关于AI你一定要知道：人工智能的三个阶段
0分享至AI分为三类：狭窄人工智能（ArtificialNarrowIntelligence）、普遍人工智能（ArtificialGeneralIntelligence）和超级人工智能（ArtificialSuperIntelligence）。
针对人工智能的分类已有不少，我个人认同将人工智能分为以下三类：狭窄人工智能、普遍人工智能和超级人工智能，这三种类型从时间顺序上也对应了人工智能发展的三个阶段。
●第一阶段：狭窄人工智能
狭窄人工智能以目标为导向，完成的是人类指定的一个明确的任务，并随着算法、算力和数据的演进，做得越来越好。
目前绝大部分市场上已有的人工智能产品，都是狭窄人工智能。
我们前面谈到的陪伴机器人、人工智能背心、谷歌的AlphaGo，以及智能无人机、自动驾驶汽车、语音助理、音乐创作机器人等，均属于狭窄人工智能。它们的主要目标是辅助人类延伸各类能力。
迄今为止，全球落地最多的狭窄人工智能项目，均与人机交互有关。随着人工智能技术的发展，人类与机器的关系也在重构。机器不再只是人类做事的助手，开始升级为可以与人类交流的伙伴。这不仅会改变人类生活、学习和思维的方式，也会不断提高机器的智能程度。
我记得在国际数据公司（InternationalDataCorporation）的一个大会上，曾播放过一个孩子和机器人玩耍的场景，它提醒我们，人类的下一代和机器的关系已经开始变得不同。
●第二阶段：普遍人工智能
当人工智能到达普遍人工智能阶段时，智能机器人表面上几乎与人类全无二致，且有着与人类一样的思维，可以进行包括抽象思维、快速学习、制订计划和解决问题等脑力活动。
或许很多人看过2014年上映的一部电影，叫《机械姬》（ExMachina），这部电影代表了人类对机器人的另一种理解。剧中，天才纳森研制出智能机器人“伊娃”，为确认她是否具有独立思考能力，他邀请程序员加利为伊娃进行“图灵测试”。在一系列的测试和交流中，加利被有着姣好容颜的机器人所吸引，感觉自己面对的不是冷冰冰的机器，而是一名被无辜囚禁起来的可怜少女。最终，机器人伊娃利用加利的好感，成功逃出囚禁她的别墅。
另一部相同类型的电影是2001年上映的《人工智能》（ArtificialIntelligence）。主人公“大卫”是一名有着人类能力的机器人，被一名人类母亲领养，并对人类母亲产生了依恋，最终却因为某些原因被人类家庭抛弃。在躲过机器屠宰场的追杀后，大卫开始寻找自己存在的价值，渴望变成真正的小孩，重回人类母亲的身边。
电影中的机器人伊娃和大卫，都属于普遍人工智能。这些机器人有自己独立的思考能力，当然目前“他们”还只能存在于电影中。
现在，全球有DeepMind、OpenAI等组织在探索普遍人工智能。麻省理工学院物理系终身教授迈克斯·泰格马克（MaxTegmark）在其著作《生命3.0》中提出，对于普遍人工智能，只要给予足够的时间和资源，它们就可以具备完成任何目标的能力，且完成得和其他任何智能体不相上下；如果普遍人工智能认为自己需要更好的社交技能、预测技能或设计人工智能的技能，它们就会努力去获得这些技能。
普遍人工智能的目标是使人工智能在非监督学习的情况下，独自处理信息与数据，并与人类开展交互，让机器可以像人类一样独立思考和决策。
大多数人工智能研究者认为，普遍人工智能在未来数十年内就会出现。这样的乐观预测，是基于现代技术超乎想象的迭代速度。
世界领先的人工智能实验室OpenAI曾发布过一份分析报告，声称从2012年开始，深度学习训练所用的计算量呈指数级增长，平均每3.43个月便会翻倍。基于系统、算法、设计、架构等多方面预测，英伟达GPU（图形处理器）的性能在2年内会有10倍的提升，4年内会有65倍的提升，迭代速度遵循的是“超摩尔定律”。此后，超摩尔定律促进了人工智能的爆发式发展。业界面对这个现象，既兴奋于计算力的指数级增长，又担忧迭代太快给人类带来风险。
未来，机器智能进化的速度会越来越快，而人类的智能提升受限于生理条件，进化非常缓慢。在未来的某一天，人工智能必将赶超人类的智慧和能力。
●第三阶段：超级人工智能
1984年上映的电影《终结者》（TheTerminator）描述了一个机器人统治世界的背景，电影讲述的是地球被人工智能“天网”操控，人类不甘为机器所奴役而奋起反抗的故事。这个“天网”，其实就是超级人工智能。
超级人工智能是一种高级的信息程序，其计算与思维能力远远超过人类最聪明的大脑，并打破人脑受到的限制，观察和思考人类大脑已经无法达到的内容。其存在不需要依赖碳基或者硅基材料，也不依托于具体的物质载体。超级人工智能可以像人类一样思考，不断重新设计和更换自己的硬件与存在介质，并借此实现永生。
随着人工智能运算能力的演进，超级人工智能并不是天方夜谭，科学家们相信，它在某一天终将会实现。
早在1965年，计算机科学家欧文·约翰·古德（IrvingJohnGood）即提出了“智能爆炸”理论，他这样写道：“让我们给超级智能机器下一个定义，那就是一台能超越任何人（无论这个人多么聪明）的所有智力活动的机器。由于设计机器也属于这些智力活动中的一种，因此，一台超级智能机器能设计出更好的机器。那么，毫无疑问会出现一种‘智能爆炸’，到那时，人类的智能会被远远甩在后面。于是，首台超级智能机器就会成为人类最后一个发明，只要它足够驯服，并告诉人类如何控制它就行。”［1］
在我看来，在狭窄人工智能、普遍人工智能和超级人工智能之间，也存在人机结合的状态。在近几年的一些国际会展上，我们已经能看到生物技术利用医疗器械修补躯干和四肢，科学家用干细胞组织生成人类的五脏六腑。未来，机器的状态将足够灵活并具有柔性，或许可以替代部分人体的功能，成为人类思维的物理载体，帮助人类实现思维意义上的永生。
图片源自网络
推荐阅读：AI3.0：人工智能落地的商业逻辑
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端人工智能的发展，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
什么是人工智能?什么是机器学习什么是深度学习三连问
人工智能人工智能机器学习有监督学习无监督学习半监督学习强化学习深度学习神经网络三者之间的关系最近机器学习，深度学习频繁出现人工智能领域，成为高频词汇，但是好多同学对这些同学一知半解，一会儿这个学习，一会儿又那个学习的，所以这篇文章，主要是来给同学们介绍这三者之间的关系以及概念性的一些理解，我觉得对于入门这个领域很有帮助。
人工智能其实我们通过一些科幻电影，比如《我，机器人》，《终结者》系列吗，我们大致可以明白，所谓的人工智能的理想状态就是机器有人的思维，可以理解问题，判断问题，解决问题。从这句话我希望告诉同学们。人工智能是指能力，而不是设备，机器只是一种明显的表现方式。
那么随着时代的发展，人工智能的研究领域也在不断扩大，细分出了很多智能化的领域，比如说自然语言处理，计算机视觉，进化计算，推荐系统等等很多，下图展示了人工智能研究的各个分支。 但是就目前AI的发展(人工智能根据能力等级划分，分别是弱智能，强智能，超智能)来说，大部分来说都是弱智能，让机器具备观察和感知的能力，可以做到一定程度的理解和推理，比如现在邮箱自动过滤，自动拦截骚扰电话等。而电影里的人工智能多半都是在描绘强人工智能，而这部分在目前的现实世界里难以真正实现，而强人工智能让机器获得自适应能力，解决一些之前没有遇到过的问题。对比弱智能和强智能，弱智能的学习能力是有人们介入的，比如机器需要学习什么东西，那有关于这个东西的一系列特征，属性…都是人类给予的，而强智能能够有自己的思考方式，能够进行推理然后制作计划，最后进行执行，并且拥有一定的学习能力，能够在实践当中不断进步。那超智能，那基本上其思考能力超越人类了，也许超智能可以比人类提前进入某种未知的领域，且还能自己进行研究。
机器学习弱人工智能有希望取得突破，是如何实现的，“智能”又从何而来呢？这主要归功于一种实现人工智能的方法——机器学习。
在开始学习之前，我们来感受一下，什么是机器学习
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能核心，是使计算机具有智能的根本途径。
通过定义，我们突然感受到机器学习不好学，又要懂得多科数学运算，还要知道代码如何编写，甚至还要研究人类的学习学习。其实不然，我们先感受一个机器学习的例子
我们想要完成做出一个效果，就是可以让机器能辨别出面前的酒是个什么酒，然后我们来到一个酒吧里，酒吧老板也很愿意帮助我们，于是拿拿出了十个酒杯，告诉我们：你眼前的这十杯红酒，每杯略不相同，前五杯属于「赤霞珠」后五杯属于「黑皮诺」。现在，我重新倒一杯酒，你只需要正确地告诉我它属于哪一类。
那我们是如何解决这个问题的呢？
我们将老板提供的信息：酒精浓度，颜色深度搜集起来，作为一个数据集，并且制作出一个模型，如上图(散点图)，我们通过模型，我们就可以发现，两种酒的酒精浓度和颜色深度在散点图中，分布在一定的区域内，我们根据新倒的一杯酒然后去匹配，那么匹配在哪一个区域，那么就是哪种酒的可能性就大。
这里我们所处理的问题叫做「分类问题」机器学习的方法是基于数据产生的“模型”（model）的算法，也称“学习算法”（learningalgorithm）,所以说机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
有监督学习（supervisedlearning)无监督学习（unsupervisedlearning)半监督学习（semi-supervisedlearning)强化学习（reinforcementlearning）以上四种就是机器学习常用算法的体系吧~
有监督学习指对数据的若干特征与**若干标签（类型）**之间的关联性进行建模的过程；只要模型被确定，就可以应用到新的未知数据上。这类学习过程可以进一步分为
「分类」（classification）任务「回归」（regression）任务在分类任务中，标签都是离散值；而在回归任务中，标签都是连续值。
在上面的场景中，每一杯酒称作一个样本，十杯酒组成一个样本集。酒精浓度、颜色深度等信息称作特征。这十杯酒分布在一个多维特征空间中。进入当前程序的“学习系统”的所有样本称作输入，并组成输入空间。在学习过程中，所产生的随机变量的取值，称作输出，并组成输出空间。
在有监督学习过程中，当输出变量均为连续变量时，预测问题称为回归问题；当输出变量为有限个离散变量时，预测问题称为分类问题。其实我们是不是可以理解为就是说，有监督学习，就是我们知道了一个题的答案，我们把这些答案组成一个整体的样本集，然后统计发给机器去学习，当样本集达到了一定量之后，机器就跟人一样，这个东西我见多了，我见的习惯，下次再见，我就知道这个东西是什么的概率比较大了。
无监督学习指对不带任何标签的数据特征进行建模，通常被看成是一种“让数据自己介绍自己”的过程。这类模型包括
「聚类」（clustering）任务「降维」（dimensionalityreduction）任务聚类算法可以讲数据分成不同的组别，而降维算法追求用更简洁的方式表现数据。
与有监督学习相比，好像我们并不告诉机器我们给的数据是什么，答案是什么，我们让机器去尝试，一个类型的答案看多了，也就自然而然的构成了一种人类的“惯性思维
半监督学习另外，还有一种半监督学习（semi-supervisedlearning）方法，介于有监督学习和无监督学习之间。通常可以在数据不完整时使用。
强化学习强化学习不同于监督学习，它将学习看作是试探评价过程，以“试错”的方式进行学习，并与环境进行交互已获得奖惩指导行为，以其作为评价。此时系统靠自身的状态和动作进行学习，从而改进行动方案以适应环境。
这个过程就很像我们训练宠物一样，比如训练狗狗做一下，让狗狗坐下，狗狗坐下来了，我们奖励它一根烤肠吃，没坐下，我们就拍一下它的脑袋，时间长了，是不是狗狗就知道我们坐下才有东西吃。
深度学习那机器学习是如何能够做到通过各种算法从数据中学习完成任务的呢，此时，深度学习就出现了，深度学习：一种实现机器学习的技术。
深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。
神经网络可以说人工智能的核心的核心就是神经网络，因为直到人工神经网络技术的出现，才让机器拥有了“真智能”。因为在神经网络之前，我们人类能清清楚楚地知道机器内部的分析过程，它们只是一个大型的复杂的程序而已；它是由规律可寻找的，而人工神经网络则不同，它的内部是一个黑盒子，就像我们人类的大脑一样，我们不知道它内部的分析过程，我们不知道它是如何识别出人脸的，也不知道它是如何打败围棋世界冠军的。我们只是为它构造了一个躯壳而已，就像人类一样，我们只是生出了一个小孩而已，他脑子里是如何想的我们并不知道！这就是人工智能的可怕之处。
听名词我们就可以了解到：所谓的人工神经网络就是在模拟人类大脑结构，在人类的大脑中，有数十亿个称为神经元的细胞，它们连接成了一个神经网络。在初中的生物学当中，我们知道人类大脑神经元细胞的树突接收来自外部的多个强度不同的刺激，并在神经元细胞体内进行处理，然后将其转化为一个输出结果。
那么我们在神经网络中，x是神经元的输入，相当于树突接收的多个外部刺激。w是每个输入对应的权重，它影响着每个输入x的刺激强度。如下图 大脑的结构越简单，那么智商就越低。单细胞生物是智商最低的了。人工神经网络也是一样的，网络越复杂它就越强大，所以我们需要深度神经网络。这里的深度是指层数多，层数越多那么构造的神经网络就越复杂。
训练深度神经网络的过程就叫做深度学习，网络构建好了后，我们只需要负责不停地将训练数据输入到神经网络中，它内部就会自己不停地发生变化不停地学习。打比方说我们想要训练一个深度神经网络来识别猫。我们只需要不停地将猫的图片输入到神经网络中去。训练成功后，我们任意拿来一张新的图片，它都能判断出里面是否有猫。但我们并不知道他的分析过程是怎样的，它是如何判断里面是否有猫的。但是机器的分析过程是怎么样的？我们无从知道~~
最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。
深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
三者之间的关系不过有几点，还是要声明一下的
目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。
起码目前存在以下问题：
深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法；深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。人工智能的历史、现状和未来
2018年2月25日，在平昌冬奥会闭幕式“北京8分钟”表演中，由沈阳新松机器人自动化股份有限公司研发的智能移动机器人与轮滑演员进行表演。新华社记者李钢/摄
2018年5月3日，中国科学院发布国内首款云端人工智能芯片，理论峰值速度达每秒128万亿次定点运算，达到世界先进水平。新华社记者金立旺/摄
2017年10月，在沙特阿拉伯首都利雅得举行的“未来投资倡议”大会上，机器人索菲亚被授予沙特公民身份，她也因此成为全球首个获得公民身份的机器人。图为2018年7月10日，在香港会展中心，机器人索菲亚亮相主舞台。ISAACLAWRENCE/视觉中国
2018年11月22日，在“伟大的变革——庆祝改革开放40周年大型展览”上，第三代国产骨科手术机器人“天玑”正在模拟做手术，它是国际上首个适应症覆盖脊柱全节段和骨盆髋臼手术的骨科机器人，性能指标达到国际领先水平。麦田/视觉中国
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士