尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
一門新技術的產生與成熟，會經歷下面一條叫做「Gartner曲線」雲霄飛車式發展軌跡，如下圖所示。但，人工智能的發展軌跡，卻比這個要銷魂地多，到目前可以說是三起三落，當然，這個第三落還沒有到來，也未必一定會到來。
「人工智能」這一術語自1956年被提出，到電子計算機作為一種可以模擬人類思維的工具出現，使人工智能這一技術有了一個展現的平台，開始了探索與發展。六十多年前的達特茅斯會議，提出了「Artifitial Intelligence」的課題，目的是讓逐漸成熟的計算機能夠代替人類解決一些感知、認知乃至決策的問題。這樣一個課題是如此令人神往，也迅速吸引了大量學者的眼球，相關的研究也如火如荼地開展了起來。是為第一起。
1997年，IBM公司的「深藍Ⅱ」超級計算機，擊敗了國際象棋衛冕冠軍Gary·Kasparov，這一現象，標誌了人工智能技術的一個完美表現，再到近些年的Alpha Go，人工智能的發展似乎已經到了一個比較高端的程度。
人工智能的發展歷程中，慢慢引起了人們對於人工智能的一些恐懼，艾薩克·阿西莫夫（Isaac Asimov）曾在自己科幻小說中描繪出的一些擔憂，隨著如今科技的神速進步，好像真的會在不遠的未來變成真實。
但那些都太遙遠了，在現如今的世界背景之下，各國都把人工智能列為一項備受重視的技術，我們國家也不例外。
人工智能技術是引領未來的創新性技術，且在國家經濟以及互聯網、大數據及超級計算機的發展之下，AI技術的發展也進入了具有深度學習，跨界融合，人機協同，群智開發自主操控等特性的新階段。這些具有新特性的AI技術將對人類的生產、生活乃至思維模式都產生重大的影響。
國內現有的以BAT為首，外加科大訊飛四所公司所構築的的人工智能平台，基本成為了大陸人工智能領域的四大支撐，此外，國家還鼓勵企業作為人工智能發展的主體，並堅持以市場作為發展的主導。
由此足可以想見，人工智能領域的發展在國家策略的支持下，擁有著相當光明的前景。
此外，人工智能領域的知名科學家，原IBM WostonGroup的首席科學家周伯文博士他借用當初開發C語言的科學家在第一行代碼中所用的「Hello World」表明了這次京東AI技術所懷揣的抱負。接著提出了今後人工智能的發展擁有三個階段，而現在我們僅處於最初級的階段，如果將人工智能做好做完全，其規模將比現在要大十倍甚至百倍。
他所認為的人工智能發展的三個階段分別為：
1，目前我們所處的階段，人工智能依然依賴於專家設置的體系結構，學習性也依賴於人工設計的算法。
2，廣義性的人工智能，廣義性的人工智能可以選擇性的通過不同的來源，而不是像現在一樣依賴於標準的數據學習，並且由此它可以進行長久性的終身學習，因為它的特性給了它一個適應環境的能力，擁有自適應的構架來進行終身學習。
3，就是現在大部分公司所說自己在做的通用人工智能，在他的研究中認為所謂的通用人工智能是一個長期目標，這個長期還用了非常兩個字形容，並需要長期的努力才能去做到。所以通用人工智能在目前是沒有一個具體嚴格的定義的，他給通用人工智能的定義是具有高度且極其強大的自主性。
因為第三階段是一個無法具體嚴格去定義的龐大概念，所以周伯文博士著重講了對於廣義性人工智能的七個研究課題，畢竟廣義性人工智能是人工智能領域發展的下一個關鍵階段。這七個課題分別為：
1，針對這方面的發展，首先要解決的問題是讓人工智能的學習從現有的單任務學習變成廣泛的終身學習。
2，要去研究相對於單任務學習的多任務學習。
3，拋開如今所依賴的大量被標註的數據學習，需要讓人工智能的學習保證一個無間隔且不受「信號」影響的學習狀態。
4，要讓人工智能擺脫如今依然需要人工構架的現狀，逐步做到其自適應的構架。
5，讓人工智能可以去運用一些已學習過的去解決一些其它可以解決的問題。
6，讓目前的人工智能，尤其是基於深度學習的人工智能在針對某些工作時可以避免黑盒子理論
7，優化人工智能的算法問題。
國內人工智能領域的發展起到至關重要的作用，我們知道，深度神經網路是目前我們對於深度學習的一個解釋，幾乎可以在兩者之間畫個等號，現如今的科技發展水平，我們擁有了大數據，還有著超強性能的計算機，以及在長久的發展中我們掌握了更大量更優秀的訓練方法，導致我們更能利用深度神經網路以發展人工智能，但深度神經網路依然有著很多缺陷，需要對相應的參數進行耗費大量精力的調整，可這些調整的經驗很難共享，就導致了結果的可重復性大大降低，於是需要一個深度神經網路之外的模型來優化這些已經發現的問題。
人工智能是一種思維方式的解讀，並將探索企業將如何利用AI去適應新的環境、新的社會、與新的規劃，以及如何將AI應用於物流、金融、電商及公共事業，又或者是探索更為立體的將AI應用於城市到農村。
初學者們解決人工智能問題的思路，是以人為師，通過專家編制規則的方法，教機器下棋、認字乃至語音識別。在今天看來，這樣的方法是完全南轅北轍的——人類的視聽器官雖然很發達，卻並沒有能力總結提煉其中的規律。於是，人工智能的美好憧憬中迎來了殘酷的現實，學者們發現解決問題是如此遙遠，圍觀群眾也一度認為人工智能的學者都是騙子。
隨著技術發展，祭出了「實事求是」的法寶，從數據里統計規律。在這樣數據+統計的方法論下，諸如人臉識別、手寫識別等一些較為簡單的問題取得了重大進展，而在當時最困難的問題——大詞表連續語音識別上，統計方法也是史無前例地造就了實驗室中「基本可用」的系統。到此時，我們感覺找到了解決人工智能問題的基本思路。
數據+統計模型的方法盛行以後，也很快遇到了瓶頸：數據量的提升並不總能帶來識別率的提高。當然，我們很早就知道「深度模型」比「淺層模型」學習數據的能力強，無奈這種模型的計算代價極高，只能望洋興嘆。拿語音識別為例，在「基本可用」到「實用」之間的鴻溝，十幾年都沒有跨過去，於是大家又轉向悲觀，覺得人工智能還只是個夢。
繼續堅持在「深度神經網路」這條戰線上的學者很少，因為做這個是拿不到funding的。其中有一位老前輩Jeffrey Hinton，和他的學生Alex一起，發現用GPU算神經網路，能大幅提高速度，於是這種模型居然可能實用了。一旦實用，深度模型可以瘋狂吸收數據的優勢就發揮出來了，於是在語音識別、圖像識別等領域帶來了飛躍式的進展。
而人工智能的行業發展趨勢，由於大規模數據+大規模算力的基本方法論已經成熟，今後的發展路徑是十分清楚的：在那些數據儲備充分、商業價值清晰的場景，人工智能會迅猛發展，投身於這樣的行業中期發展會非常好；而醫療、教育這類領域，由於電子化數據的整理與積累尚需時日，可以需要一個較為漫長的發展過程。
總體而言，人工智能領域的發展是有著相當的前景的，世界各國爭相發展相關產業的大環境之下，整個產業都得到了國家的重視與支持。（部分內容及數據來源於網路如有侵權請聯繫刪除）