人工智能的诞生与寒冬
“人工智能”一词正式诞生于1956年的达特茅斯会议。
会议的组织者约翰.麦卡锡，是个雄心勃勃才三十岁的青年才俊，一直致力于有限自动机的研究，会议前一年，还和著名的信息论之父香农合著了《自动化研究》一书，鉴于让计算机具备的推理能力和智能行为的研究成果，他欢欣鼓舞，决定召开一次大规模的会议，希望借此将各地计算机智能的研究者们汇聚在一起，让思想的火花碰撞，激化出新的灵感，“人工智能”是这次会议的正式命名，是麦卡锡灵光闪现的结果。
麦卡锡被称为人工智能之父，但在一些学者看来，这顶桂冠更应该归属图灵，因为图灵早在1947年就写了《智能机器》的文章，设想人类的大脑是一台精密的机器，是可以用一种人造大脑来模拟的，不过图灵没有正式提过“人工智能”一词，也不知晓这个词的出现，因为两年前，他咬着毒苹果自杀了。
这次会议大师云集，盛况空前，得到了信息论之父克劳德.香农、神经网络之父马文.明斯基，IBM公司计算机设计专家奈特.罗彻斯特的大力襄助，也获得洛克菲勒基金7500美元的资助。
艾伦.纽厄尔和赫伯特.西蒙展示的逻辑理论机器（LTM）成为这次会议最大的亮点，LTM能够证明部分数学命题，正好搔到与会者们的痒处，满足了他们关于“智能”的期盼。
大会确立了今后的研究目标，即“沿着之前的信念继续钻研下去，就是人类智能的各种特点和学习的各个方面都能够在机器中得以体现，人们有能力将这种推测转化为现实。”
这一目标在人工智能领域具有开创性意义，如领航灯，引领了后来二十多年的研究方向，但随着八十年代“人工智能寒冬”的出现，用事实证明这个目标过于宏大，不切实际，究其原因有三：
1. 人工智能研究的基础工具是计算机，计算机技术的特性决定了智能模拟的局限性
2. 人工智能研究依据的理论模型不是真正意义上人类大脑的思维模式
3. 人工智能研究目标的固步自封。
计算机最初来自图灵机，图灵机是图灵在1936年发表的论文《关于可计算性》中提出的机器模型，图灵在论文中证明凡是具备可计算性的数学问题都可以通过有限步骤的机械运算来解决。
机械运算，有限的步骤，这说明计算机程序无论多么复杂和智能，都是有限步骤的机械运算，如果把人工智能比作孙悟空，这有限步骤机械运算的计算机堪当孙猴子手中的如意金箍棒吗？
不能！这是第一个跳出来怀疑人工智能的哲学家休伯特.德莱弗斯的回答。
按照德莱弗斯的理解，大多数人工智能的研究工作是建立在这样一个理论基础上的，即思维中包含一种模型，模型中含有“物理符号”，而信息加工技术可以对这些“物理符号”进行操作和加工。
仔细琢磨，这不正是图灵理论的窠臼吗？
问题是这是人类的思维模式吗？早在计算机发明之前，哲学家们就试图解释大脑思维的奥妙了，德莱弗斯给我们列出了两个哲学流派的观点：
一个是理性主义哲学流派，以康德和笛卡尔为代表，他们采用了形式主义的研究方法，并试图用专门化的规则来解释这些认知过程，坚定的认为大脑就是复杂的机器，当然要比一般意义上的机器灵活精密，如果这一观念成立，倒让图灵麦卡锡们松一口气。
二个是现象学派，二十世纪才兴起，以维特根斯坦、海德格尔、和梅洛-庞蒂为代表，用整体论的研究方法来看待这个复杂的问题，他们认为，人类的身体状态、情绪以及各种体验是交织在一起的，并在此基础上产生了不同个体对于这个世界的不同知觉情况，果如此，机械论者提到的规则说就不成立了，因为没有什么规则是能够和特定个体的具体生活经历相提并论的。
德莱弗斯显然是后者的拥趸，他认为那种灵活多样，充满自主性并能够稳定地勾勒出人类思维的仿真智能是永远无法通过过程系统来实现的，因为无论从生理层面，还是心理层面，人类大脑并不像人工智能研究者们在计算机中模拟的那个样子。
他给人工智能研究者们一个通俗的比喻，那就是他们最终的结局会和炼金师一样，是不可能找到梦想中的石头的。
有心栽花花不开无心插柳柳成荫，外国的炼金师没找到梦想的石头，中国的方士也没有练出长生不老药，可是，他们都在化学领域开花结果了。
同样地，人工智能者们并没有研制出他们心目中类似人脑的电脑，却发明了多种计算机语言，促进了工具化电脑（个人计算机）的普及和应用。
但是，他们并没有被现实唤醒，不仅痴心不改，还批评那些改弦更张的追随者，嘲弄具有实用价值的研究成果（如专家系统）是伪人工智能，直到雄心勃勃的日本第五代智能计算机项目，十年的研发归于失败，结结实实撞了个头破血流。
人工智能研究者们在概念上的固步自封，扼杀了人工智能的发展，预示着人工智能寒冬的来临，标志是各国政府大量削减对人工智能项目的经费支持，而另一方面，个人PC机，计算机网络却欣欣向荣了。
作者观点：如同复杂的计算机软件最终都有01代码构成，万物皆由基本粒子构成一样，人脑亦然，意识由物质决定，物质由基本粒子构成，大脑是基本粒子构建的机器，虽复杂精密，总有规律可循，意识是大脑机器的功能反应，同样有规律可循，这样说来，或许那些一意孤行的人工智能研究者们没错，理性主义的哲学家也没错，唯有德莱弗斯错了，既如此，人工智能为何来了寒冬呢？皆因人类对自己大脑及其运作机制认识不足罢了。
人工智能在哪里爆发的(人工智能在哪里诞生)
首次提出人工智能是在哪一年?1956年
1956年的夏天，在美国东部的达特茅斯召开了一次会议，人类首次决定将像人类那样思考的机器成为“人工智能”。“人工智能”分别进入几次阶段，几次低谷阶段的打磨，让“人工智能”在1997年5月11日，IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，这件事在当时轰动一时。这一步成功以后，IBM研究院进而挑战人工智能的深度问答，这是人工智能发展的一个主要里程。
首次提出人工智能在哪一年?什么是人工智能1、首次提出人工智能在1956年。1956年夏季由一批科学家在美国的达特茅斯大学举办了一次研讨会，会议上同意使用由麦卡锡提出的新术语：人工智能（缩写为AI），标志着人工智能学科的诞生。
2、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。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能的诞生地位于美国的哪个州
人工智能的诞生地位于美国马萨诸塞州的波士顿。
21世纪初，波士顿已经成为一个智力、技术与政治思想的中心。
人工智能产生于哪一年人工智能产生于：1956年。
（英语：ArtificialIntelligence，缩写为AI）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。该词也指出研究这样的智能系统是否能够实现，以及如何实现。
人工智能于一般教材中的定义领域是“智能主体（intelligentagent）的研究与设计”，智能主体指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程”。
安德里亚斯·卡普兰（AndreasKaplan）和迈克尔·海恩莱因（MichaelHaenlein）将人工智能定义为“系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力”。人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。
AI的核心问题包括建构能够跟人类似甚至超卓的推理、知识、规划、学习、交流、感知、移物、使用工具和操控机械的能力等。当前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。
而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中。思维来源于大脑，而思维控制行为，行为需要意志去实现，而思维又是对所有数据采集的整理，相当于数据库，所以人工智能最后可能会演变为机器替换人类。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。
人工智能的发展动因有哪些？人工智能作为互联网驱动下的一个重要领域，能够发展到今天，不是靠着自身内部的驱动力，而是因为互联网在不断完善，数据变的随处可得，所以，人工智能的进步来源于互联网基础设施的不断进步，离开互联网孤立的来看人工智能，是没有意义的。人工智能的再度兴起并非偶然，因外部环境和人工智能自身都在发生演化。驱动人工智能领域发展到现在程度的外部动因有：
1）传感器能力和数量的大幅提升。受智能手机、可穿戴设备等爆发式增长的推动，传感器无论从数量还是质量上都有了飞跃，而机器的感知能力变强是机器变“聪明”的重要前提。LIGA等微电子技术的日趋成熟，推动着传感器能力有了质的飞跃，大量智能设备的出现则进一步加速了传感器领域的繁荣。这些伸向真实世界各个领域的触角是机器感知世界的基础，而感知则是智能实现的前提之一。
2）计算成本的大幅下降。人类很早就确定了人工智能需要处理的任务，但之前的计算资源使计算机无法完成这样庞大和复杂的信息处理。摩尔定律使得计算成本在迅速下降，同时云计算的出现、GPU的大规模应用使得集中化的数据计算能力变得前所未有得强大。今天人类已经拥有实现这些设计所需要的计算资源，如最新一代微处理器的性能是1971年第一代单片机的400万倍。大规模的集中式计算使得人工智能的发展速度指数级加快，过去仅训练深度神经网络模型对某一物体的认知就要花费近一年时间，而现在这个时间被缩短到几天内。
3）海量数据的出现。2015年，全球产生的数据总量达到了10年前的20多倍。如此海量的数据给机器学习提供了足够多的素材。人工智能的本质其实分为两部分：首先是能够汇集到足够多的有效数据；其次是利用先进的算法对这些数据进行处理。大数据得益于互联网、移动互联网和越发廉价且变得无处不在的传感器。大数据是人工智能发展的助推剂，因为有些人工智能技术是使用统计模型来进行数据的概率推算的，如图像、文本或者语音，通过把这些模型暴露在数据的海洋中，使它们得到不断优化，或者称之为“训练”。
人工智能发展现状及应用
导读：人工智能（ArtificialIntelligence），英文缩写为AI。人工智能被认为是第四次科技革命的核心驱动力，目前许多领域都在探索AI技术的应用，可谓方兴未艾。那么什么是人工智能，它经历了怎样的发展历程，现阶段发展状况如何，它有哪些应用。本篇文章就为大家做个简单分享。同时也会为大家详细介绍一下百度的AI技术体系。
本文主要内容：
1.人工智能概念
①智能
②人工智能
2.人工智能的发展
①人工智能的发展历程
②AI是中国的机遇
3.AI与百度
①百度AI的发展历程
②百度AI的技术体系
③百度AI的场景化应用
1.人工智能概念
1.1智能
谈到人工智能，需要首先理解“智能”一词的具体含义。智能是指人类才具有的一些技能。人在进行各种活动的过程中，从感觉到记忆再到思维产生了智慧，智慧产生了人类本身的行为和语言，行为和语言统称为能力；智慧和能力结合在一起就是人工智能中的智能一词。
比如，人类的语言表达能力就是一种智能（语言智能）；人类进行复杂数学运算的能力也是一种智能（数字逻辑智能）；人类的交往能力也是一种智能（人际智能），人们对音调、旋律、节奏、音色的感知能力，也是一种智能（音乐智能）。他们都属于智能的范畴。
1.2人工智能
把智能的概念与人的逻辑理解相结合，并应用到机器中，让机器能更好的模拟人的相关职能，这就是人工智能。人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。
人工智能概念，最早可以追溯到上世纪90年代初，这个时候需要提到一位科学家：图灵。
艾伦·麦席森·图灵（英语：AlanMathisonTuring，1912年6月23日—1954年6月7日），英国数学家、逻辑学家，被称为计算机科学之父，人工智能之父。
图灵最早定义了什么是人工智能，怎样去界定一个机器（或一个设备）是否具备智能。他最早提出了图灵测试（即：一个人在不接触对方的情况下，经过某种特殊的方式和对方进行一系列的问答，如果在某些时间之内，他无法根据这些问题判断对方是人还是计算机，那么我们就认为这台机器具备智能化的思维）。直到2000年左右，才真正有计算机通过了图灵测试，才实现了一个突破。在2014年图灵测试大会上，出现了一个通过图灵测试的机器（或者称为智能聊天的机器人）。这两年人工智能的高速发展，也印证了最早的图灵测试，这也让我们反向看到了图灵在人工智能定义方面做出的突出贡献。
现今，在做图灵测试时，判断这个设备是否具备人工智能，更多的还是从模拟人的角度来考量。但在当前科技背景下，人工智能需要涵盖更广的内容，它不仅仅要模拟人本身的职能，还需要具备一些扩展、替代甚至延伸的职能。
举个例子，在医疗领域，需要经常在实验室进行病毒化验，人处这样的实验环境下会比较危险，经常会出现一些事故，如果能够用机器替代人来做这些实验，这些事故就可以避免。此时，这台机器就不仅仅是在模拟人，而是在替代人，机器本身就具备了替代人的能力。
当前，很多人在担忧：人工智能的发展会不会对人类造成威胁。其实，目前人工智能还处于早期的阶段（或者称之为婴幼儿阶段），我们还处于弱人工智能时代。
当然，随着时间的推移，将来我们可能会把弱人工智能时代推进到强人工智能，甚至再往前推进到超人工智能和智能爆炸时代。但至少目前，我们离这样的时代还有非常远的距离，要实现这样的目标，需要非常多的时间积累，可能要通过几代人甚至十几代人的努力。所以大家不要有过多的担心，人工智能现在更多的还是用于服务人类，用来提高人们的工作效率。
上图引自MIT大学一位教授。
针对人工智能所覆盖的领域，这位教授提出一个观点：“我们要尽可能避免做这些容易“进水”的工作，以免被日后所淘汰掉”。
这张图水平面以下的工作，如存储，计算、甚至象棋活动等，已经被海平面淹没。在海平面边缘的工作，如翻译、驾驶、视觉和音频等，很有可能在未来的一段时间，随着技术的进步也会被淹没。再来看图上高海拔地区的工作，如艺术创新、科学研究，文学创作等，让人工智能替代人类去做这些工作，在现阶段是比较困难的。要让人工智能实现像人一样具备主观能动性，还需要比较长的时间。我们在选择工作，或者在做技术探索的时候，应该从更高的层面布局，而把那些可以被人工智能替代的工作交给计算机去做，这样我们就可以从一些重复性、冗余性的工作中抽离出来，去专门从事创造性的工作（比如艺术创作等）。
2.人工智能的发展2.1人工智能的发展历程我们回顾一下人工智能发展的历程。
人工智能并不是特别新鲜的词，在计算机出现后不久，大家就已经开始探索人工智能的发展了。
1943到1956年这段时间，为人工智能的诞生期，期间有很多人尝试用计算机进行智能化的应用，当然此时不能称为人工智能，只是有类似的概念。
人工智能的分水岭是1956年达特茅斯会议，在本次会议上正式提出了AI这个词。
1956到1974年这段时间，是人工智能发展的黄金时代，是人工智能的第1个高速发展期，通常把这段时间称之为人工智能大发现时代。
1974到1980年这6年的时间里，进入了人工智能发展的第1个低谷，在这个低谷期，出现了非常多的问题，比如计算上的问题、存储上的问题、数据量的问题，这些问题限制了人工智能的发展。
1980到1987年这段时间是人工智能的第2个繁荣期。期间诞生了大量的算法，推动了神经网络的高速发展，同时出现了许多专业的科研人员，发表了许多创造性的论文。
1987到1993年这段时间是人工智能的第2个低谷期，期间有个词叫“AI之冬”。有大量的资本从AI领域撤出，整个AI科研遇到了非常大的财政问题，这是导致”AI之冬”的主要原因。
1993年之后，人工智能又进入到高速发展期，期间出现了许多经典案例，比如1997年IBM公司的深蓝案例，2001年IBM的沃森案例，2016年谷歌AlphaGo案例。这些案例是人工智能在应用层面的体现。
上图概括了人工智能的发展历程。
可以看到，从1956年达特茅斯会议AI这个词诞生，一直发展到现在，人工智能共经历了60多年的跌宕起伏，并不是仅在2016、2017这两年间才出现了人工智能这个概念。
从宏观上看，AI的发展历程经历了三次比较大的起伏。
第1次起伏是从1943年到1956年，首次出现了神经网络这个词，把人工智能推到一个高峰，期间出现了许多大发现。而第1次低谷使人工智能进入到了反思的阶段，人们开始探讨人工智能的应用。
第2次起伏是在上世纪80年代，期间BP算法的出现，神经网络新概念的普及，推动了人工智能又进入第2次高峰和发展。然而从1987年到1993年又进入到了了第2次低谷，这主要因为一些财政原因导致。
第3次起伏从2006年开始，由辛顿提出了深度学习的概念，把神经网络往前推动了一大步，也把人工智能推到了高速发展阶段，尤其是近几年在非结构化领域取得了许多突破（例如在语音与视觉方面），给人工智能进入商业化应用带来许多的基础性技术沉淀。
人工智能为什么会在前面的发展过程里遇到了那么多的坎坷？为什么在最近这几年会进入一个高速发展期？
我们归结了近几年人工智能高速发展的三点原因：
①算力飞跃
人工智能（尤其是深度学习），对底层计算能力的要求非常高。早期的计算受到了极大限制，从CPU发展到了GPU，使得算力几乎能达到几倍甚至十几倍量级的增长。再从GPU到TPU，计算速度能达到15~30倍的增长，使得在算力层面不断取得突破。此外，大量云资源的出现将我们计算的成本压到了最低，我们在处理海量计算的同时，也可以享受比较低的成本。再者，芯片技术的发展，使得端处理能力持续提高，这些都帮助我们在算力层面取得了很大的突破。
②数据井喷
从PC互联网时代到移动互联网时代，再到可穿戴设备的应用，都产生了大量的数据。这两年，每年产生的数据量可以达到50%左右的增长。2017年到2018年，这段时间内基本上每个月产生的数据量可以达到几十个亿的量级，数据量已经非常高。物联网的连接，能帮助我们把更多的数据采集回来，帮助我们在数据层面做更多的积累，这是数据井喷带来的积极影响。
③算法突破
近几年来，从机器学习到深度学习，算法不断取得突破。使得我们可以处理更多的大规模、无监督、多层次等复杂业务。
算法、算力、数据是人工智能的三要素，算力是骨骼，数据是血液和食物，算法就是大脑，三者不断取得突破，才能促进人工智能高速发展。
2.3AI是中国的机遇
人工智能技术的发展也促进了很多产业的发展。中国目前有非常好的历史机遇，不仅仅是在技术上有大量的积累，同时，国家也为人工智能的发展提供了非常好的政策环境。此外，市场空间、资金支持、人才储备，也都为人工智能的发展提供了非常好的条件。
通过上图可以看到，人工智能的研发人才目前还比较短缺。图上数据来源于领英在2017年所做的全球AI人才报告。以2017年的数据来看，全球人工智能专业的人才数量超过190万，在这190万人才中，美国处于第一梯队，有85万+；而中国在人工智能领域的人才积累比较少，从数据上来看，目前国内人工智能方面的专业技术人才可能只有5万+，当然这是2017年的数据，现在可能会有一些增长，但是量级也没有达到我们想象的那么大。
所以从国内目前来看，这约5-10万的AI技术人才，对比AI产业的高速发展需求，两者之间有巨大矛盾。那怎样更好的用这些人才作为突破，把人工智能方面的技术人才储备提高到百万级别。这正是整个百度（包括百度的教育合作与共建，包括百度所有对外输出的体系，包括我们今天所做的课程）所努力的方向，我们期望通过百度的技术赋能，真正的帮助人工智能取得更好的人才积累，真正培养一些在未来对人工智能行业有巨大贡献的专业人才，这是百度现在的定位目标。
AI浪潮已然到来，行业人工智能时代已经到来。目前，人工智能已经大量应用在2c和2b领域，怎么让人工智能跟具体行业有更好的接触，产生更多的积累，是我们正在重点探索的方向。
比如百度的搜索引擎，已经融入了很多AI元素。模糊匹配、拍照识图、深度挖掘检索等都应用到了大量的人工智能技术。
再如推荐系统，他会基于个人的一些喜好和历史阅读习惯来给用户做一些内容的推荐和匹配，这是很典型的结合大数据做的精准应用，实际上也属于人工智能的范畴。
再如人脸识别技术、语音技术、智慧交通和无人驾驶等，都是AI技术与行业应用的融合，并且这些技术正在不断取得突破。百度现在L4级别的无人驾驶车已经初步实现了一些小规模的量产，未来会有更多的人将真正的体会到无人驾驶给生活带来的便利。
3.AI与百度3.1百度AI的发展历程
上图为百度在人工智能领域的发展轨迹，早在2009年，百度就开始尝试探索人工智能相关技术，直到2019年，百度用了近十年的时间布局人工智能。
2009年尝试性布局人工智能，2013年发布IDL，2014年成立硅谷实验室以及百度研究院，2015年首次发布DuerOS，2016年发布百度大脑1.0版本，同年，百度的自动驾驶技术进入试运营状态，2017年是百度人工智能技术高速发展的一年，不仅成立了深度学习国家实验室，同时也成立了硅谷第二实验室以及西雅图实验室，并且Apollo平台开始运行并对外推广，在2018年到2019年，DuerOS和Apollo平台发展到3.0版本，百度大脑发展到5.0版本。经过近十年的发展和积累，百度的人工智能技术目前处于相对领先的位置。
百度在人工智能领域领域取得的进展有目共睹，比如，百度成立了首个国家级AI实验室；2016年被美国《财富》杂志评选为深度学习领域四大巨头之一；百度的刷脸支付、强化学习、自动驾驶等技术入选MIT2017年全球十大突破性技术；在AI领域，百度的中国专利申请超过2000项。
3.2百度AI的技术体系
百度的技术体系非常全面，覆盖了计算体系、大数据技术体系以及人工智能技术体系等，在机器学习、深度学习、区块链、知识图谱、自然语言处理、量子计算等领域均有雄厚的技术积累。这些技术可以按内容划分成三个板块，第一是A板块（即AI技术板块），第二是B板块（即大数据板块），第三是C板块（即云计算板块）。这就是百度在2016年提出的ABC概念。从一开始的1.0版本，发展到如今的3.0版本，代表着百度在人工智能领域的整体布局。在人工智能领域的布局中，百度的探索不仅停留在最核心的技术上，也同时将核心技术与更多的领域相结合，如边缘计算、物联网（InternetofThings,IoT）和区块链等，得到了如ABC+区块链、ABC+DuerOS、ABC+Apollo等对外输出模式，向各行各业提供解决方案。
在A板块中，将百度大脑分成了不同的层次。最底层是算法层，包含机器学习和深度学习算法，使用百度的PaddlePaddle深度学习框架提供算法层的基础支撑；算法层之上为感知层，感知层可分为对声音的感知和对光的感知，其中，对声音的感知主要是语音技术板块，对光的感知主要是图像技术、视频技术、AR/VR等技术板块；在感知层之上是认知层，认知层更多的是处理人类听到和看到的内容，对其进行深度理解，深度理解需要自然语言处理（NLP/NLU）、知识图谱等技术作为支撑，同时也需要积累大量用户画像数据，这些技术能帮助人们快速的理解和分析人类听到和看到的内容，并对内容进行有效的反馈，这是认知层面的技术；在认知层之上是平台层，平台层将底层的内容进行融合、封装，对外提供开放、完整的AI技术，并引入大量的生态合作伙伴，共同探讨人工智能产业的布局。
百度人工智能整体技术体系，最底层是深度学习框架飞桨PaddlePaddle，作为底层计算框架，飞桨PaddlePaddle支撑着上层场景化能力与平台中的全部板块。在场景化能力与平台中，包含了诸多场景大板块，每个大板块下又细分为多个技术板块，比如语音板块包含了语音合成以及语音唤醒等技术板块；计算机视觉技术中的OCR技术，包括传统通用OCR识别，以及垂直领域OCR的识别，可以对30多个OCR识别领域进行精准识别，比如票据识别、证件识别以及文字识别等；在人脸/人体识别板块，同时也会引入图像审核以及图像识别方面的技术；在视频板块，有视频比对技术，视频分类和标注技术，以及视频审核技术；在自然语言处理板块，有机器翻译技术；知识图谱板块，有AR/VR技术。这些板块构成了人工智能体系的技术蓝图。
近两年来，人工智能技术在各行各业中的应用不断加深，实践证明，单一的技术在落地时会受到诸多限制，所以现在人工智能在落地时可能不仅仅用到某一个单独的技术板块，而是需要先把这些板块进行融合，然后再进行实际应用，比如在拍照翻译的应用场景下，既需要用到OCR技术，同时也用到NLP技术。因此在实际应用中，需要综合各个板块的技术，把不同的技术体系和技术内容有机地融合起来，再去解决行业中面临的痛点。
3.3百度AI的场景化应用
2014年到2015年期间，在计算机视觉领域的部分场景下，计算机视觉识别准确率已经超过了人眼识别。而利用深度学习技术的计算机听觉识别，在2017年左右也已经超过人耳听力极限。
人工智能业务场景化不仅依赖底层的硬件资源，也需要超大规模的标注数据，这是监督学习的特点，所以在人工智能早期研究中，有评论说“有多少人工就有多少智能”，这句话在特定角度来看是具有一定意义的。在监督学习中，训练模型需要庞大的标注数据，再结合GPU强大的数据处理能力去训练特定模型，也就是从算法的层面去做更多的工作，在训练模型的过程中需要发挥人的主观能动性，更好的解决在行业应用中出现的一些痛点，构建出行业专属的模型。
比如，将人体分析技术应用到实际行业场景中时，需要结合人脸识别技术和人体识别技术。可以通过基础手势识别，识别一个人在开车时有没有系安全带、是不是在打电话等。
利用人体分析技术，可以做到行为识别，首先设定特定区域，然后对区域内的人员行为进行识别，比如人群过密、区域越界、人员逆行、徘徊以及吸烟等，在特定场景下，行为识别能够帮助用户避免安全隐患。
自然语言处理有很多相关技术，比如说词法分析、词向量表示、语义相似度、短文本相似度、情感相似度分析等。这些技术用在不同的应用场景下。
在公检法系统应用中，为了避免出现非常严重的问题，如同案不同判，具体解决方案是当诉讼呈递给法官时，根据当前诉讼内容在公检法系统中寻找历史上类似的案件，参考历史类似案件的判决，给法官提供判案依据。
在媒体领域应用中，对基础的财经类新闻，可以由机器进行新闻文章的编写，即机器写作。这些技术都是基于NLP在相应领域做的智能化应用，可以让编辑或记者从重复性的工作中解脱出来。
人工智能从广义上来看，也包括大数据及云计算相关技术，这些技术也都涵盖在百度AI技术体系中。在大数据领域，主要包括数据采集、数据存储、数据分析以及数据可视化等，利用这些技术，我们在进行模型训练的时候，对数据进行科学的管理可以帮助我们提高模型训练效率。
百度AI技术体系也提供算力层面的支持，通过GPU服务器以及FPGA服务器提供的算力，更好的解决应用层面的问题。
百度AI就是这样一个从基础层，到感知层、认知层的完整体系，为多行业、多场景提供“一站式解决方案”，力求实现“多行业、多场景全面赋能”。
回顾本篇文章，我们和大家分享了人工智能的相关概念，人工智能的发展历程，从中也可以看出AI是我们的历史机遇。同时本文也为大家详细介绍了百度的AI技术体系，经过10余年的努力，百度AI已经形成从基础层，到感知层、认知层的完整技术体系，为多行业、多场景提供“一站式解决方案”，力求实现“多行业、多场景全面赋能”。