究竟什么是AI？
AI即Artificial Intelligence，人工智能。这里的智能，不是智能硬件的智能，而是对应着人类大脑的智能。打造人工智能，就相当于赋予机器以智商和情商。
1963年，人类第一次与机器进行国际象棋对决。1997年，其时排名世界第一的加里·卡斯帕罗夫，输给了由IBM研发的深蓝计算机——一个每秒可以运算2亿步棋的“怪物”。此后，国际象棋的人机对抗，成为了一种衡量计算机智能化程度的参照。
几年前，由Google研发的AlphaGo第一次击败了比国际象棋更具挑战性的围棋职业选手。让外界第一次领教了“深度学习”（Deep Learning）技术的威力。与深蓝靠算力击败象棋选手不同，AlphaGo凭借的是“深度学习”原理，让机器具备“思考”能力。
AlphaGo对战柯洁
而纵观消费电子产品中的AI，与上述的AI有着本质上的差别。在广告渲染下，诸如Siri等语音助手也被当做了AI技术。不可否认，类似Siri这样的产品，确实具备很多技术含量，但主要集中在语音识别和自然语言处理方面。这也算是AI领域的一项分支，但还不是真正的AI。
当前应用在智能家居和消费电子产品中的AI，并不具备真正的思考能力，它们只是在语音识别、语义识别的基础上，对前端传感器传输的数据进行了特定逻辑的归纳和演绎，并结合互联网信息进行了二次加工。
一个真正的AI系统，要经过大量的数据训练，逐步掌握以人类视角去理解事物的逻辑。比如，Google的人工智能系统，在对几百万张猫的图片进行学习后，基本掌握了视觉层面的猫的样子，当它看到一张新的猫图片后，能够根据此前学习，判断出“这是一只猫”。这才是真正的AI。
一个完整的AI系统，包括了机器学习（ML）、自然语言处理（NLP）、专家系统、机器视觉、语音识别、策略和机器人学等多个方面。
机器学习中最重要的部分就是深度学习，深度学习的主要课题是研究神经网络。这个神经网络不是人脑的神经网络，而是一种赋予机器自主思考能力的逻辑算法。目前，深度学习的主要代表算法是卷积神经网络（CNN）、深度神经网络（DNN）和RNN（循环神经网络）。
无论是哪种算法，都在某种程度上模拟了人脑的运算法则。目前，科学界对人脑到底是如何运作的，还处于初期的探索阶段。但神经网络的复杂架构，可以肯定是人脑思考的必要设施。仅大脑皮层就有140亿个神经元。
人类大脑特有的神经网络结构，以及庞大的神经元数量，是人类具备自主思考能力的前提条件。计算机领域创造机器的神经网络，就是一种“仿生学”算法。从数学角度讲，人类之所以有意识，正是大脑神经网络的闭环结构所创造的一种超级计算机导致的结果。
当你在思考“明天中午吃什么”的问题时，大脑至少有几十亿个神经元参与其中，神经介质以每小时250公里（17级台风的风速）的速度传递在神经网络中。放在AI中，基本原理是相同的，只不过这个过程中的“介质”传递速度是根据芯片的运算速度决定的，显然比人脑要快很多倍。
CNN、DNN和RNN在思路上有些差异，但并不是完全排斥的，每种算法都有其他算法所不能及的一面优势。DNN是基于NN（神经网络算法）改良的一种算法，解决了梯度消失的问题；而CNN则是将图像处理融入其中的一种，解决了DNN算法中的过度拟合和局部最优解的问题；RNN则是以时间作为深度的神经网络。
除了机器学习外，自然语言处理也是AI中的重要分支，它让计算机能够听懂人类的指令。专家系统是指向AI输入某个领域的专业知识，以满足其在特定场景中的功能。对于AI来说，目前的重点还在于机器学习与自然语言处理上，这是让人工智能服务于某个场景或客体的前提。
如今，我们看到AI已经成为了一种“商标”，凡是能针对用户的某个指令做出反馈的，基本都被冠以了AI的名头。可惜的是，现在的很多AI系统，甚至都不能准确识别用户的意图，更谈不上具备思考能力。
基于传感器采集的数据，根据预设的逻辑算法对用户指令做出反馈，这不叫AI。 返回搜狐，查看更多
责任编辑：