了“只要将数据输入神经网络，它就能自行抽出特征”的人工智能。
伴随着高性能计算机、云计算、大数据、传感器的普及，以及计算成本的下降，“深度学习”随之兴起。它通过模仿人脑的“神经网络”来学习大量数据的方法，使它可以像人类一样辨识声音及影像，或是针对问题做出合适的判断。在第三次浪潮中，人工智能技术及应用有了很大的提高，深度学习算法的突破居功至伟。
深度学习最擅长的是能辨识图像数据或波形数据这类无法符号化的数据。自2010年以来，Apple、Microsoft及Google等国际知名IT企业，都投入大量人力物力财力开展深度学习的研究。例如AppleSiri的语音识别，Microsoft搜索引擎Bing的影像搜寻等等，而Google的深度学习项目也已超过1500项。
深度学习如此快速的成长和应用，也要归功于硬件设备的提升。图形处理器（GPU）大厂英伟达（NVIDIA）利用该公司的图形适配器、连接库（Library）和框架（Frame⁃work）产品来提升深度学习的性能，并积极开设研讨课程。另外，Google也公开了框架TensorFlow，可以将深度学习应用于大数据分析。
人工智能的3种模式
人工智能的概念很宽泛，根据人工智能的实力可以分成3大类，也称为3种模式。
（1）弱人工智能：擅长于单个方面的人工智能，也叫专业人工智能。比如战胜世界围棋冠军的人工智能AlphaGo，它只会下围棋，如果让它下国际象棋或分辨一下人脸，它可能就会犯迷糊，就不知道怎么做了。当前我们实现的几乎全是弱人工智能。
（2）强人工智能：是指在各方面都能和人类比肩的人工智能，这是类似人类级别的人工智能，也叫通用人工智能。人类能干的脑力活，它都能干，创造强人工智能比创造弱人工智能难得多，目前我们还做不到。
（3）超人工智能：知名人工智能思想家NickBostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强点，也可以是各方面都比人类强很多倍。超人工智能现在还不存在，很多人也希望它永远不要存在。否则，可能像好莱坞大片里面的超级智能机器一样，对人类也会带来一些威胁或者颠覆。
我们现在处于一个充满弱人工智能的世界。比如，垃圾邮件分类系统是个帮助我们筛选垃圾邮件的弱人工智能；Google翻译是可以帮助我们翻译英文的弱人工智能等等。这些弱人工智能算法不断地加强创新，每一个弱人工智能的创新，都是迈向强人工智能和超人工智能的进步。正如人工智能科学家AaronSaenz所说，现在的弱人工智能就像地球早期软泥中的氨基酸，可能突然之间就形成了生命。如世界发展的规律看来，超人工智能也是未来可期的！
人工智能可以分为哪三个阶段你知道多少！
原标题：人工智能可以分为哪三个阶段？你知道多少！随着人工智能技术的应用越来越广泛，AI即将取代人类的威胁论层出不穷，而恐怖源自未知，是我们对人工智能基础认知的缺失造成了很多空洞的猜测。
业界通常把人工智能分为三个发展阶段：弱人工智能，强人工智能，超人工智能。现阶段的人工智能，无论是会写诗、能一分钟写出一篇财经新闻稿的机器“文人”，还是棋艺纵横天下、能独立开车的运动型选手，都还只属于弱人工智能范围，它们只能在某些方面超过人类。
1、弱人工智能
可以代替人力处理某一领域的工作。目前全球的人工智能水平大部分处于这一阶段。就像超越人类围棋水平的阿尔法狗，虽然已经超越了人类在围棋界的最高水平，不过在其他领域还是差的很远，所以只是弱人工智能。
展开全文2、强人工智能
拥有和人类一样的智能水平，可以代替一般人完成生活中的大部分工作。这也是所有人工智能企业目前想要实现的目标。走到这一步之后，机器人大量替代人类工作，进入生活就成为的现实。
3、超人工智能
人工智能的发展速度是很快的。当人工智能发展到强人工智能阶段的时候，人工智能就会像人类一样可以通过各种采集器、网络进行学习。每天它自身会进行多次升级迭代。而那个时候，人工智能的智能水平会完全超越人类。
超级人工智能更接近于我们幻想中的神或者上帝，科学家们表示，当达到超人工智能时，AI的发展将呈指数级爆发，它将对人类造成极大的冲击，人类之所以能支配地球，因为智慧就是力量，而我们亲手创造的超级人工智能可能成为地球的新一任主宰。返回搜狐，查看更多
责任编辑：发展人工智能 需要经历的三个重要阶段
其实，人工智能经历的这六十多年，都有一个很明显的规律。我认为，这个规律就是人工智能在发展过程中必须经历的三个阶段。现如今，人工智能的浪潮越来越热，技术也越来越强大，对于人工智能这个词相信大家已经耳熟能详了。人工智能从1956年被提出之后，经过岁月的变迁，从提出到发展到如今已经有了62年的历史，这期间积累的人工智能技术和人才，可以说都是在为了我们现在的高科技产品、人工智能产品实现落地，以及实现这些产品应用在日常生活场景中奠定基础。但其实，人工智能从一开始的提出到现在的发展，经历的这六十多年，都有一个很明显的规律，或者说这个规律其实是人工智能在发展途中所需要经历的。我认为，这个规律就是人工智能在发展过程中必须经历的三个阶段。
那么，这三个阶段分别是什么呢?
第一阶段
首先是第一阶，我认为第一阶段是运算智能阶段，也就是在最开始诞生基础理论的阶段，为什么这么说呢，因为第一个阶段，也就是这个阶段奠定了人工智能技术发展的基本规则。并且，在这个阶段的人工智能，具备了存储和运算的能力，而且也拥有了最基本的开发工具，为我们后面的人工智能研究提供了条件，毕竟没有工具，一切都是徒然。除此之外，这个最基本的开发工具也为后来人们升级更好的工具开创了良好的条件。在基础算法和原始开发工具的加持下，人们对于人工智能的研究产生了极大的动力，并且对算法程序和语言开发投入了极大的热情，也正因为如此，这第一个阶段就给人工智能的发展带来了第一波的高潮，大家争先恐后抢占研发，为日后人工智能技术的迭代更新打下了非常重要的基础。
所以这第一个阶段就是集中诞生基础理论的阶段，也是为人工智能的未来打基础的阶段，也是非常重要的一个阶段。
第二阶段
那第一阶段谈理论打基础，那么第二阶段会是什么呢?其实很好猜也很好理解，第二个阶段就是人工智能技术要更新迭代进步的阶段。在这个阶段。由于前个阶段人们研究人工智能所打下的基础，使得现在可以获得和分析的数据飞速增长，经过也一遍一遍的数据分析与研究，认人工智能的超级大规模运算成为了可能，不再存在于幻想中。不过运算的结果是相互的，由于需要不断的运算，那么人们所需要的数据也要非常多，这就倒过来让人们被迫的加速对数据的采集，由于数据过多过杂，也让人们学会了对数据的清洗，同时也增加了对经验的积累。光有数据不行，于是人们也开始研究起硬件来，并将数据转移到硬件上，这一举措使得相应的软硬件基础设施得到了快速的发展，再通过这些基础设施，反过来又带动了大数据行业的蓬勃发展。
如果说第一阶段是因为对人工智能的一时兴起，而带来了第一波高潮，但是原来第一阶段的人们可能不研究人工智能了，那么这第二阶段的高潮，可以说是大企业带来的，大企业在这个阶段发挥出了规模优势，是推动人工智能发展第二波高潮的主要力量，同时也是动力。所以第二阶段也可以叫可以说是感知智能阶段。
第三阶段
前面两个阶段，可以简单的理解为起源和发展，那么到了第三阶段，目标就很明显了。经过第一阶段和第二阶段的研究与进步，到了第三阶段自然就是要对前两个阶段的东西进行实际落地应用，毕竟研究了许久，为的就是这一刻。随着人工智能技术的发展和数据积累，相信大部分行业会逐渐发现人工智能技术好像到达了天花板，短期之内无法再通过研究加强人工智能，于是企业便把目标转向人工智能深入到具体应用上。所以在第三阶段，数据分布的情境化特性使得人工智能在特定情境下的垂直发展成为了可能。
那么还有第四阶段吗?目前来看是没有的，我们需要克服目前第三阶段的困难才能前进。企业们要挖掘人工智能在实际场景中应用的可能性，让机器具备能理解思考、像人一样能够学习和推理的能力。所以，我们可以看见目前有越来越多基于人工智能的科技产品诞生，例如它不仅能下围棋，还可以当医生、当老师，甚至做律师，可以在很多方面，不光从是代替人类做简单重复的机械式体力劳动，还可以替代人类很多纷繁复杂的脑力劳动，释放出人类更聪明的智慧和灵感。所以第三阶段也叫实际场景应用阶段，当然，也可以以人工智能的角度来看，那就是认知智能阶段，这里的认知智能，意思是让人工智能去学习、学会像人类一样的思考，具有自己认知的能力。
当然，随着人工智能在三个阶段里不断的完善发展，目前各个行业基本都会有人工智能的影子在，相信大家也都有接触过，那么这里我们就来举几个人工智能在部分行业的应用。
人工智能应用场景举例
比如智能家居，想必也是大家听到最多的一个词，智能家居是以住宅为平台，基于物联网技术，由硬件、软件系统、云计算平台构成的一个家居生态圈，其中包括家居生活中多种产品，涵盖多个家庭生活场景。虽然大家听到非常多的智能家居，但是呢，我国智能家居市场其实正在处于启动阶段，尚未进入爆发期，而且产品渗透率较低，并不是大家想象的那般已经非常普及了，但是可以想象，人工智能技术肯定会为智能家居行业带来颠覆性的突破。
再例如智能安防，不要以为安防与我们无关，这其实是错的。安防在我们的身边到处都是，但是安防为什么能和人工智能扯上关系呢?那是因为随着物联网技术的发展，传统简单被动的安防形式已无法满足日常多样化的生活和工作场景，比如现在越来越高明的骗术和利用高科技偷窃等，与其被动，不如我们主动防护，所以在大数据、人工智能等技术的带动下，安防向城市化、综合化、主动安防方向发展，智能安防成为当前发展的主流趋势，其应用覆盖了金融、交通、教育等行业，囊括银行机构、政府、学校、家庭等场所。把安防赋予人工智能的强大能力，让我们能够持续的在安全环境中生活。
人工智能的未来展望
总的来说，依据人工智能这几十年的发展规律，是完全符合那三个阶段的。当前，人工智能可以说是非常的火爆，就比如现在正在举办的2021世界人工智能大会，在大会上就出现了非常非常多的优秀的人工智能实际落地场景，可谓是百花齐放。最后说回我们国内，单纯看我们国内的话，其实还是处于第二阶段的，也就是还处在成长期。因为目前人工智能在技术、应用、安全、隐私以及道德伦理等方面，还有不少问题需要不断完善。
人工智能的发展是为了满足人民的美好生活，工具为人服务，人工智能是人创造的，也必须为人服务，要有利于维护社会公平正义，解决发展不平衡、不充分的问题，推动全体人民的共同富裕、共同发展。未来，希望各大企业都可以围绕着“满足人民的美好生活”为目标，不断的在人工智能里深入研究，并基于人工智能开发出为人民服务的实用工具，早日解决发展不平衡、不充分的问题，推动全体人民的共同富裕、共同发展。
人工智能的发展三个发展阶段
当事物飞速发展时，你往往需要停下来，回顾自己的位置，否则你很容易对细节感到兴奋。构成人工智能基础的数据技术正以不同的方式发展，速度很快。所以，在你改变职业之前，或者决定用人工智能拓展业务的时候，让我们先鸟瞰一下人工智能，帮助我们了解自己的位置和未来方向。下面就由小编为您介绍一下人工智能的发展三个发展阶段。
秘塔OCR00条点评咨询产品免费试用解决用户选型困难的好软件，有各维度的信息客户案例暂无合作品牌9人工智能的发展三个发展阶段
我们倾向于把人工智能看做新事物，尤其是新技术以及和深度学习相关的新技巧。然而，人工智能已经过数十年的发展，否认过往的成功似乎不合逻辑，因为技术总是不断向前发展。
当我费力向其他人解释人工智能之时，我不断为预测分析寻找一些分界线，这些分析我们已经实践了相当一段时间，也是大众对人工智能持有的观点。最近我读到了一本名叫《人工智能的三次浪潮（ThreeWavesofAI）》的书，作者是DARPA信息创新办公室主管JohnLaunchbury，他从一个更长远和宽广的视角，将人工智能的历史与未来划分为了三个阶段：
1.手工知识（HandcraftedKnowledge）阶段
2.统计学习（StatisticalLearning）阶段
3.语境顺应（ContextualAdaptation）阶段
Launchbury的观点对我帮助极大。尽管阶段（ages）的比喻很有用，但是这很容易让人误解为一个阶段结束了下一个阶段作为替代才开始。与此相反，我把人工智能看作一个金字塔，其中下一阶段的发展奠定在前一阶段之上。这也清晰地表明了即使是最古老的人工智能技术也不会过时，且实际上依然在使用之中。
对于第二个阶段统计学习（StatisticalLearning），即我们目前所处的阶段，我分为了一些更细的阶段，因为第二个阶段之中有一些重大突破值得单独作解释。
第一阶段：手工知识
第一个阶段的典型代表是「专家系统」（expertsystems），其把大量知识转化为由中小企业团队精心制定的决策树来增强人类的智能。专家系统的代表例子是TurboTax或者做调度的物流程序，它们在上世纪80年代已经出现，且很有可能更早。
尽管我们有能力运用机器学习统计算法诸如回归、SVM、随机森林以及神经网络，且这些算法自上世纪90年代以来获得了飞速扩展，但手工系统的应用并未完全消失。最近Launchbury提及到该系统的一个应用成功防御了网络攻击。大约在2004年之前，相似的系统实际上已经成为自动驾驶车的核心（其失败的主要原因是不能解释所有的现实问题）。
Launchbury认为专家系统在推理方面表现不俗，但仅限于几个严格定义的问题，且没有学习能力，不能处理不确定性问题。
第二阶段：统计学习
第二个阶段是我们现在所处的阶段。尽管Launchbury倾向于关注深度学习方面的进步，实际上早在我们使用计算机寻找数据中的信号之时就已经步入了第二阶段。统计学习阶段开始于数十年之前，但是在上世纪90年代获得了牵引力，并通过处理新数据、容量甚至是数据流而不断获得扩展。
由于不断增加的深度学习技术工具箱（比如回归、神经网络、随机森林、SVM、GBM），统计学习阶段伴随着从数据之中寻找信号能力的爆炸性增长应运而生。
这是一种不会消失的基础数据科学实践，它可以解释消费者（他们为什么来、为什么留、为什么走）、交易（是否存在欺诈）、装置（它是否有问题）、数据流（30天之后其价值是什么）的所有行为问题。统计学系对人类智能的增强是不断发展的人工智能的部分之一。
在第二阶段之中，至少有另外两个重大突破极大地提升了人类的能力。第一个是Hadoop与大数据。现在我们已经有了大规模并行处理以及储存和查询大的非结构快速移动数据集的方法。2007年Hadoop首次开源，直到现在。第二个小的突破是现代人工智能工具集的兴起，其由以下6种技术组成：
1.自然语言处理
2.图像识别
3.强化学习
4.问答机
5.对抗式训练
6.机器人
除了少数例外，这些技术可被整合为依赖于深度学习的一类，但是如果你查看深度学习工作方式以及深度神经网络运行方式的详情，你很快会意识到这些并不是问题的核心。
在卷积神经网络、循环神经网络、生成对抗神经网络、强化学习之中的进化神经网络及其所有变体之中通常有很少；反过来在问答机（Watson）、机器人或者不使用深度神经网络的强化学习变体之中存在更少。
由于这些技术的共同之处是它们生成自己的特征，也许我们应该称之为无特征建模的阶段（EraofFeaturelessModeling）。你仍然不得不使用已知的标注实例进行训练，但是你不必在列中填入预定义的变体和属性。它们在极其大的计算阵列上也需要大规模并行处理，很多次需要专业芯片（比如GPU、FPGA）以在人类时间尺度上搞定一切。
因此，重要的区别就是第二阶段的人工智能可以延续几十年，并且其主要从机器学习、大数据/Hadoop和无特征建模三个方面已经对新技术进行了三次大的变革。但这些突破仍然在统计学习方法这一阶段内，该阶段还会继续发展并产生更多的突破。
Launchbury表明，到目前为止，我们已经拥有非常先进、细分和强大预测能力的系统，但是仍然还没有理解语境和最小推理能力。因为我们的技术对数据有更大量的需求，这已经成为了一个障碍，而对我们仍然有价值和高效的预测分析技术并不应该是这样的。但我们在这个阶段早期无法解决的困难，包括自动驾驶汽车、机器赢得日益复杂游戏的能力、图像、文本和自然语言处理等方面目前都已经取得了重大的突破。
第三阶段：语境顺应（contextualadaption）
接下来呢？Lauchbury说，当前统计学习时代出现了两个问题，第三个阶段要解决两个问题。
解释推理行为的模型：虽然我们的深度神经网络善于分类，比如图片，但是处理原理仍然显得神秘莫测。我们需要既可以进行分类也可以得到解释的系统。理解推理就能让对处理过程的修正真正有效。
生成模型：这些模型可以从潜在语境中进行学习，比如一个模型，掌握了每个字母的笔画，而不是基于大量糟糕的书写样本进行粗暴分类。我们今天使用的生成模型有望显著减少对训练数据的需求。
鉴于这些特点，处在这一阶段的人工智能系统就能使用语境模型（contextualmodels）进行感知、学习、推理以及抽象，将从一个系统中学习到的东西应用到一个完全不同的语境中。
全景视野
新阶段的开始并不意味着前一阶段会戛然而止。一些技术、功能的有用性或许会降低，但是完全被淘汰出局也不太现实。比如，最新技术所需的大量计算力、研发的复杂性以及训练都会制约这些技术退出历史舞台，将来某个时候出现的高价值的问题可能还会用到这些技术。
其他情况，比如语境采用阶段，我们可能不得不等待新一代芯片的出现，这类芯片更加类似人脑。这些被称为神经形态或者脉冲神经网络的第三代神经网络都会用到现在研发最早阶段的那些芯片。
现在，我们处在第二阶段（统计学习）的什么位置？
当前阶段的三章内容中，人们可能最关注的是新东西，深度学习、强化学习以及上述构成该阶段的六种技术之间的平衡。
这是一个进化的艰难过程，刚开始结果，但这些新的发展大多还没有准备好开花结果。虽然我们可以看到这些技术会向哪个方向发展，但只有两三种技术有望可靠和商业化。当你试图将这些技术拧在一起时，这些技术只是松散的，集成这些技术仍然是最具挑战性的事情之一。以上就是小编为您介绍的人工智能的发展三个发展阶段。