工作中，需要弄清楚这三者之间的关系，不妨做个简单的梳理
首先何为智能（Intelligence）,智能有多方面的含义，这里主要指能够做出“正确的决策”，好的决策依赖于可实操的知识，例如翻译感觉信息，并利用这些信息来做决策。
接下来我们来定义人工智能（Artificial intelligence），在程序员的努力下，计算机已经初具智能，即能够执行对人有用的任务，但比起人和动物还有很大差距，计算机依然无法完成大多数对人和动物来说很简单的活动，这些任务（包括感知和控制）就属于人工智能的范畴。尽管人类的大脑能够完成复杂任务，但我们并不能确切知道为什么能够完成这些任务。执行任务过程中涉及的知识开始是不明确的，但通过数据、例子和经验我们就能掌握解决这些任务的信息。如何让机器具备这类智能？学习过程就是通过已有的数据和经验来建立可操作的知识，解决未知的问题。
人工智能的历史
-
1943 McCulloch和Pitts: 大脑的布尔电路模型
-
1950 图灵机“计算机与智能”
-
1952-1969 早期的对智能机器的热情和期望“机器能够做。。。”
-
50年代 早期的人工智能程序，包括萨缪尔检查程序，Newell和Simon的逻辑理论家，Gelernter的几何引擎
-
1956年 达特茅斯会议：“人工智能”被采纳
-
1965年 Robinson提出逻辑推理的完整算法
-
1966-74 人工智能发现计算复杂的神经网络研究几乎消失
-
1969-79 知识系统的早期发展
-
1980-88 专家系统开始繁荣
-
1988-93 专家系统破产，人工智能的冬天到来
-
1985-95 神经网络重新变得流行
-
1988- 概率的复活；计算深度增加“中等深度的AI”：ALife，GAs，软技术
-
1995- Agents
-
1995- 支持向量机被提出，机器学习被分为神经网络和支持向量机两派，此后支持向量机在多个领域替代了神经网络，90年代到现在，决策树、Adaboost等机器学习算法应用在各个领域中
-
2003- 人类级别的人工智能重新开启
-
2006-深度学习的兴起
人工智能的主要领域
- 感知：理解视觉和语音
- 机器学习和神经网络
- 机器人
- 自然语义理解
- 推理和决策：知识表征、推理、决策
网友评论