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：人工智能应用三大发展阶段，对应数据需求各有差异
人工智能应用三大发展阶段，对应数据需求各有差异。研发、训练和落地是企业应用人工智能算法必须要经历的三个阶段，由于不同发展阶段算法所处的状态不同，所以不同发展阶段对AI数据的要求也有着差异化表现，但每个阶段都需要大量的数据支撑。
云测数据认为，未来，高精度数据将成人工智能训练阶段追逐热点，具备主要需求方稳定的特点，存量市场将稳步增长;而随着人工智能对长尾场景的数据需求进一步扩大，3-5年内，场景化数据将拥有更广阔的增量空间，成为行业加速发展的新引擎;同时，底层技术+服务能力”将愈发重要直至成为核心竞争点，人工智能更需要能提供一体化数据解决方案的服务商。
一、“数据的精准度”将成为行业追逐热点和重要突破项
在算法训练阶段，需要通过更高质量的数据对已有算法的准确率、鲁棒性等能力进行优化。
从产品终端体验来看，在人工智能概念热度和巨大的市场前景背后，国内消费者对AI应用的期待值大幅提升，但AI应用却出现同质化严重等问题。当前，人工智能算法模型经过多年的打磨，基本达到阶段性成熟，一个成功的AI应用与其他应用的差异化对比，更多的来自于精准大量的训练数据。
随着人们对人工智能算法识别准确的要求更上一个台阶，具有更高精准度的数据也将成为训练阶段的主流需求。云测数据在数据采集标注领域的重要优势之一，就是能提供足够精准的训练数据，因此其最高99.99%的精准度可较好的应对人工智能数据精准度提升的情况，行成企业护城河。
对于人工智能数据采集标注服务商来讲，将提高数据标注精准度作为业务追求，才能用存量市场和增量市场“两条腿”稳健前行，而那些低质量的AI数据服务商在未来将面临淘汰或转型其他业务。
二、人工智能向垂直领域落地，场景化数据需求迎来增长
在算法落地阶段，经过研发与训练之后，人工智能应用从理论走向市场，对细分场景化的数据准确度提出更高要求。
从细分结构来看，随着人工智能技术的不断成熟，更多的场景和行业开始嵌入使用人工智能技术，AI行业应用场景逐渐趋于长尾和碎片化，产生了大量新兴垂直领域的数据需求，如疫情期间的口罩识别应用等;同时，从AI应用迭代、用户体验完善的角度来看，AI应用需要更加贴合具体使用场景的数据进行迭代更新。
这些数据采集需求相对复杂、聚焦，难度较大，对AI数据服务商的场景化采集能力提出了很高的要求。随着人工智能对长尾场景的数据需求进一步扩大，未来，场景数据将拥有更广阔的增量空间，具有相关采集工具、资源、能力的数据采集标注服务商将拥有极大的竞争优势。以云测数据为例，为进一步满足场景化数据的需求，首创了“数据场景实验室”进行相应的场景化数据生产。
“底层技术+服务能力”更受数据需求方重视，数据服务商应提前布局。目前，纵观国内外人工智能数据服务厂商，各家企业在模式、技术、服务等方面各有差异，但综合人工智能发展需求和服务厂商的情况来看，“技术+服务”将成为未来3-5年内的重要竞争核心。
三、数据采集标注服务商的“技术能力”将变得更加重要，数据的隐私安全依旧需要完善
技术层面来讲，随着AI训练数据需求多样化，以及复杂程度的提升，客户类型丰富、数据需求多样、并发项目众多等因素对厂商的能力和效率提出更高要求。如云测数据就拥有一套自主研发贯通创建任务、分配任务、数据处理、质检/抽检、和数据安全管理等各环节于一体，并且能对图像、文本、语音、视频以及点云数据做到一站式加工处理的管理和执行一体化平台。这是AI数据服务商技术实力的集中体现，也是快速确立行业地位的关键一步。
其中，由于部分行业领域具有较高的数据敏感性，那些自主研发能力强、技术水平高、可向需求方提供私有化部署服务，或将自身平台与需求方系统兼容，来保证数据的隐私安全等能力，将成为人工智能数据服务商形成差异化竞争的关键。
四、未来3年，人工智能更需要能提供一体化数据解决方案的服务商
“服务能力”属于数据服务商的一项软实力，具体表现为能够积极配合、快速响应需求方的数据要求。通过对数据需求方的调查研究，除了对精细化、质量、安全性、效率等业务层面的核心关注点之外，具备更深刻的行业领域知识、更懂场景、更懂技术、更具行业前瞻性，甚至给出需求方提出采标优化建议等等的服务能力，将成为未来数据需求方选择合作企业的重要参考指标。
尤其在人工智能应用场景落地阶段，常规的数据采集或者数据标注已经不具备竞争优势。可以提供集调研、咨询、设计、采集、标注于一体的人工智能训练数据解决方案的服务商，在扩大人工智能数据服务的业务边界的同时，还将在开拓业务市场、行业地位的确立上具备更多的主动性。
人工智能对数据提出更高需求，展现了在人工智能产业化落地进程中，数据发挥的重要作用。场景化、高精度的数据和专业化、技术化的服务，将成为未来3-5年人工智能全速发展的重要突破口，驱动人工智能深化发展。人工智能的发展加速各领域智能化的到来，而中国庞大的数据量又为人工智能技术在各个场景落地生长提供了肥沃土壤，叠加向好的政策、大力的技术研发投入和积极拥抱新技术的消费者，人工智能产业未来发展强劲，数据采集标注服务将成为主要拉力，并持续处于上升期，行业前景良好。(顾天娇)
责任编辑：kj005
文章投诉热线:15600572229投诉邮箱:2913236@qq.com