人工智能的发展，主要经历哪几个阶段
人工智能的发展主要经历了五个阶段：（1）萌芽阶段，上世纪50年代，以申农为首的科学家共同研究了机器模拟的相关问题，人工智能正式诞生；（2）第一发展期，上世纪60年代是人工智能的第一个发展黄金阶段，该阶段的人工智能主要以语言翻译、证明等研究为主；（3）瓶颈阶段，上世纪70年代经过科学家深入的研究，发现机器模仿人类思维是一个十分庞大的系统工程，难以用现有的理论成果构建模型；（4）第二发展期，已有人工智能研究成果逐步应用于各个领域，人工智能技术在商业领域取得了巨大的成果；（5）平稳发展阶段，上世纪90年代以来，随着互联网技术的逐渐普及，人工智能已经逐步发展成为分布式主体，为人工智能的发展提供了新的方向。
人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：如何帮助推动人工智能发展，个人建议优先考虑这三个要点？http://www.duozhishidai.com/article-15867-1.html人工智能的四大发展趋势，未来十年改变世界http://www.duozhishidai.com/article-7007-1.html人工智能发展前景的担忧http://www.duozhishidai.com/article-5649-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
人工智能何以促进未来教育发展
原标题：人工智能何以促进未来教育发展自工业革命以来，人类社会的发展总是在技术与教育的角逐互动中前行。技术作为推动人类历史发展的核心推进力，与教育这一“人力资本发动机”竞相成为推动经济社会发展的主力。人工智能作为第四次工业革命的显著标签，其飞速发展正在逐步塑造社会、经济、生活等领域的业务新形态，也不断带来颠覆性、丰富性、创新性的新业态。面对人工智能技术对整个社会发展的刺激，教育如何发展，成为值得思考的重要问题。
人工智能凸显创新人才发展挑战
作为引发第四次科技革命的核心技术，人工智能促进社会经济和科技的指数级发展，对人力资本的质量与供给产生了新的需求，人工智能与人力资源之间的相互依存关系产生了前所未有的张力，教育的超前性更是受到前所未有的挑战。第一，知识增长的指数发展使得未来人才需要哪些方面的准备具有极大的不确定性。第二，智力劳动者比重增加，创新人才成为时代发展的刚需。人工智能技术与生产过程的深度融合，会极大压缩生产领域的从业者需求，特别是那些人工智能胜出的领域。第三，人工智能技术的兴起引发高技术产业、新兴产业、新型服务行业更广阔的发展空间，从而使得创新型人才、复合型人才、高技术人才等在劳动力结构中需求激增。人工智能技术无法取代的创造性、灵活性、人文性等能力将成为智能化时代人才竞争的关键。教育肩负培养创新人才、为未来人才提前布局的使命。回溯历史，我们可以得到的经验是，只有教育领先于技术的发展步伐，为技术推进的社会提前做好人力资源的布局，社会的发展才有后劲。因此，在人工智能推进社会更飞速发展的今天，必须回答好什么样的教育才能承载提前布局人力资源的使命，以应对未知社会的人才挑战这一问题。
人工智能催生新的知识生产方式
在人工智能的影响下，人类知识生产加剧变化，知识增量呈现指数级态势。教育的传承性发展将不再局限于知识的传授与继承，而强调知识创造与创新，人工智能的介入更是催生了新的知识生产方式。其一，人工智能强大的知识发现能力缩短了知识生产周期。随着深度学习、强化学习等新的机器学习算法的发展，人工智能除了可以加快知识的生产、访问和利用，还可以从数据中提取隐含的、未知的、潜在的、有用的信息（知识），从而扩展知识创造的能力。其二，人机协同的智能模式扩大了知识创造的机会与可能性。人工智能技术不仅促进人的群智协同创新，而且可以实现人类与人工智能代理协同，后者所具有的超强计算能力，可以极大加速知识生产，催生知识的众创，以及人机协同知识创新。人工智能催生的新的知识生产方式对教育的挑战是，教育不再局限于知识传承，而更是知识的创新。未来学校教育必须教会学生如何与人工智能技术协同合作，呵护学习者“能学”，以及高度重视学生辨析知识能力的培养，召唤学习者“会学”，促进学习者在人机交互中实现知识更新与创造。
人工智能变革学习方式带来创造力与活力释放可能
人工智能已经引发了诸多领域与行业的深刻变革，对教育的系统性变革更是呼之欲出，为学习方式的变革带来了可能。首先，人工智能技术带来规模化教育的个性化可能。人工智能构建的智慧学习环境不仅创造灵活的学习空间，还能感知学习情境、识别学生特征，为学生提供个性学习支持。其次，人工智能技术带来标准化教育下的适应性可能。人工智能通过动态学习诊断、反馈与资源推荐的自适应学习机制，可以适应学生动态变化的学习需求，从而打破标准化的教育限制，释放出学生的创造力与活力。最后，人工智能改善结构化的授导方式，释放教师的创造力与教学活力而专注于人性化的学习设计。教师烦琐重复性的工作能够被智能机器所替代，智能分析技术能为教师精准定位学生的学习问题与需求，教师的角色将转向更加优秀的学习设计师，专注于“如何让学生学好”，注重培养学生的能力和思维，将更多时间用于学习活动设计以及与学生的个性化互动交流，为学生提供个性化学习支持服务。人工智能的发展以及与教育教学的深度融合，给教育的改革创新带来了更多选择，教育需要发挥技术的赋能、增能、使能优势满足教育的功用性追求，也要坚守教育的育人初心和使命传递人文性价值，以学生的成长发展为前提探索可以实践的学习方式、学习设计，通过人工智能释放出教育的更大活力。
人工智能引发领域与行业变革催生教育生态升级
人工智能对其他领域与行业的变革影响也会延伸到教育领域，因为教育是关乎社会发展全局的事业。一方面，人工智能所发挥的增强、替代、改善、变革等作用，突出体现在对社会生产和生活各个领域所产生的行业重塑作用，以及对人力的释放。另一方面，这些重塑作用和人力的释放，引发了社会领域与行业的变革，促使了社会人才需求的转向；而教育是社会人才资源输出的重要领地，需要为此作出有力回应，从而催生教育生态升级。人工智能加速了教育深化改革的进程，推动了系统内部的更新再造。数字技术已经对教师学生、课程、教学方式、学习体验、评价、管理等教育要素产生了深刻影响，并通过逐步的再造教育流程，变革着教育生态。而人工智能则在进一步加速这一过程，以一种颠覆性创新的态势，拓展系统内各要素的内涵，改善和延展系统内部关系，重塑教育系统功能与形态。人工智能拓展了教育边界，助推未来学校建设。未来学校将借助技术的力量，把校外学习场所（如科技馆、博物馆）和线上学习场所都纳入“学校”的范畴，整合社会各领域的教育资源，形成一种全新的育人环境。同时，数字孪生等新技术促进现实空间与虚拟空间的交互融合，通过创建人、物、环境数字孪生体，实现物理空间与数字空间的双向映射、动态交互和实时连接。对教育系统内部的升级改造以及空间资源的拓展，能够使其更好地与社会领域衔接，更好地提供适应未来生活和工作的创新人才成长场所。
人工智能关乎强国战略目标实现
教育应服务于国家战略布局，为抢占人工智能发展先机，构筑先发优势；为国际竞争、社会发展输出创新人才，支持科学技术的自主研发。当前，世界各国纷纷把发展人工智能上升到国家战略的高度，以抢占新一轮科技革命的机遇高点以及全球竞争中的主动权。《新一代人工智能发展规划》提出我国要“成为世界主要人工智能创新中心”的战略目标，全局部署了经济、教育、科技、社会发展和国家安全等重要方面。教育强国战略是科教兴国战略、人才强国战略和创新驱动发展战略等重要战略的逻辑起点，人工智能对教育的人才培养能力提出更高要求。近年来，世界各国在发展人工智能的同时也面临巨大挑战，如创新人才问题、高新技术自主可控问题等。人工智能的国际竞争本质是人才的较量，这需要教育从战略层面予以回应。因此，教育在战略上起引领作用，就要既充分发挥智能技术优势推动教育生态系统升级，又谋篇布局为国家发展提供人才支撑。立足技术与教育在角逐中互为塑造的视角，对人工智能促进未来教育发展的探索，更需要在战略上把握先机，通过教育为社会各领域输出创新人才，支撑社会各领域转型升级以及人工智能等高新科技的创新发展，为强国战略注入持续活力与能量。
教育在与技术的角逐中共同推动社会的发展。教育具有超前性、人文性、传承性、战略性及生态性等特点。在人工智能技术的指数式发展面前，教育的超前性变得难以维系；需要慢工出细活的人文性与满足社会用人需求的工具性之间呈现时空拉锯和矛盾；对人类知识的传承则变身为历史传承、人际共创以及人机共创的多重特征。随着人工智能技术推动的发展加速，教育的发展战略、前瞻性谋划，是一个时不我待、任重道远的重要课题。
（作者：顾小清，系国家社科基金重大项目“人工智能促进未来教育发展研究”首席专家、华东师范大学教育信息技术学系教授）
(责编：郝孟佳、孙竞)分享让更多人看到
人工智能7大关键技术，终于有人讲明白了
[[345456]]
企业使用AI的一个复杂因素是，这个主题包含了多个不同的底层技术。这些技术中大多数都能够完成很多替代功能。技术和功能的组合非常复杂，表1-1列出了7项关键技术，包括每项技术的简要描述，以及它们可以实现的一些典型功能或应用程序。
表1-1人工智能关键技术
本文会更深入地描述这个表中的每种技术及其功能。我还将论述每种技术在商业AI世界有多普遍。我的本职工作是商学院的教授(跟很多不同的公司合作过)，但我也是德勤战略和分析实践部门的高级顾问，该部门整合了人工智能方面的咨询工作。
下面是对每一项技术及其功能的深入描述。
[[345457]]
01~03统计机器学习、神经网络和深度学习
机器学习是一种自动将模型与数据匹配，并通过训练模型对数据进行“学习”的技术。机器学习是AI最常见的形式之一。
在2017年德勤对250位经理(其所在公司都已经在探索AI)开展的“了解认知”调查中，接受调查的公司58%在其业务中采用了机器学习。它是许多人工智能方法的核心技术并且有很多的版本。公司内部和外部数据(尤其是这些外部数据)的爆炸式增长使它们采用机器学习来全面理解这些数据变得既可行又必要。
神经网络是机器学习的一种更为复杂的形式，该技术出现在20世纪60年代，并用于分类型应用程序，例如确定信贷交易是否为欺诈行为。它根据输入、输出、变量权重或将输入与输出关联的“特征”来分析问题。它类似于神经元处理信号的方式，但把它比作大脑就有些牵强了。
最复杂形式的机器学习将涉及深度学习，或通过很多等级的特征和变量来预测结果的神经网络模型。得益于当前计算机架构更快的处理速度，这类模型有能力应对成千上万个特征。
与早期的统计分析形式不同，深度学习模型中的每个特征通常对于人类观察者而言意义不大。这导致的结果就是该模型的使用难度很大或者难以解释。在德勤的调查中只有34%的人在使用深度学习技术。
深度学习模型使用一种称为反向传播的技术，通过模型进行预测或对输出进行分类。AI技术已推动了该领域的许多最新进展，从在围棋大赛中击败人类专家到对互联网图像进行分类，便是使用反向传播的深度学习。在多伦多大学及谷歌任职的杰弗里·辛顿(GeoffreyHinton)通常被称为深度学习之父，部分原因就在于他在反向传播方面的早期研究。
机器学习采用了上百种可能的算法，其中大多数算法有些深奥。它们的范围从梯度增强(一种构建用于解决先前模型错误的模型的方法，从而增强预测或分类能力)到随机森林(作为决策树模型集合的模型)。
越来越多的软件工具(包括DataRobot、SAS和谷歌的AutoML)支持机器学习模型的自动构建，这些模型可以尝试许多不同的算法来找出最成功的算法。一旦通过训练数据找到了能够进行预测或分类的最佳模型，就可以部署它，并对新的数据进行预测或分类(有时称为评分过程)。
除了所使用的算法外，机器学习的另一个关键是模型如何进行学习。有监督学习模型(到目前为止是业务中最常用的类型)是使用一组对输出做了标记的训练数据进行学习。
例如，一个试图预测银行欺诈行为的机器学习模型需要在一个明确构成欺诈案例的系统上接受训练。这并不容易做到，因为实际欺诈的频率可能只有十万分之一(有时称为不平衡分类问题)。
有监督学习与在评分模型中部署的传统分析方法(如回归分析)非常相似。在回归分析中，目标是创建一个模型，使用一组与输出有关而且其值已知的输入变量来预测一个已知结果。一旦模型开发完成，就可以用它通过相同输入变量的已知值来预测一个未知的结果。
例如，根据患者的年龄、体育活动水平、热量消耗和体重指数，我们可以开发回归模型来预测他患上糖尿病的可能性。
我们针对已确诊患有糖尿病或没患糖尿病的患者建立模型(通常使用所有可用数据来建立回归模型)。一旦找到了合适的预测回归模型，就可以使用它基于一组新的数据来预测未知的结果(输入变量达到特定等级时患者患上糖尿病的可能性)。其后的活动(在回归分析和机器学习中)称为评分。
回归过程与有监督的机器学习相同，除了：
在机器学习中，用于开发(训练)模型的数据称为训练数据，而且它可以是明确出于训练目的而保留的数据子集;在机器学习中，通常用另一个数据子集来验证训练模型，该子集的预测结果是已知的;在回归中，可能不需要使用模型来预测未知结果，相反在机器学习中则会对结果做假设;机器学习中可以使用许多不同的算法类型来代替简单的回归分析。开发无监督模型通常更难一些，它要从未做标记的数据中检测模式并预测未知的结果。
强化学习是第三种变体，它是指机器学习系统制订了目标而且迈向目标的每一步都会得到某种形式的奖励。它在玩游戏中非常有用，但也需要大量数据(在许多情况下，太多的数据对该方法不起作用)。
需要指出的是，有监督的机器学习模型通常不会持续学习。它们从一组训练数据中学习然后继续使用同一个模型，除非使用新的一组训练数据来训练新的模型。
机器学习模型是以统计为基础的，而且应该将其与常规分析进行对比以明确其价值增量。它们往往比基于人类假设和回归分析的传统“手工”分析模型更准确，但也更复杂和难以解释。相比于传统的统计分析，自动化机器学习模型更容易创建，而且能够揭示更多的数据细节。
考虑到学习所需的数据量，深度学习模型在图像和语音识别等任务上非常出色(远远优于以前针对这些任务的自动化方法，并且在某些领域接近或超过了人类的能力)。
04自然语言处理
自20世纪50年代以来，理解人类语言一直是人工智能研究者的目标。这一领域被称为自然语言处理(NaturalLanguageProcessing，NLP)，包括诸如语音识别、文本分析、翻译、生成的应用程序及其他与语言有关的目标。
在“了解认知”的调查中，53%的公司在使用NLP。NLP有两种基本方法：统计NLP和语意NLP。统计NLP是以机器学习为基础，而且其性能提升的表现要快于语意NLP。它需要一个庞大的“语料库”或者语言体系来学习。
例如，在翻译中它需要大量的翻译文本，而通过统计分析可以发现西班牙语和葡萄牙语中的amor在统计上与英语中的love一词高度相关。这虽然有点靠“蛮力”，但通常是相当有效的方法。
语义NLP是近十年来唯一的现实选择，如果能用单词、语法和概念之间的关系有效地对系统进行训练那么它就会相当高效。
语言的训练和知识工程(通常指为特定领域所创建的知识图谱)可能会消耗大量的人力和时间。然而，它需要开发知识主体或者单词与短语之间的关系模型。虽然创建语义NLP模型难度很大，但现在有些智能座席系统已经在使用该方法。
NLP系统的性能应该用两种方法来衡量。一种是看它能够理解百分之多少的口语。随着深度学习技术的发展，该指标不断提高而且往往超过95%。
衡量NLP的另一种方法是看它能回答多少种不同类型的问题或者看它能解决多少种问题。这通常都需要语义NLP，但是由于这方面并没有重大的技术突破，所以问答系统和问题解决系统都要基于特定的上下文而且必须进行训练。
IBM沃森在回答《危险边缘》的问题时表现出色，但是除非进行训练(通常都是以劳动力密集型的方式)，否则它回答不了《命运之轮》(WheelofFortune，一档综艺节目)的问题。也许深度学习在未来会应用于问题解答，但现在它还没有。
05基于规则的专家系统
在20世纪80年代，AI的主导技术是基于“if-then”规则集合的专家系统，而且在那个时代开始广泛地应用于商业领域。如今人们往往认为它没有那么先进了，但是2017年德勤“了解认知”的调研显示引入AI的美国公司里有49%使用了该技术。
专家系统要求人类专家和知识工程师在特定知识领域中构建一系列规则。例如，它们通常用于保险承销和银行信贷承销中(但也用于一些深奥的领域，如福爵咖啡的咖啡烘焙或金宝汤罐头的汤汁调制)。
专家系统在一定程度上运行良好，而且容易理解。然而，当规则的数量很大(通常超过几百条)，并且规则开始相互冲突时，它们往往会崩溃。而且如果知识领域发生了变化，那么更改规则将会很困难而且也会很耗时。
基于规则的系统自其早期的全盛时期以来并没有太大的改进，但是保险和银行等大量使用它们的行业还是希望能够出现新一代基于规则的技术。研究人员和厂商已经开始讨论“自适应规则引擎”，该引擎将基于新的数据或规则引擎与机器学习的组合来不断修改规则，但它们确实还没有得到广泛应用。
06物理机器人
鉴于全球每年安装的工业机器人超过20万台，物理机器人已经广为人知。在美国“了解认知”调查中，32%的公司在某种程度上使用了物理机器人。它们在工厂和仓库等地执行起重、重新定位、焊接或装配产品等任务。历史上，这些机器人始终在细致的计算机程序控制下去执行特定的任务。
然而，当下的机器人变得越来越能够跟人类协作，而且更加容易训练，只需要根据预定的任务来移动机器人的部件就可以了。随着其他AI能力嵌入它们的“大脑”(实际上是它们的操作系统)中，它们也变得更加智能。随着时间的推移，我们在AI的其他领域中看到的改进很可能会被融入物理机器人中。
07机器人流程自动化
机器人流程自动化(RoboticProcessAutomation，RPA)技术在执行结构化数字任务(即涉及信息系统的任务)时就如同一个人类用户按照一个脚本或者规则在工作。关于RPA是否属于AI/认知技术的集合存在着争论，因为它不是十分智能。但是由于RPA系统非常流行、自动化，且越来越智能化，因此我把它也视为AI世界的一份子。
有人把它们称为“数字劳动力”，而且与其他形式的AI相比，它们价格低廉、易于编程，而且行动透明。如果你会操作鼠标、能理解流程图并能理解一些if-then业务规则，那么你可以理解甚至开发RPA。这些系统也比其他方法(例如，用编程语言开发自己的程序)更容易配置和实施。
RPA并不真正涉及机器人，它只是服务器上的计算机程序。它依赖于工作流、业务规则及信息系统集成的“表示层”的结合体，作为系统的半智能用户进行工作。
有些人将RPA与电子表格中的宏进行了比较，但是我认为这不是一个公平的比较，RPA可以执行更为复杂的任务。还有人将它与业务流程管理(BusinessProcessManagement，BPM)工具进行了比较，后者可能具有一些工作流功能，但通常旨在记录和分析业务流程，而不是实际将其自动化。
一些RPA系统已经具有一定程度的智能。它们可以“观察”人类同事的工作(例如回答常见的客户问题)，然后模仿他们的行为。其他一些则把过程自动化与机器视觉相结合。与物理机器人一样，RPA系统正慢慢地变得更加智能化，其他类型的AI技术也被用来指导它们的行为。
我对这些技术分别进行了描述，但是现实中它们越来越多地被组合和集成。然而就目前而言，了解什么样的技术可以完成什么样的任务对一个业务决策者来说是非常重要的。
全球公司(GlobalInc.)首席信息官克里希纳·内森(KrishnaNathan)指出，他在2018年的一个关键优先事项是“帮助我的利益干系人了解人工智能能做什么和不能做什么，以便我们能以正确的方式使用它”。也许在将来，这些技术将混杂在一起，以至于这样的理解将不再必要，甚至不可行。