在很長(zhǎng)一段時(shí)間內(nèi)，我們對(duì)于人工智能的印象和認(rèn)識(shí)都來(lái)源于科幻電影，每當(dāng)提起人工智能，我們的大腦總會(huì)浮現(xiàn)出未來(lái)感，科技感的畫(huà)面或者詞語(yǔ)。但是短短幾十年的風(fēng)云際會(huì)，當(dāng)我們真正處于發(fā)達(dá)的互聯(lián)網(wǎng)技術(shù)的環(huán)境之時(shí)，我們對(duì)于正在接觸的人工智能卻依舊沒(méi)有真實(shí)感。以至于我們并不明白什么是人工智能，卻對(duì)它唯恐避之不及。

人工智能的概念很寬，所以人工智能也分很多種，我們按照人工智能的實(shí)力將其分成三大類。弱人工智能、強(qiáng)人工智能和超人工智能。

弱人工智能Artificial Narrow Intelligence （ANI）： 弱人工智能是擅長(zhǎng)于單個(gè)方面的人工智能。比如有能戰(zhàn)勝象棋世界冠軍的人工智能，但是它只會(huì)下象棋，你要問(wèn)它怎樣更好地在硬盤上儲(chǔ)存數(shù)據(jù)，它就不知道怎么回答你了。

強(qiáng)人工智能Artificial General Intelligence （AGI）： 人類級(jí)別的人工智能。強(qiáng)人工智能是指在各方面都能和人類比肩的人工智能，人類能干的腦力活它都能干。創(chuàng)造強(qiáng)人工智能比創(chuàng)造弱人工智能難得多，我們現(xiàn)在還做不到。Linda Gottfredson教授把智能定義為“一種寬泛的心理能力，能夠進(jìn)行思考、計(jì)劃、解決問(wèn)題、抽象思維、理解復(fù)雜理念、快速學(xué)習(xí)和從經(jīng)驗(yàn)中學(xué)習(xí)等操作?！睆?qiáng)人工智能在進(jìn)行這些操作時(shí)應(yīng)該和人類一樣得心應(yīng)手。

超人工智能ArTIficial Superintelligence （ASI）： 牛津哲學(xué)家，知名人工智能思想家Nick Bostrom把超級(jí)智能定義為“在幾乎所有領(lǐng)域都比最聰明的人類大腦都聰明很多，包括科學(xué)創(chuàng)新、通識(shí)和社交技能?！背斯ぶ悄芸梢允歉鞣矫娑急热祟悘?qiáng)一點(diǎn)，也可以是各方面都比人類強(qiáng)萬(wàn)億倍的。超人工智能也正是為什么人工智能這個(gè)話題這么火熱的緣故，同樣也是為什么永生和滅絕這兩個(gè)詞總是出現(xiàn)在人們的口中。

現(xiàn)在，人類已經(jīng)掌握了弱人工智能。其實(shí)弱人工智能無(wú)處不在，人工智能革命是從弱人工智能，通過(guò)強(qiáng)人工智能，最終到達(dá)超人工智能的旅途。這段旅途中人類可能會(huì)生還下來(lái)，可能不會(huì)，但是無(wú)論如何，世界將變得完全不一樣。

我們?nèi)粘Ｉ钪幸呀?jīng)每天都在使用人工智能了，只是我們沒(méi)意識(shí)到而已。人工智能現(xiàn)在已經(jīng)能實(shí)現(xiàn)很多功能了，比如

語(yǔ)音識(shí)別——李開(kāi)復(fù)博士當(dāng)年做的工作奠定了很多當(dāng)今識(shí)別系統(tǒng)的基礎(chǔ)。這里忍不住說(shuō)一下，Siri本身的技術(shù)并沒(méi)有特別大的亮點(diǎn)，真正nb的是它的模式（語(yǔ)音識(shí)別直接與搜索引擎結(jié)合在一起，產(chǎn)品體驗(yàn)做得好。而且關(guān)鍵是這樣的模式能采集到更多數(shù)據(jù)，使得系統(tǒng)的精度越來(lái)越高）

自然語(yǔ)言理解——目前看到的最強(qiáng)的結(jié)果應(yīng)該是IBM Watson。但其實(shí)我們現(xiàn)在用的搜索引擎、中文輸入法、機(jī)器翻譯都和自然語(yǔ)言理解相關(guān)。

數(shù)據(jù)挖掘——隨著近年數(shù)據(jù)量的瘋狂增長(zhǎng)，數(shù)據(jù)挖掘也有了長(zhǎng)足進(jìn)步。最具有代表性的是前幾年著名的Netflix challenge最后這一比賽成績(jī)較好的隊(duì)伍，并非是單一的某個(gè)特別nb的算法能給出精確的結(jié)果，而是把大量刻畫(huà)了不同方面的模型混合在一起，進(jìn)行最終的預(yù)測(cè)。

計(jì)算機(jī)視覺(jué)——目前越來(lái)越多的領(lǐng)域跟視覺(jué)有關(guān)。大家可能一開(kāi)始想到的都是自動(dòng)駕駛。雖然大家都在說(shuō)googleX的無(wú)人車， 但實(shí)際上現(xiàn)在無(wú)論是商業(yè)上，還是技術(shù)整合上最成功的算法是Mobile Eye的輔助駕駛系統(tǒng)。這個(gè)公司也是目前computer vision領(lǐng)域最掙錢的公司。

從實(shí)現(xiàn)新功能方面說(shuō)，視覺(jué)的發(fā)展的趨勢(shì)主要有兩方面，A） 集成更多的模塊，從問(wèn)題的各種不同方面，解決同一個(gè)問(wèn)題（比如Mobile Eye，就同時(shí)使用了數(shù)十種方法，放到一起最終作出決策） B） 使用新的信息，解決一個(gè)原來(lái)很難的問(wèn)題。這方面最好的例子是M$的Kinect，這個(gè)產(chǎn)品最讓人拍案叫絕的就是那個(gè)紅外pattern投影儀。

這里說(shuō)的是數(shù)學(xué)理論，是為實(shí)現(xiàn)功能解決問(wèn)題而存在的。與人類的智能的聯(lián)系在下一節(jié)說(shuō)。從這個(gè)角度，我們已經(jīng)有了很多強(qiáng)有力的數(shù)學(xué)工具，從高斯時(shí)代的最小二乘法，到現(xiàn)在比較火的凸優(yōu)化，其實(shí)我們解決絕大多數(shù)智能問(wèn)題的套路，都可以從某種意義上轉(zhuǎn)換成一個(gè)優(yōu)化問(wèn)題。

真正限制我們解這個(gè)優(yōu)化問(wèn)題的困難有以下三個(gè)：

計(jì)算復(fù)雜度——能保證完美解的算法大都是NP-hard的。如何能讓一個(gè)系統(tǒng)在當(dāng)前的硬件下“跑起來(lái)”，就需要在很多細(xì)節(jié)取巧，這是很多l(xiāng)earning paper的核心沖突。

模型假設(shè)——所有模型都要基于一些假設(shè)，比如說(shuō)，無(wú)人車會(huì)假設(shè)周圍的汽車加速度有一個(gè)上限（至少不會(huì)瞬間移動(dòng)吧，否則怎么閃避）絕大多數(shù)假設(shè)都不能保證絕對(duì)正確，我們只是制定那些在大多數(shù)時(shí)候合理的假設(shè)，然后基于這些假設(shè)建模（比如，在語(yǔ)音識(shí)別里，我們是否要假設(shè)存在背景噪聲呢？如果有背景噪聲，這個(gè)噪聲應(yīng)該符合什么特點(diǎn)呢？這時(shí)候無(wú)論你怎么定標(biāo)準(zhǔn)，總能找出“反例”）

數(shù)據(jù)基礎(chǔ)——任何學(xué)習(xí)過(guò)程都需要數(shù)據(jù)的支持，無(wú)論是人類學(xué)說(shuō)話學(xué)寫(xiě)字，還是計(jì)算機(jī)學(xué)習(xí)汽車駕駛。但是就數(shù)據(jù)采集本身來(lái)說(shuō)，成功的案例并不多。大概這個(gè)世界上最強(qiáng)的數(shù)據(jù)采集就是google了吧。每次你搜索一個(gè)關(guān)鍵詞，然后點(diǎn)進(jìn)去，google就自動(dòng)記錄了你的行為，然后以此數(shù)據(jù)來(lái)訓(xùn)練自己的算法。