28条有关人工智能的名言，靠不靠谱你来看！
编者按：当谈到人工智能（AI）的潜力和潜在风险，以及无人类干预的机器学习和推理过程时，目前尚存在许多不同的观点。只有时间会告诉我们，这些语录中哪一条是最接近未来的真实情况的。在我们尚未到达目的地之前，想一想哪家的预言最可能成为现实是一件很有趣的事。
1.史蒂芬·霍金
全面化人工智能可能意味着人类的终结……机器可以自行启动，并且自动对自身进行重新设计，速率也会越来越快。受到漫长的生物进化历程的限制，人类无法与之竞争，终将被取代。
2.克劳德·香农
我设想在未来，我们可能就相当于机器人的宠物狗狗，到那时我也会支持机器人的。
3.拉里·佩奇
人工智能将是谷歌的最终版本。它将成为终极搜索引擎，可以理解网络上的一切信息。它会准确地理解你想要什么，给你你需要的东西。我们现在还远远没有做到这一点。然而，我们能够逐渐接近，我们目前正在为此努力。
4.ElonMusk
人工智能（我指的不是狭隘的AI）的发展速度之快令人难以置信。除非你对Deepmind这样的项目有直接的接触，否则你不知道它的发展速度有多快它以接近指数的速度发展。在未来5年的时间里，很有可能发生重大的危险事件。最长也在10年之内。
5.NickBilton
“人工智能带来的巨变将会迅速扩大，它将越来越可怕，甚至带来灾难性结果。”想象一下这样一幅场景一个原本是用来治疗癌症的医疗机器人最终得出这样的结论：消灭癌症最好的方法就是消灭那些基因里就易于受癌症攻击的人类。
6.JamesBarrat
我不想吓你，但我和很多人聊过，他们在人工智能领域都有很高的地位，但他们都准备了一些紧急方案，一旦发生不可控的事故，他们可以用这些方式退出。
7.埃隆·马斯克
我越来越倾向于认为，应该在国家和国际层面上进行监管，以确保我们不会做出非常愚蠢的事情。我的意思是说对于人工智能的研究就仿佛是在召唤一个恶魔。
8.格雷·斯科特
问题所在是，我们什么时候才能起草出一份人工智能法案？这一法案将包括什么？这将由谁来决定呢？
9.克劳斯·施瓦布
我们必须既团结一致又独立地解决由人工智能和生物技术前沿研究而带来的道德伦理问题，这将可以显著地延长人类寿命，增强记忆力并且对新生儿进行有益地影响。
10.吉尼·罗曼提
有些人把这种技术称之为“人工智能”，但实际情况是这种技术将增强我们人类的能力。因此，我认为，我们将增强人类的智能，而非“人工”的智能。
11.杰玛·伟兰
我对于人工智能的忧虑多于兴趣事实上这两种态度本身就相差不多。事情会在头脑中变得清晰，你会被欺骗，你会相信一些你平常不会相信的事情。一个由机器人来运作的世界似乎不再是完全不现实的幻想了。这有点令人不寒而栗。
12.格雷·斯科特
谈起人工智能就不得不谈谈“终结者”。我真的觉得这不现实。我不认为拥有了超人智能的人工智能系统会变得暴力。我不认为这将会破坏人类的文化。
13.彼得·戴曼迪斯
如果一国政府对无人机、干细胞或人工智能技术进行管制，禁止使用，那就意味着相关的研发和生产会转移到别的国家进行。
14.杰夫·霍金斯
人工智能的关键性问题是其表现形式。
15.科林·安格尔
观察全社会将如何对待人工智能技术将会很有趣，这一技术无疑会很酷。
16.埃利德·尤德考斯基
任何能带来优于人类智能的东西，（其形式可能为人工智能，人脑-计算机交互界面，基于神经科学的人类智能提升），都会在改变世界的竞赛中占据领先地位。再没有什么能与此相提并论。
17.黛安·艾克曼
人工智能正在快速成长，机器人亦如此，它们的面部表情可以激起人们的同感，让你的镜像神经元产生震颤。
18.SybilSage
电视中，人们只要叫一声Alexa，她就亮了起来。她总是处于待命状态，永远不会说，“不行……”简直是完美的女人。
19.艾伦·凯
有些人担心人工智能会让人类觉得自卑，但是实际上，即使是看到一朵花，我们也应该或多或少感到一些自愧不如。
20.雷蒙德·库茨魏尔
人工智能将在2029年左右达到人类智力的水平。再进一步，比如说，到2045年，我们将会把智能技术，人类文明所创造的生物机器智能的能力扩大10亿倍。
21.塞巴斯蒂安·特伦
虽然没有人这样说，但我认为人工智能几乎是一门人文学科。这是一种试图理解人类智力和人类认知的尝试。
22.艾伦·佩利
在人工智能上花一年时间，这足以让人相信上帝的存在。
23.格雷·斯科特
到2035年，人类的思维不可能，也不应该可以继续跟上人工智能机器的步伐了。
24.斯派克·琼斯
人工智能不如我们的智力吗？
25.EliezerYudkowsky
目前为止关于人工智能的最大的问题在于，人们过早地得出结论，认为他们真正理解这一技术。
26.让·鲍德里亚
人工智能的可悲之处在于它不够巧妙，因而不够智能。
27.汤姆·查特菲尔德
忘记人工智能吧在大数据的勇敢新世界里，我们的首要工作是找出那些“人工智障”。
28.史蒂夫·波里亚克
在我们研究人工智能之前，我们为什么不做一些关于自然存在的愚蠢行为的研究呢？
那么，你怎么看？你对人工智能有什么看法？
未来机器人到底会有多厉害？机器人大会上的大咖可要给小伙伴们开课了。
人工智能
概述什么是人工智能?人工智能（ArtificialIntelligence），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。人工智能是计算机科学的一个分支，它试图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样的思考，甚至超过人的智能。第一阶段:Python
利用Python解析数据速度,效率方面比较轻量级i.轻量级指的是部署到服务器里面,可以提高服务器访问并发ii.轻量级指的是业务与业务之间的逻辑性很强,兼容性很强,降低耦合度iii.轻量级指的是业务与数据之间的一种关系体现很轻,简单说:获取数据集的方式很快,多样化
Java语言也可以实现人工智能的数据操作—不建议—重量级i.重量级的操作不适合’数据集’的采集操作ii.重量级操作不适合数据集的清理操作iii.重量级的业务与数据之间很难进行数据解析操作
人工智能的历史
1956年夏天：达特茅斯会议，提出“人工智能“20世纪60年代：感知机20世纪70年代：专家系统、知识工程20世纪80年代：日本第五代机20世纪90年代：统计机器学习2006年：深度学习2012年：卷积神经网络…人工智能的分类弱人工智能ArtificialNarrowIntelligence(ANI):弱人工智能是擅长于单个方面的人工智能。强人工智能ArtificialGeneralIntelligence(AGI):人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。超人工智能ArtificialSuperIntelligence(ASI):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“。人工智能的机器学习机器学习需要’思考’
机器学习是一门从数据中研究算法的科学学科‘数据’---->>‘算法’如何实现’数据’到’算法’的过程?数据采集(Python)>>数据分析(Python)>>数据挖掘(Hadoop)>>模型建立(算法)>>预测未来
机器学习理性认识
机器学习的算法公式思想数据1:x轴x1,x2,x3…xn数据2:y轴y1,y2,y3…yn目标值:x---->y误差趋近于零的时候就是目标值,误差最小->数据输出
结果公式:{(x1,y1),(x2,y2),(x3,y3)…(xn,yn)}g:x->y备注:g表示最终的公式
导论结果:其实’数据集’就是一种算法的实现
算法(T):根据业务需要和数据特征选择的相关算法,也就是一个数学公式模型(E):基于数据和算法构件出来的模型评估/测试§：对模型进行评估的策略
训练数据:"训练"数据训练指的是是：一种学习行为----转化为：“经验”-----通过经验采集的数据才是训练数据！训练数据是存在很大的不合理性！并不能满足机器的学习使用！
数据集是训练数据吗？数据集可以让机器学习使用！
机器学习概念拟合构建的算法符合给定数据的特征x(i):表示第i个样本的x向量xi:x向量的第i维度的值
鲁棒性也就是健壮性、稳健性、强健性,是系统的健壮性；当存在异常数据的时候，算法也会拟合数据
过拟合算法太符合样本数据的特征，对于实际生产中的数据特征无法拟合,目标数据和预测数据差距太大！
欠拟合算法不太符合样本的数据特征
人工智能的3大框架sciket-learn(Python)基于Python语言开发的人工智能—大量使用(效率最高)http://scikit-learn.org/stable/
Mahout(Hadoop生态圈基于MapReduce)基于大数据Hadoop的人工智能—不建议(大数据直接与AI结合)—成本高http://mahout.apache.org/
SparkMLlib基于SparkMLlib处理数据解析数据集—处理数据集的速度高于hedoophttp://spark.apache.org/
OpenStack云机房很高端,但对技术要求过高
机器学习之商业个性化推荐：个性化指的是根据各种因素来改变用户体验和呈现给用户内容，这些因素可能包含用户的行为数据和外部因素；推荐常指系统向用户呈现一个用户可能感兴趣的物品列表。精准营销：从用户群众中找出特定的要求的营销对象。客户细分：试图将用户群体分为不同的组，根据给定的用户特征进行客户分组。预测建模及分析：根据已有的数据进行建模，并使用得到的模型预测未机器学习、数据分析、数据挖掘区别与联系数据分析：数据分析是指用适当的统计分析方法对收集的大量数据进行分析，并提取有用的信息，以及形成结论，从而对数据进行详细的研究和概括过程。在实际工作中，数据分析可帮助人们做出判断；数据分析一般而言可以分为统计分析、探索性数据分析和验证性数据分析三大类。
数据挖掘：一般指从大量的数据中通过算法搜索隐藏于其中的信息的过程。通常通过统计、检索、机器学习、模式匹配等诸多方法来实现这个过程。
机器学习：是数据分析和数据挖掘的一种比较常用、比较好的手段。
机器学习分类有监督学习用已知某种或某些特性的样本作为训练集，以建立一个数学模型，再用已建立的模型来预测未知样本，此种方法被称为有监督学习，是最常用的一种机器学习方法。是从标签化训练数据集中推断出模型的机器学习任务。
重点算法判别式模型(DiscriminativeModel)：直接对条件概率p(y|x)进行建模，常见判别模型有：线性回归、决策树、支持向量机SVM、k近邻、神经网络等；
生成式模型(GenerativeModel)：对联合分布概率p(x,y)进行建模，常见生成式模型有：隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、LDA等；
区别:
生成式模型更普适；判别式模型更直接，目标性更强生成式模型关注数据是如何产生的，寻找的是数据分布模型；判别式模型关注的数据的差异性，寻找的是分类面由生成式模型可以产生判别式模型，但是由判别式模式没法形成生成式模型无监督学习与监督学习相比，无监督学习的训练集中没有人为的标注的结果，在非监督的学习过程中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。
无监督学习试图学习或者提取数据背后的数据特征，或者从数据中抽取出重要的特征信息，常见的算法有聚类、降维、文本处理(特征抽取)等。
无监督学习一般是作为有监督学习的前期数据处理，功能是从原始数据中抽取出必要的标签信息
半监督学习(SSL)考虑如何利用少量的’标注样本’和大量的’未标注样本’进行训练和分类的问题，是有监督学习和无监督学习的结合
主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。半监督学习对于减少标注代价，提高学习机器性能具有非常重大的实际意义。
SSL的成立依赖于模型假设，主要分为三大类：平滑假设、聚类假设、流行假设；其中流行假设更具有普遍性。
SSL类型的算法主要分为四大类：半监督分类、半监督回归、半监督聚类、半监督降维。
缺点：抗干扰能力弱，仅适合于实验室环境，其现实意义还没有体现出来；未来的发展主要是聚焦于新模型假设的产生
机器学习分类2分类通过分类模型，将样本数据集中的样本映射到某个给定的类别中聚类通过聚类模型，将样本数据集中的样本分为几个类别，属于同一类别的样本相似性比较大回归反映了样本数据集中样本的属性值的特性，通过函数表达样本映射的关系来发现属性值之间的依赖关系关联规则获取隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现频率机器学习算法算法名称算法描述C4.5分类决策树算法，决策树的核心算法，ID3算法的改进算法。CART分类与回归树(ClassificationandRegressionTrees)kNNK近邻分类算法；如果一个样本在特征空间中的k个最相似的样本中大多数属于某一个类别，那么该样本也属于该类别NaiveBayes贝叶斯分类模型；该模型比较适合属性相关性比较小的时候，如果属性相关性比较大的时候，决策树模型比贝叶斯分类模型效果好(原因：贝叶斯模型假设属性之间是互不影响的)SVM支持向量机，一种有监督学习的统计学习方法，广泛应用于统计分类和回归分析中。EM最大期望算法，常用于机器学习和计算机视觉中的数据集聚领域Apriori关联规则挖掘算法K-Means聚类算法，功能是将n个对象根据属性特征分为k个分割(k