AI全稱人工智慧，英文是Artificial Intelligence,縮寫為AI.AI是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。
在過去的幾十年中，雖然出現了許多關於人工智慧（AI）的定義，但John McCarthy在2004年的論文中給AI提供了定義，"製造智能機器，特別是智能計算機程序。這與使用計算機來理解人類智能的類似任務有關，但是AI不必局限於生物學上可觀察的方法。"
但是，在此定義之前的幾十年，艾倫·圖靈（Alan Turing ）在1950年出版的開創性著作"計算機與智能技術"表示了人工智慧對話的誕生。圖靈，通常被稱為"計算機科學之父"的論文，提出了以下問題："機器可以思考嗎？" 從那裡，他提供了一個測試，現在被稱為" Turing測試",在該測試中，人類詢問者將嘗試區分計算機響應和人類文本響應。儘管此測試自發布以來已經經過了嚴格的審查，但它仍然是AI歷史的重要組成部分，並且因為它利用了圍繞語言學的思想，因此成為哲學中一個持續存在的概念。
斯圖爾特·拉塞爾（Stuart Russell）和彼得·諾維格（Peter Norvig）隨後著手出版《人工智慧：一種現代方法》，成為研究AI的主要教科書之一。在其中，他們深入探討了AI的四個潛在目標或定義，它們基於理性和思維與行為來區分計算機系統：
人工方法：
像人類一樣思考的系統
像人類一樣運作的系統
理想方法：
理性思考的系統
行為合理的系統
艾倫·圖靈（Alan Turing）的定義將歸類為"行為類似於人類的系統".
人工智慧是最簡單的形式，它結合了計算機科學和強大的數據集，可以解決問題。它還涵蓋了機器學習和深度學習的子領域，這些領域經常與人工智慧結合使用。這些學科由AI演算法組成，這些演算法試圖創建專家系統，這些系統根據輸入數據進行預測或分類。
時至今日，仍然圍繞著AI的發展大肆宣傳，這是市場上任何新興技術所期望的。正如Gartner的炒作周期所述，無人駕駛汽車和個人助理等產品創新遵循"創新的典型過程，從過度熱情到幻滅時期，直至最終了解了創新的相關性和作用。在市場或領域中。" 正如Lex Fridman在2019年的MIT演講中在此處指出的那樣，我們正處於虛高期望的頂峰，接近幻滅的谷底。
隨著圍繞AI倫理學的對話湧現，我們可以開始看到幻滅低谷的最初一瞥。
AI的類型-弱AI與強AI
弱AI（也稱為窄AI或人工窄智能（ANI））是經過培訓的AI,專註於執行特定任務。弱的AI驅動了當今圍繞我們的大多數AI.對於這種類型的AI,"窄"可能是一個更準確的描述，因為它絕非脆弱。它支持一些非常強大的應用程序，例如Apple的Siri,亞馬遜的Alexa,IBM Watson和自動駕駛汽車。
強大的AI由人工智慧（AGI）和人工智慧（ASI）組成。人工智慧（AGI）或通用AI是一種理論形式的AI,其中機器具有與人類相同的智力；它將具有自我解決的意識，能夠解決問題，學習並為未來做好計劃。人工超級智能（ASI）（也稱為超級智能）將超越人腦的智能和能力。儘管強大的AI仍然完全是理論上的，沒有實際的例子可供使用，但這並不意味著AI研究人員也沒有探索其發展。同時，ASI最好的例子可能來自科幻小說，例如HAL,2001年的超人類流氓計算機助手：太空漫遊。
深度學習與機器學習
由於深度學習和機器學習往往可以互換使用，因此值得一提的是兩者之間的細微差別。如上所述，深度學習和機器學習都是人工智慧的子領域，而深度學習實際上是機器學習的子領域。
深度學習實際上是由神經網路組成的。深度學習中的"深度"是指由三個以上的層組成的神經網路，其中包括輸入和輸出，可以被視為深度學習演算法。通常使用下圖來表示：
深度學習和機器學習的區別在於每種演算法的學習方式。深度學習可自動執行過程中的大部分特徵提取過程，從而消除了一些所需的人工干預，並允許使用更大的數據集。您可以將深度學習視為Lex Fridman在上述MIT相同演講中指出的"可擴展機器學習".經典的或"非深度"機器學習更依賴於人工干預來學習。人類專家確定功能的層次結構以了解數據輸入之間的差異，通常需要學習更多的結構化數據。
"深度"機器學習可以利用標記的數據集（也稱為監督學習）來告知其演算法，但不一定需要標記的數據集。它可以以其原始格式（例如，文本，圖像）提取非結構化數據，並且可以自動確定將不同類別的數據彼此區分開的要素層次結構。與機器學習不同，它不需要人工干預即可處理數據，從而使我們能夠以更有趣的方式擴展機器學習。
AI的應用
語音識別：也稱為自動語音識別（ASR），計算機語音識別或語音轉文本，它是一種使用自然語言處理（NLP）將人類語音處理為書面格式的功能。許多移動設備將語音識別功能集成到其系統中，以進行語音搜索（例如Siri）或在簡訊周圍提供更多可訪問性。
客戶服務： 在線聊天機器人正在取代客戶旅程中的人工代理。他們回答有關運輸等主題的常見問題（FAQ），或提供個性化建議，交叉銷售產品或為用戶建議尺寸，從而改變我們對跨網站和社交媒體平台的客戶參與度的思考方式。示例包括具有虛擬代理的電子商務站點上的消息傳遞機器人，諸如Slack和Facebook Messenger的消息傳遞應用程序，以及通常由虛擬助手和語音助手完成的任務。
計算機視覺： 這項AI技術使計算機和系統能夠從數字圖像，視頻和其他視覺輸入中獲取有意義的信息，並基於這些輸入採取行動。提供建議的能力將其與圖像識別任務區分開來。在卷積神經網路的支持下，計算機視覺已在社交媒體的照片標籤，醫療保健的放射成像以及汽車行業的自動駕駛汽車中得到應用。
推薦引擎：使用過去的消費行為數據，人工智慧演算法可以幫助發現可用於制定更有效的交叉銷售策略的數據趨勢。這用於在在線零售商的結帳過程中向客戶提出相關的附加建議。
自動股票交易： AI優化的高頻交易平台旨在優化股票投資組合，每天可進行數千甚至數百萬筆交易，而無需人工干預。
AI的發展歷史
"有思想的機器"的思想可以追溯到古希臘。但是，自電子計算技術問世以來（相對於本文中討論的某些主題而言），人工智慧發展中的重要事件和里程碑包括：
1950年：艾倫·圖靈（Alan Turing）出版了《計算機技術與智能》。 在這篇論文中，圖靈（以在第二次世界大戰期間破壞納粹的ENIGMA代碼而著名）提議回答"機器能思考嗎？"的問題。並介紹了圖靈測試，以確定計算機是否可以演示與人類相同的智能（或相同智能的結果）。此後，人們一直在爭論圖靈測試的價值。
1956年：約翰·麥卡錫（John McCarthy）在達特茅斯學院（Dartmouth College）舉行的首次AI會議上創造了"人工智慧"一詞。（McCarthy繼續發明Lisp語言。）那年晚些時候，Allen Newell,JC Shaw和Herbert Simon創建了邏輯理論家，這是有史以來第一個運行的AI軟體程序。
1967年：弗蘭克·羅森布拉特（Frank Rosenblatt）製造了Mark 1 Perceptron,這是第一台基於神經網路的計算機，該神經網路通過反覆試驗"學習"了。僅僅一年後，Marvin Minsky和Seymour Papert出版了名為Perceptrons的書，這本書既是神經網路的標誌性著作，又至少在一段時間內成為反對未來神經網路研究項目的論據。
1980年代：使用反向傳播演算法進行自我訓練的神經網路在AI應用中得到了廣泛的應用。
1997年： IBM的Deep Blue在國際象棋比賽（和複賽）中擊敗了當時的國際象棋冠軍Garry Kasparov.
2011年： IBM Watson在Jeopardy擊敗冠軍Ken Jennings和Brad Rutter !
2015年：百度的Minwa超級計算機使用一種稱為卷積神經網路的特殊深度神經網路對圖像進行識別和分類，其準確率高於普通人類。
2016年：由深度神經網路提供支持的DeepMind的AlphaGo程序在五場比賽中擊敗了世界冠軍圍棋選手Lee Sodol.
