2016年3月， Alpha Go与李世石的一盘棋将人工智能带入了普通人的眼前，一时间人工智能大热，各个领域都在大谈人工智能。人工智能已经着实走进了我们的工作与生活中。虽然人工智能已汹涌而来，但是光知道人工智能这个名词还远远不够。你真的懂人工智能吗？人工智能是什么？人工智能在未来会为我们的生活带来怎样的改变？我们怎样拥抱人工智能？
了解这个时代，才能拥抱这个时代。虽然半个脚迈进了智能机器人的领域，但我对人工智能的了解也只是来自于ALpha Go的媒体报道而已，直到最近读了李开复老师的《人工智能：李开复谈AI如何重塑个人、商业与社会的未来图谱》，书中关于人工智能的介绍与展望，着实令人眼前一亮，解决了我关于人工智能的很多困惑，这绝对是一本很棒的关于人工智能的科普书籍，值得对人工智能感兴趣的小白一读，现用六千多字长文总结分享如下，希望能够同样解决你关于人工智能的困惑
一、人工智能是什么？
1、目前存在的人工智能
其实人工智能并不是什么触不可及的东西，包括苹果Siri、 百度度秘、 微软小冰等智能助理和智能聊天类应用以及美图秀秀的自动美化功能，都属于人工智能。甚至一些简单的，套路固定的资讯类新闻，也是由人工智能来完成的。
当然，现在的主流搜索引擎以及翻译技术也都在尝试利用人工智能来为广大网友提供更为精准的搜索服务。
至于以实物存在的人工智能，当属现在物流仓库的小黄机器人了。他们正代替人类完成繁重的商品摆放、 整理， 快速出库、 入库等操作。
但是需要注意的是，现在的人工智能，并没有发展到像《钢铁侠》里的管家一样的高智能化程度，今天的家庭机器人还远无法像大家奢望的那样， 以人形外貌出现在主人面前。 反倒越是追求与人长得一样， 试图像人一样说话、 做事的机器人项目， 就越没有商业前景。 这个道理很简单——机器人越像人， 人类就越容易拿真人与“它”做比较。 这时， 技术的不足会暴露无遗， 在“缺点放大镜”的作用下， 这种机器人只会显得无比愚蠢和笨拙。
真正容易打动家庭用户的是诸如亚马逊Echo这样的智能家电——功能相对简单， 外形更像家电而不是机器人， 智能功能只面向一两个有限但明确的使用场景。 也就是说， 大多数用户会更喜欢一个有一定沟通能力、 比较可爱甚至很“萌”的小家电， 而不是一个处处缺陷的全功能人形机器人。
2、人工智能的三个级别
1）弱人工智能
也称限制领域人工智能（Narrow AI） 或应用型人工智能（Applied AI） ， 指的是专注于且只能解决特定领域问题的人工智能。 毫无疑问， 今天我们看到的所有人工智能算法和应用都属于弱人工智能的范畴。Alpha Go其实也是一个弱人工智能。人们更愿意将弱人工智能看成是人类的工具， 而不会将弱人工智能视为威胁。
2）强人工智能
强人工智能又称通用人工智能或完全人工智能， 指的是可以胜任人类所有工作的人工智能。一般认为， 一个可以称得上强人工智能的程序， 大概需要具备以下几方面的能力：
存在不确定因素时进行推理， 使用策略， 解决问题， 制定决策的能 力；
知识表示的能力， 包括常识性知识的表示能力；
规划能力；
学习能力；
使用自然语言进行交流沟通的能力；
将上述能力整合起来实现既定目标的能力。
3）超人工智能
假设计算机程序通过不断发展， 可以比世界上最聪明、 最有天赋的人类还聪明， 那么由此产生的人工智能系统就可以被称为超人工智能。超人工智能的定义最为模糊， 因为没人知道， 超越人类最高水平的智慧到底会表现为何种能力。 如果说对于强人工智能， 我们还存在从技术角度进行探讨的可能性的话， 那么， 对于超人工智能， 今天的人类大多就只能从哲学或科幻的角度加以解析了。
当然，如果人工智能发展到这种程度，确实有必要担心来自于人工智能的威胁。但是，我们今天还没有到必须分配精力去为可能的机器威胁做准备的地步。即便以今天的标准看来，弱人工智能的发展还有很长的一段路要走，科研人员、技术人员、各行业的从业者、、教育机构、社会组织等，还有大量的工作需要做。至少在目前，人类离超人工智能的威胁还相当遥远。
二、人工智能的主要技术：深度学习+大数据
近年来人工智能包括语音识别和机器视觉取得了巨大突破的主要原因就是：深度学习
1、什么是深度学习
其实计算机深度学习的方式与小孩认字的过程相似。一个小孩要想认识一个字，必然要反复看这个字的多个写法，直到形成一个整体的印象，看的多了，下次见到这个字自然就认识了。
要教计算机认字， 差不多也是同样的道理。 计算机也要先把每一个字的图案反复看很多很多遍， 然后， 在计算机的大脑（ 处理器加上存储器） 里， 总结出一个规律来， 以后计算机再看到类似的图案， 只要符合之前总结的规律， 计算机就能知道这图案到底是什么字。
用专业的术语来说， 计算机用来学习的、 反复看的图片叫“训练数据集”；“训练数据集”中， 一类数据区别于另一类数据的不同方面的属性或特质， 叫作“特征”； 计算机在“大脑”中总结规律的过程， 叫“建模”； 计算机在“大脑”中总结出的规律， 就是我们常说的“模型”； 而计算机通过反复看图， 总结出规律， 然后学会认字的过程， 就叫“机器学习”。
那计算机是怎么总结出规律来的呢？
依旧拿认字来说，传统的机器学习会通过算法告诉计算机识别不同字的规律，比如：只需要认识一，二，三时，只需要告诉机器一笔是一，二笔是二，三笔是三。
这样做的很大一个缺点就是：如果增加字的种类，就不凑效了。比如增加一个“土”字，机器就没有办法区别“三”和“土”。这样势必要引入其他判定条件。
自然界的很多事物是可以划分为无限的，即使科学家想了很多映射函数，但是这种有限的规律本质上就很难适应无限的自然。那怎么解决呢？
深度学习出场了！
简单地说， 深度学习就是把计算机要学习的东西看成一大堆数据， 把这些数据丢进一个复杂的、 包含多个层级的数据处理网络（ 深度神经网络） ， 然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合， 就保留这个网络作为目标模型， 如果不符合， 就一次次地、 锲而不舍地调整网络的参数设置， 直到输出满足要求为止。
这就好比输入一股水流，计算机只要调节中间层层阀门，如果可以在预期的管道出口看到水流，那么就说明这个管道符合要求。而我们要做的，只是告诉计算机输入和预期的结果，让他自己找规律。当然，新的输入进入时，我们也要保证已经调节好的管道不变化。
也就是说，深度学习算法是有计算机自己凑出来的模型。这样反倒更加实用。更能够从本质上解决问题。
2、深度学习的两个前提条件——强大的运算能力和高质量的大数据
当然，搭建好的“管道”只有通过各种类型“水流”的检验，才能变得越来越接近真实的世界，值得一提的是，大数据正是为这些“管道”提供了源源不断的“水流”。
深度学习、大规模计算、大数据都是在2010年前后逐渐步入成熟的它们三位一体，神兵出世，一下子就可以摧城拔寨、无坚不摧。
当然，在大数据发挥作用的同时，人工智能研发者也一定不要忘了，大数据的应用必然带来个人隐私保护方面的挑战。为了给你推送精准的广告信息，就要收集你的购买习惯、个人喜好等数据，这些数据中往往包含了许多个人隐私；为了获得以人类基因为基础的医疗大数据来改进疾病的诊疗，就要通过某种渠道收集尽可能多的人类基因样本，而这些数据一旦保管不善，就可能为提供基因样本的个人带来巨大风险；为了建立智能城市，就要监控和收集每个人、每辆车的出行信息，而这些信息一旦被坏人掌握，往往就会成为案犯最好的情报来源……
