人工智能 wiki(人工智能就业方向及前景)

人工智能音箱、人工智能手机、人工智能手表、人工智能摄像头、人工智能汽车、人工智能机器人……NNP，我就想问一句，人工智能到底是哪家公司，怎么这么厉害？怎么所有东西都是他们家的？

尽管这是个彻头彻尾的段子，但是也揭示了一个人工智能+everything的时代现象，人工智能正在以超高的速度渗透我们生活的方方面面，如果张口闭口不提他几句人工智能，你都不好意思说自己是文化人。

那么，到底什么是人工智能呢？

维基百科对人工智能的定义

其实人工智能的定义这些年来一直在不断地调整和深化。根据维基百科的释义，人工智能全名Artificial Intelligence，译为人造的智能，即由机器或软件所展示出来的智慧。简称AI。说白了，就是让电脑去执行人类任务。

定义虽然简单，但要想说清楚其中原理，弄明白它的意义和发展轨迹，就不是三言两语能解决的问题了。下面就让我们带你粗浅的认识和了解一下人工智能，以及它对于这个时代所产生的影响。

既然人工智能是机器所展现出的智慧，那就让我们从机器是如何获取智慧的说起。

其实这一点与人类无异，机器若想获得智慧，也得需要学习。我们人类，是学习书本上的文字，其他人的经验，或听课堂上老师的讲授；

而机器的学习资料，便是大数据。计算机获取大量的数据进行训练，并从中抽取有效信息，构成它的知识殿堂——这便是机器学习的过程。

那么机器学习与人类学习相比，其优势是什么呢？或者说，我们为什么要让机器进行学习呢？这就不得不提到机器学习的核心了——使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测。

这意味着，与其显式地编写程序来执行某些任务，不如教计算机学习如何开发一个算法来代替人们更加高效地完成任务。

事实上，机器学习是人工智能领域众多分支中的其中一个，它在1997年达到巅峰，当时IBM国际象棋电脑深蓝（Deep Blue）在一场国际象棋比赛中击败了世界冠军加里·卡斯帕罗夫(GarryKasparov)

直到2006年前，传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用已基本达到了商业化的要求或者特定场景的商业化水平

但要实现人类用AI彻底颠覆生活的愿景，机器学习是远远不够的，这也是为什么，机器学习的一个分支——深度学习应运而生，并最终促成了AI的爆发式发展

互联网小常识：密码学分为密码编码学和密码分析学。在设计加密系统时，加密算法是可以公开的，真正需要保密的是密钥，对于同一个加密算法，密码的位数越长，破译的难度也就越大，安全性也就越好。

机器学习最大的突破是2006年的深度学习

深度学习是一类机器学习，目的是模仿人脑的思维过程，经常用于图像和语音识别

本质上，深度学习提供了一套技术和算法，这些技术和算法可以帮助我们对深层神经网络结构进行参数化——人工神经网络中有很多隐含层数和参数

深度学习背后的一个关键思想是从给定的数据集中提取高层次的特征。因此，深度学习的目标是克服单调乏味的特征工程任务的挑战，并帮助将传统的神经网络进行参数化

让我们用一个例子更加生动的说明深度学习优于传统机器学习的地方

如果你要用传统机器学习的方法让一台人工智能机识别一只猫，你需要做如下工作：以复杂编码的形式告诉计算机，你要找的是一个毛茸茸、有胡须、两只耳朵、四条腿……的东西

互联网小常识：弹性分组环（RPR）是基于动态分组传输技术的（DPT）,其标准是IEEE802.17。环形结构是目前城域网的主要拓扑结构。弹性分组环网络采用双环结构这一点与FDDI相同，在RPR环中，两个结点的裸光纤最大距离为100Km，将顺时针的环称为外环，逆时针的环称为内环，外环和内环都可用统计复用传输和控制分组，同时可以实现环自愈能力。

当你把一个个特征都变成代码输入进去——如果你给出的特征足够全面的话，这台计算机大概率会回馈给你一些猫的图片

不过其中也还会夹杂着狗、老虎、狐狸甚至是猴子的图片，——你很难找出一些形容猫的特征的语言而不能用于形容狗

更何况这还只是要求你的计算机简单的区分两个物种，想象一下你如果需要它帮你从茫茫人海中找到你想找的那个人，那将会是多么巨大的工作量！

而如果你要用深层学习的方法去让计算机区别猫和狗，你所需要做的仅是：输入2500万张各式各样猫的图片和2500万张狗的图片，它自己便会通过对这5000万张图片的学习来认识猫和狗

而下一次你需要它从一段视频里找出一只猫，它便会运用它所学的技巧，凭借经验，将视频里的猫轻松的找出来

此外，2017年第一个击败人类职业围棋选手的人工智能机器人AlphaGo的主要工作原理正是深度学习

要彻底说明清楚传统机器学习与深度学习之间最大的区别，还要涉及到很多算法原理，并不是说在所有情况下深度学习都有着突出的优势。比如在处理少量数据时机器学习会更胜一筹，以及还要综合成本、运行时间等等的考量

但有一点几乎是毋庸置疑的，那就是在特征工程量这一指标中深度学习完胜了传统机器学习——这也是之前计算机视觉识别所遇到的最大问题

因此，可以说深度学习是机器学习的一次突破性进展，也是能助力人们最终实现无人驾驶汽车、预防性医疗保健等强人工智能场景的关键因素

AlphaGo击败人类棋手、自动驾驶汽车上路测试、刷脸支付、智能音箱Alex……近年来人工智能帮我们实现了一个又一个曾经遥不可及的科幻梦想，这使得我们一再相信，人工智能不仅已是无处不在，而且距离霍金口中那个无所不能、毁灭人类的超级机器仅有一步之遥了

但事实如此吗？现在的人工智能究竟发展到哪个阶段了？

事实上，人工智能的概念十分宽泛，因此学术界将它分成了三个大类：弱人工智能、强人工智能和超人工智能。弱人工智能是只能处理单个方面或很少个方面任务的人工智能，它与现阶段的人工智能和我们所展望的人工智能相比，只能算是个脑残级别的选手。比如搜索引擎、导航软件、垃圾邮件过滤器……这些你已经司空见惯的功能便是若人工智能的体现，弱人工智能在特定领域可以等同甚至超过人类智能或工作效率

而强人工智能，是我们想象中的，在各方面都能和人类比肩的人工智能，而在效率上要比一般人类更强，我们暂且用机器界的爱因斯坦来形容它，只不过，这位机器界的爱因斯坦与上个世纪末的那位人类物理学天才之间在某种程度上是相反的。事实上，我们目前人工智能尚未突破的领域不在于物理学、微积分、金融市场交易、语言翻译等这些对于人类来说很难的领域，而是在于情感识别、通顺交流、快速判断等这些对于人类来说易如反掌的事情。目前，还没有能称得上是强人工智能的机器出现，我们距离制造出强人工智能机器还有很长的路要走，目前无论是硬件和软件的开发程度，都还没有让我们窥见强人工智能的灯塔

我们目前正处于被弱人工智能包围，不断向强人工智能进行尝试的阶段。从脑残到爱因斯坦之间，这条路还很长

最后，让我们正经的总结一下这个问题：

人工智能的未知性在学术界引起两种截然不同的观点，其一，是由身居硅谷的科技狂徒们为首的乐观派，他们不仅不相信人工智能会取代人类，反而虔诚的相信它最终会在一定意义上实现人类的永生；而另一派，则是以霍金、埃隆马斯克等科学家为首的悲观派，他们坚信，人们对人工智能的肆意开发将使人类走向灭绝。二者各说各理，都很可信。但既然现阶段的人工智能离爱因斯坦级别都还那么远，我们岂不是远不用担心霍金口中所说的无所不能、毁灭人类的超级机器了？事实是，没有人说得清人工智能的可怕之处，而这，才是它最可怕的地方

霍金所恐惧的这种超级机器会是什么样子呢？它就是人们口中的超人工智能，一种远高于弱、强人工智能，以及人类的最高智慧形式。目前，学者对超人工智能的定义是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、通识和社交技能的人工智能。那它为什么很可怕呢？让我们先来回顾一下现阶段的人类大脑都达成了那些成就：18世纪，人类发明了蒸汽机，从此手工劳动被取代了；19世纪末，人们发明电力驱动机，实现工业的大规模生产；20世纪中，新兴科技的出现和发展彻底颠覆了人们的生活生产结构；当下的21世纪，人类正走向强人工智能时代，展望超人工智能时代——短短三个世纪，人类大脑创造了一个又一个奇迹，实现了无数个不可能——那么比人类大脑聪明的多的智慧形式，又会有怎样的壮举呢？有人说它会与人类融为一体，在一定形式上让人类实现永生；也有人说它会取代人类并最终毁灭人类，自立文明，没有人真正知道答案。我们只知道，这个超级机器，会给人类世界带来又一次翻天覆地的变化

不过，连大佬们意见都不统一的问题，我们也不必纠结，未来终会来临，比起猜测，我们可以做更有价值的事情

其实，笔者以为，对任何一种极端的刻意追求都不会有好的结果。如同任何一个新发明一样，人工智能的出现和发展既有其利，也有其弊。人工智能带给我们生活的便利已无需赘述，现在已经几乎没有人可以说他的生活中完全不需要人工智能的协助了；然而我们也不否定，在未来的某一天，人工智能会发展到一个对人类生活产生负面的甚至毁灭性的影响的程度，而正是人工智能未来的不可知性，应更能警示我们，我们现在所走的每一步都很关键，因此我们应该格外的谨慎。我们在此刻所做的事情决定着数十年或数百年后人们的生活。人类文明，以其美好的体现形式：音乐、舞蹈、图画、建筑……或将得以永存，亦是从此灭绝。我们诚愿这个时代的人类能够谨言慎行，以最高智慧的姿态，携人工智能，带领后人走向永生。