人工智能的概念

一般认为，人工智能是研究，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科学技术。人类日常生活中的许多活动，如数学计算，观察，对话，学习等，都需要智能。时至今日，人工智能概念的内涵已经被大大扩展，它涵盖了计算机科学，统计学，脑神经学，社会科学等诸多领域，是一个门交叉学科。人们希望通过对人工智能的研究，能将它用于模拟和扩展人的智能，辅助甚至代替人们实现多种功能，包括识别认知，分析，决策等。

人工智能的层次

基础设施层

算法层
所谓机器学习，是指利用算法使计算机能够像人一样从数据中挖掘出信息；而深度学习作为机器学习的一个子集，相比其他学习方法，使用了更多的参数，模型也更复杂，从而使得模型对数据的理解更加深入，也更加深入，也更加智能。

机器学习中会碰到以下几类典型问题：
1.无监督学习问题:
给定数据，从数据中发现信息。它的输入是没有维度标签的历史数据，要求输出的是聚类后的数据。
比如：给定一篮水果，要求机器自动将其中的同类水果归在一起。机器会怎么做呢？首先对篮子里的水果都用一个向量来表示，比如颜色，味道，形状。然后将相似向量（向量距离比较近）的水果归为一类，红色，，甜的，圆形的被划在了一类，其他特征的划入另一类。人类跑过来一看，原来第一类里的都是苹果，第二类是香蕉。。。。这就是无监督学习，典型的应用场景是用户聚类，新闻聚类等。
2.监督学习问题：
给定数据，预测这些数据的标签。它的输出是带唯独标签的历史数据，要求的输出是一句模型所作出的预测。
比如给定一篮水果，其中不同的水果都贴上了水果名的标签，要求机器从中学习，然后对一个新的水果预测其标签名。
3.强化学习：
给定数据，选择动作以最大化长期奖励。它输入的是历史的状态，动作和对应奖励，要求输出的是当前状态下的最佳动作。==与前两类问题不同的是，强化学习是一个动态的学习过程，而且没有明确的学习目标，对结果也没有精确的衡量标准。==

技术的发展方向

计算机视觉
OCR，人脸检测识别技术
语音技术

自然语言处理
知识图谱，对话管理，机器翻译

由于自然语言处理要求机器具备的是比“感知”更难的“理解”能力，因此其中的许多问题知道今天也未能 得到很好的解决。

知识图谱：是基于语意层面对知识进行组织后得到的结构化结果，可以回答简单事实类的问题，包括语言知识图谱（词义上下位，同义词等），常识知识图谱（“鸟会飞但兔子不会飞”），实体关系图谱（“刘德华的妻子是朱丽倩”）。知识图谱的构建过程其实就是获取知识，表示知识应用知识的过程。

语意理解是自然语言处理的最大的难题：

1. 歧义消除：(如“潜水”既可以指一种水下运动又可以指在群组中不发言）

2. 上下文关联性:

   1. 省略恢复:(老王的儿子学习不错，比老张的好，其实是指比老张的儿子学习好）

3. 意图识别：
   名词与内容的意图识别：晴天既可以指天气也可以指周杰伦的歌曲

   闲聊与问答的意图识别：“今天下雨了”是一句闲聊，而“今天下雨了吗？”则是关于天气的一次查询
   显性与隐性的意图识别：“我要买个新手机”和“这手机用太久了”都是是用户想买新手机的意图。
   情感识别：“我不高兴”和“我考试没考好”都是用户在表达心情低落。
   

规划决策系统

# 前沿行业

 自动驾驶
 智能机器人
 智能医疗
 智能投顾（智能理财）
 虚拟现实（VR）和增强现实（AR）
 智能家居
 无人飞行器

​