导读：今天首席CTO笔记来给各位分享关于人工智能什么时候脱离的相关内容，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
现在人工智能发展到什么程度了？
2017-11-30请点蓝字＞慎思行慎思行
文章来源中国人工智能学会，罗兰贝格公司
个人微信 helloSSX
人工智能概念介绍
人工智能是什么？人工智能是一门利用计算机模拟人类智能行为科学的统称，它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴。人工智能、机器学习、深度学习是我们经常听到的三个热词。关于三者的关系，简单来说：机器学习是实现人工智能的一种方法，深度学习是实现机器学习的一种技术。机器学习使计算机能够自动解析数据、从中学习，然后对真实世界中的事件做出决策和预测；深度学习是利用一系列“深层次”的神经网络模型来解决更复杂问题的技术。
人工智能从其应用范围上又可分为专用人工智能(ANI)与通用人工智能(AGI)。专用人工智能，即在某一个特定领域应用的人工智能，比如会下围棋并且也仅仅会下围棋的AlphaGo；通用人工智能是指具备知识技能迁移能力，可以快速学习，充分利用已掌握的技能来解决新问题、达到甚至超过人类智慧的人工智能。
通用人工智能是众多科幻作品中颠覆人类社会的人工智能形象，但在理论领域，通用人工智能算法还没有真正的突破，在可见的未来，通用人工智能既非人工智能讨论的主流，也还看不到其成为现实的技术路径。专用人工智能才是真正在这次人工智能浪潮中起到影响的主角。我们的讨论范围将聚焦在更具有现实应用意义的专用人工智能技术，具体讨论现有专用人工智能技术能带来的商业价值。
人工智能发展历史与现状
人工智能的发展历史
人工智能的概念形成于20世纪50年代，其发展阶段经历了三次大的浪潮。第一次是50-60年代注重逻辑推理的机器翻译时代；第二次是70-80年代依托知识积累构建模型的专家系统时代；这一次是2006年起开始的重视数据、自主学习的认知智能时代。在数据、算法和计算力条件成熟的条件下，本次浪潮中的人工智能开始真正解决问题，切实创造经济效果。
本次人工智能浪潮的驱动因素
近年来，人工智能应用领域市场规模、人工智能领域的资金投入都迅速增长，反映了社会与市场整体对其认知程度与信心的高涨。驱动认知程度提高的一方面因素是技术本身的提高，包括数据、算法、算力，使得人工智能技术真正为商业应用创造了价值；另一方面，大数据、物联网、云计算等技术为人工智能的发展打下了良好基础。
高质量、大规模的大数据成为可能。1986—2007年，全球单日信息交换量增长了约220倍，全球信息储存能力增加了约120倍。海量数据为人工智能技术的发展提供了充足的原材料。
计算力提升突破瓶颈：以GPU为代表的新一代计算芯片提供了更强大的计算力，使得运算更快，同时在集群上实现的分布式计算帮助人工智能模型可以在更大的数据集上运行。
机器学习算法取得重大突破：以多层神经网络模型为基础的算法，使得机器学习算法在图像识别等领域的准确性取得了飞跃性的提高。
社会理解与接受程度广泛提升：随着社会信息化及互联网/移动互联网的普及，以及受AlphaGo等大量热点舆论事件影响，全社会对人工智能的态度已逐渐从怀疑、恐惧转变为好奇、接受和认同。
物联网、大数据、云计算技术提供了人工智能的发展基础
物联网、大数据、云计算技术为人工智能技术的发展提供了其所需要的关键要素。物联网为人工智能的感知层提供了基础设施环境，同时带来了多维度、及时全面的海量训练数据。大数据技术为输入数据在储存、清洗、整合方面做出了贡献，帮助提升了深度学习算法的性能。云计算的大规模并行和分布式计算能力带来了低成本、高效率的计算力，并降低了计算成本。
人工智能产业发展状况
技术方向方面
人工智能方向的企业目前主要分为两类：专注于技术研发的通用型人工智能企业，如DeepMind、 Facebook AI Research、Google Brain与Baidu AI等，以及专注于人工智能技术应用的专用型人工智能企业。通用型人工智能由于研发技术难度大，目前多由巨头互联网公司在进行布局，短期内没有明确的技术突破前景。专用型人工智能企业数量众多，但其发展仍然受制于需要人工标注的数据限制。
应用方向方面
从应用方向上来看，金融、医疗、汽车、零售等数据基础较好的行业方向应用场景目前相对成熟，相关方向企业的融资热度也较高。以自动驾驶领域为例，谷歌、百度、特斯拉、奥迪等科技和传统巨头纷纷加入；人工智能在金融领域的智能风控、智能投顾、市场预测、信用评级等领域都有了成功的应用；在医疗领域，人工智能算法被应用到新药研制，提供辅助诊疗、癌症检测等方面都有突破性进展，凡此种种，不一而足。
地域发展方面
纵观全球人工智能产业的发展，我们可以发现：全球领先的创新高点散落在各个国家，如美国纽约与硅谷、英国伦敦、以色列，以及中国的北京、上海与深圳。人工智能技术本身具有高流通、易传导的性质，在全球信息流通开放的大环境下，人工智能的发展不再受限于国家或地域。
借助于良好的人才基础、巨大的应用市场、强有力的风投基金支持，中国人工智能企业的发展势头良好，在全球处在优势领先地位。中国的人工智能企业数量、专利申请数量以及融资规模均仅次于美国，位列全球第二。在国内，计算机视觉、服务机器人、自然语言处理方向的人工智能企业占据了人工智能企业个数的一半以上。北京、上海、深圳作为国内人工智能创新的高地，其相关企业数量占据了国内企业总数的近80%。
人工智能未来发展的预测
我们认为，短期内构建大型的数据集将会是各企业与研究机构发展的重要方向。同时，机器学习技术会更注重迁移学习与小样本学习等方向，近期AlphaGo Zero在无监督模式下取得的惊人进步充分体现了此方向的热度。长期来看，通用型人工智能的发展将依赖于对人脑认知机制的科学研究，其发展前景目前尚处于无法预测的状态。
在商业应用方面，短期内，专用型人工智能将会在数据丰富的行业、应用场景成熟的业务前端(如营销、服务等)取得广泛的应用。长期来看，正如国际人工智能领域著名学者Michael I.Jordan所说，人工智能技术将能在边际成本不递增的情况下将个性化服务普及到更多的消费者与企业，从细分行业的特定应用场景应用到更加普世化的情景。
编辑 Yibin.P
推荐阅读
人工智能这个概念是什么时候提出来的？当今世界对人工智能持什么态度呢？
首先人工智能早在90年代的时候就已经提出来的是美国的智能科技当中，就已经早就已经在研究了，但是初步成果出来也是在2000年左右才会有一些研究成果出来，但是我们现在主要的攻坚力量也是对人工智能进行研究，所以我们是合理的应用。
人工智能一词什么时候被提出的？
“人工智能”一词最初是在1956年年Dartmouth学会上提出的。
人工智能（Artificial Intelligence），英文缩写为AI。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。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。
在几几年首次提出的人工智能
1956年
1956年的夏天，在美国东部的达特茅斯召开了一次会议，人类首次决定将像人类那样思考的机器成为“人工智能”。“人工智能”分别进入几次阶段，几次低谷阶段的打磨，让“人工智能”在1997年5月11日，IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，这件事在当时轰动一时。这一步成功以后，IBM研究院进而挑战人工智能的深度问答，这是人工智能发展的一个主要里程。
2019年AI人工智能领域都发生了什么？
作者 | David Foster
译者 | Sambodhi
2019 年无疑是忙碌的一年。人工智能的进步和新闻频频登上头条新闻，让我们的生活充满了敬畏和自豪的时刻，但一些其他时刻充却斥着一种恼人的想法，那就是这项技术让人们发现，我们的社会并没有准备好迎接人工智能的普及。
2019 年，究竟是人工智能进步的一年，还是幻灭的一年呢？随着研究人员攻城略地，迅速攻克以前难以企及的基准，今天，我们可不可以这样认为，这个领域已经正在步入稳步发展的轨道呢？
在 ADSP（Applied Data Science Partners，意即“应用数据科学合作伙伴”）网站上，我们想后退一步，把 2019 年的人工智能界发生的事件整理好，以让公众能够有个全新的视角。在聚光灯下，重要的是要将一项工作最初吸引人们的兴趣，与它的实际重要性，以及它对该领域产生的影响区分开来。为此，本文将展开人工智能故事的平行线索，并试图分离出它们的意义。多亏了我们出色的内容作家 Elena Nisioti，她将这些故事讲得如此精彩！
让我们坐下来，一起回顾 2019 年的人工智能领域的方方面面。
处在文艺复兴时期的领域
如果让我们用一句话来描述 2019 年的人工智能现状，那很可能是：“强化学习（Reinforcement Learning ）回归，看起来将永存”。
到目前为止，我们中的大多数人可能已经熟悉了 监督式学习（Supervised Learning）：有些人收集了大量的 训练数据，将它们馈送到 机器学习算法 中，然后得到一个 模型，这个模型可以为我们进行 预测 和 分类。我们中的一些人甚至可能有这样的印象：即，人工智能就是监督式学习的同义词。然而，监督式学习只不过是我们今天拥有的 众多类型的机器学习 中的一种罢了。
在强化学习（Reinforcement Learning，RL）中，智能体用 试错 的方法，通过与环境进行交互来学习，这种环境会给它们的 行为 提供 奖励回报。当涉及到多个智能体时，它们被称为 多智能体强化学习系统（Multi-agent Reinforcement Learning System）。
这个领域已经存在几十年，从概念上来讲，它听起来比监督式学习更像是一种合理的创造智能的学习机制。然而，直到 2015 年，DeepMind 才获得了人们的关注，当时 DeepMind 使用深度 Q 学习（Deep Q-learning）创建了 Atari（雅达利） 游戏的智能体，这是一种结合了经典强化学习算法和深度神经网络的算法。2018 年，OpenAI 也通过 解决 Montezuma’s Revenge（一款被认为难度特别高的 Atari 游戏），从而在这一领域确立了自己的地位。
在过去的几个月里，事态升级了：
这些工作重新唤起了学术界对强化学习的信念，在过去，人们曾经认为强化学习效率低下，过于简单，无法解决复杂的问题，甚至连游戏的问题也不能解决。
今年，另一个大受欢迎的应用是 自然语言处理（Natural Language Processing，NLP）。尽管研究人员在这一领域工作了几十年，但近些年的自然语言处理系统生成的文本听起来还是不够自然。自 2018 年底以来，人们的注意力已经从过去的词嵌入转移到 预训练语言模型，这是自然语言处理从计算机视觉中借鉴来的一种技术。这些模型的训练是以非监督的方式进行的，这使得现代系统能够从互联网上的大量文本中进行学习。因此，这些模型变得“博闻强识”，并发展出了理解上下文的能力。然后，可以通过监督式学习进一步提高它们在特定任务上的表现。这种通过在不同任务上训练机器学习模型来改进模型的做法，属于 迁移学习（transfer learning）的范畴，被认为具有巨大的潜力。
自去年 Google BERT、ELMo 和 ulmfit 等系统在 2018 年底推出以来，自然语言处理一直风头正茂，但今年的聚光灯被 OpenAI 的 GPT-2 给“夺走了”，它的表现引发了人们对 自然语言处理系统的道德使用的大讨论。
实践走向成熟
今年，人们也见证了最近一些深度学习技术走向成熟。应用监督式学习，特别是 计算机视觉 技术，已经催生了现实生活中成功的产品和系统。
生成对抗网络（Generative Adversarial Networks，GAN）是一对神经网络，其中，生成器网络试图通过学习生成模仿训练数据的图像来欺骗判别器网络，现在已经达到了近乎完美的水平。对人工智能来说，创造虚假但又逼真的人物和物体的图像，已经不再是前沿领域了。从 2014 年生成对抗网络的引入 到 2019 年 NVDIA 开源的 StyleGAN，一图胜千言，我们用下面的图片来说明，这可能是理解该领域进展情况的最佳方式：
2019 年，人工智能创造的艺术品甚至脱离了过去几年的假设性讨论，成为了今天 博物馆装置和拍卖 的一部分。
计算机视觉还被应用于一些具有重大商业和社会意义的领域，包括自动驾驶车辆和医学。但是，人工智能算法在这些领域中的应用自然是缓慢的，因为它们直接与人类生活直接互动。至少到目前为止，这些系统还 不是完全自主的，它们的目的，在于支持和 增强 人类操作员的能力。
研究团队正与医院密切合作，开发用于疾病早期预测的人工智能系统，并整理大量的健康数据档案，其中一个值得注意的例子，是 DeepMind Health 和 UCLH 之间正在进行的合作。然而，这些工作中的大部分仍处于试验阶段，迄今为止，唯一获得 FDA 批准的人工智能系统是 SubtlePet，这是一款使用深度学习增强医学图像的软件。
沉睡的巨人
AutoML 是机器学习的子领域之一，自 20 世纪 90 年代以来就一直存在，在 2016 年引起了人们的极大兴趣，但不知何故从未登上头条新闻，至少不像其他人工智能趋势那样。也许这是因为它并不那么花哨的性质：AutoML 的目的是通过自动化决策来使机器学习的实践更有效，而今天数据科学家是通过手动、蛮力调优做出的决策。
在过去三年中，我们对这一领域的理解已经发生了变化，今天，大多数大公司都提供了 AutoML 工具，包括 Google Cloud AutoML、Microsoft Azure、Amazon Web Service 和 DataRobot 等。今年，随着 学习进化人工智能框架（Learning Evolutionary AI Framework，LEAF）成为最先进的人工智能技术，人们的兴趣转向了“进化”（Evolutionary）方法。然而，AutoML 还没有达到可以让一个完全自动化的人工智能系统比人工智能专家团队执行更好的成熟水平。
对人工智能的担忧
尽管取得了压倒性的成功，但今年人工智能领域也给我们带来了一些令人沮丧的故事。其中主要问题之一是 机器学习模型中的偏见，这一问题直到 2018 年才显现出来，当时 Amazon 发现他们的 自动招聘系统中存在性别偏见，而美国法院广泛使用的判决工具 COMPAS 也被发现存在性别和种族的偏见。
今年案件的数量有所增加，这可能表明，公众和机构对用于自动化决策的现有人工智能系统越来越怀疑。以下是图景的一小部分：
今年 10 月份，某医院的算法被发现对黑种人患者存有偏见。 去年 10 月，某人权组织指责用于发放英国签证的人工智能系统存在种族偏见。 今年 11 月，Apple 的信用评分系统被客户指责存有性别偏见。
偏见是一个特别令人担忧的问题，因为它位于监督式深度学习的核心中：当有偏见的数据被用于训练，且预测模型无法 解释 时，我们不能真正判断出是否存有偏见。迄今为止，学术界的反应一直是致力于开发技术，以了解深度模型决策背后的原因，但专家警告称，如果我们采用正确的实践方法，那么许多问题都可以迎刃而解。Google Cloud Model Cards 是最近的一次尝试，旨在使组织社区走向开源模式，同时明确描述其性质和局限性。
今年另一个让人担忧的发现是，当一项技术变得越复杂时，它被滥用的可能性就越大。Deepfake就是生成对抗网络的阴暗面，深度学习算法被用来在纯粹虚构的场景中创建涉及真实人物的图片或视频。人们不难看出，这项技术如何被用于传播虚假新闻，从政治宣传到欺凌。这个问题单靠科学家是无法解决的，历史已经证明，科学家并不善于预测他们的发现对现实生活的影响，更不用说控制它们了，这需要社会各界进行广泛的对话。
今天的人工智能有多强大？
如今，要量化人工智能的价值真的很困难。但有一点是可以肯定的：人工智能已经脱离了科幻小说和前卫计算机科学的领域，现在，人工智能已成为社会不可分割的一部分，人们对人工智能进行了大量的投资。
今年早些时候，三名主要的深度学习研究人员获得了图灵奖，这是对人工智能作为计算机科学的一个领域的认可，而人们对此期待已久。
人工智能这一概念是谁在1956年提出的?
人工智能是在1956年Dartmouth学会上提出的。
1956年夏季由一批科学家在美国的达特茅斯大学举办了一次研讨会，会议上同意使用由麦卡锡提出的新术语：人工智能（缩写为AI），标志着人工智能学科的诞生。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。
定义：
计算机科学将人工智能研究定义为对“智能代理”的研究：任何感知其环境并采取最优行动使其有机会成功实现目标的设备。
一个更详细的定义将人工智能描述为“一个可以正确解释外部数据，从这些数据中学习，并利用这些学习通过灵活的适应提升实现特定目标和任务的能力的系统。”
结语：以上就是首席CTO笔记为大家整理的关于人工智能什么时候脱离的相关内容解答汇总了，希望对您有所帮助！如果解决了您的问题欢迎分享给更多关注此问题的朋友喔～