人工智能的发展现状及重大事件

一、人工智能的发展现状

1.1概念

根据维基百科的解释，人工智能是被机器展示的智力，与人类和其他动物的自然智能相反，在计算机科学中 AI 研究被定义为 “代理人软件程序”：任何能够感受周围环境并且能最大化它成功机会的设备。

1.2重大事件

2016 年 10 月 ，美国白宫发布了《为未来人工智能做好准备》和《美国国家人工智能研究与发展策略规划》两份重磅报告，详细阐述了美国未来的人工智能发展规划以及人工智能给政府工作带来的挑战与机遇。

VentureBeat 对这两份报告进行了总结，得出了 7 个浅显易懂的要点：

1、人工智能应当被用于造福人类

2、政府应当拥抱人工智能

3、需要对自动汽车和无人机进行管制

4、要让所有孩子都跟上技术的发展

5. 使用人工智能补充而非取代人类工作者;

6. 消除数据中的偏见或不要使用有偏见的数据;

7、考虑安全和全球影响

2016 年双十一 ，鲁班（阿里巴巴的人工智能设计系统））首次服务双十一，制作了 1.7 亿章商品展示广告，提升商品点击率 100%。如果全靠设计师人手来完成，假设每张图需要耗时 20 分钟，满打满算需要 100 个设计师连续做 300 年。

2017 年，鲁班的设计水平显著提升，目前已经学习百万级的设计师创意内容，拥有演变出上亿级的设计能力。此外，鲁班已经实现一天制作 4000 万张海报能力，没有一张会完全一样。

2017 年 5 月 ，AlphaGo Master 战胜世界冠军柯洁。

2017 年 10 月 18 日 ，DeepMind 团队公布了最强版本 AlphaGo， 代号 AlphaGo Zero。

2017 年 10 月 25 日 ，在沙特举行的未来投资计划大会上，沙特阿拉伯授予美国汉森机器人公司生产的 “女性” 机器人索菲亚公民身份。

作为世界上首个获得公民身份的机器人，索菲亚当天说，“她” 希望用人工智能 “帮助人类过上更好的生活”，同时对支持 “AI 威胁论” 的马斯克说 “人不犯我，我不犯人”!

会后，马斯克在推特上说：“把电影《教父》输入了人工智能系统，还能有什么比这个更糟的?” 教父是好莱坞经典电影，剧情充满了背叛和谋杀。

索菲亚被授予公民身份后所产生的伦理问题也是人们不得不考虑的

近几年人工智能领域的大新闻太多，这里不一一列举

二、人工智能、深度学习、机器学习、增强学习之间的关系是怎样的

人工智能是一个大类，包括专家系统、知识表示、机器学习等等，其中机器学习是目前最火也是发展最好的一个分支，机器学习中又包括监督学习、非监督学习、深度学习，增强学习等等。

监督学习，就是人们常说的分类，通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的)。

再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。

举例来说，我们上幼儿园的时候经常做的一个活动叫看图识字，如上图所示，老师会给我们看很多图片，下面配了文字，时间长了之后，我们大脑中会形成抽象的概念，两个犄角，一条短尾巴，胖胖的(特征)…

这样的动物是牛;圆的，黄的，发光的，挂在天上的 … 是太阳;人长这样。等再看到类似的东西时我们便能认出来，即使跟以前看到的不完全一样，但是符合在我们大脑中形成的概念。

非监督学学习则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。

举个例子，如图所示，在没有任何提示(无训练集)的情况下，需要把下列六个图形分成两类，你会怎么分呢，当然是第一排一类，第二排一类，因为第一排形状更接近，第二排形状更接近。

非监督学习就是在实现不知道数据集分类的情况下在数据中寻找特征。

深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。

深度学习概念由著名科学家 Geoffrey Hinton 等人在 2006 年和 2007 年在《Sciences》等上发表的文章被提出和兴起。

深度学习，作为机器学习中延伸出来的一个领域，被应用在图像处理与计算机视觉，自然语言处理以及语音识别等领域。

自 2006 年至今，学术界和工业界合作在深度学习方面的研究与应用在以上领域取得了突破性的进展。以 ImageNet 为数据库的经典图像中的物体识别竞赛为例，击败了所有传统算法，取得了前所未有的精确度。

增强学习也是机器学习一个重要的分支，是通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。

三、数学基础有多重要

对于数学基础知识，需要高中数学知识加上高数、线性代数、统计学、概率论，即使掌握的不是很完善，但是至少要知道概念，在用到的时候知道去哪查。

如果基础不好，可以先看看吴军的《数学之美》，讲的比较通俗易懂。也可以边做边学，实践是检验真理的唯一标准，毕竟大多数人还是以工程实践为主

1.学习Python，并用于算法编程。

在此，我强烈建议初学者学习Python。Python不仅非常容易适合初学者掌握，而且它几乎支持机器学习中所有的依赖库。虽然R语言很有用，但一般说来Python更适合学习。除了基本编程外，对于机器学习来说，最有用的库包括Numpy，Pandas和Matplotlib。

2.深入了解机器学习的基础知识。

Andrew Ng的机器学习(Machine Learning)课程是一门最通用的机器学习课程。由于课程中涉及到一些偏导数的概念(尽管整个课程的学习并不需要完全理解这些概念)，因此对于高中学生来说这门课程可能还有点难度。

3.学习各种机器学习算法，并理解如何在真实世界的场景中应用它们。

理论上来说，无法直接理解一些大学的数学知识及相关的机器学习算法。但是澳大利亚的一个研究团队解决了这个问题。来自SuperDataScience团队的Kirill Eremenko和Hadelin dePonteves通过寻找在现实生活中场景来应用各种机器学习算法，这种学习的方法是非常有效的。此外，在应用中适当地深入理解算法的功能，而无需接触复杂高深的数学知识，这对于学习机器学习算法来说，无疑是一大福利。

4. 进一步探索机器学习的应用。

到目前为止，你已经掌握了广泛的机器学习基本知识，并学到了大量的技能及编程知识。这些足以让你独立地去完成一些基础的项目。

在开始一个项目之前，首先要确保所使用的数据集是简单且干净的，它们需要进行太多的数据预处理或修改操作。

在这里我没有更多要说的，当你了解该领域的基本知识并掌握了相关的编程知识，接下来你只需要通过实战项目来多加练习，熟悉解决问题的整体流程，在不断实战中锻炼并提高自身的专业能力，这只能靠你自己去努力！

5.找到一个特别感兴趣的领域，并深入探索。

虽然你现在已经对机器学习的基础知识有了广泛而深入的理解，但是对于这些机器学习算法的实际应用还没有很清楚地界限。因此，我建议你要尽快找到一个特别感兴趣的机器学习应用领域，并进行深入研究。

下面，我会列出一些可能涉及的领域，但你在开始之前要明白你正在学习的是什么。

1. 计算机视觉：这可能是目前机器学习/人工智能领域最热门的领域。通过计算机使用特殊类型的深度神经网络来识别、检测和理解图像内容。

2. 自然语言处理：了解计算机如何学习说话也是当前一个热门的研究话题。

3. 强化学习：该领域专注于如何让机器以特定方式进行学习，其在视频游戏领域的应用最为广泛。

一旦你完成了这些课程学习后，就可以开始从网上下载一些基础项目，并尝试添加人工智能元素来修改代理的行为及智能体的学习方式。更多的视频教程可以在Youtube上搜索。

4. 数据科学：这是一个新兴的领域，在现实生活中有广泛的应用，也创造了大量的工作机会。

5. 在掌握数据科学领域的相关知识后，最好能够找到一些公司的实习，因为公司实际的业务问题能够让你通过项目更好地巩固数据科学的工作流程，在实战中快速的提高自己的能力，这对日后的职业发展也有很大的帮助。

6. 此外，还有的应用领域诸如像表示学习(用于推荐系统，生成对抗网络(利用AI来改进AI)及遗传算法(以类似自然进化的方式来改进问题的解决方案)也是值得你进一步探究的。但从目前情况来看，很多子应用领域还未被完全的挖掘和探索。对于一名来说，如果你对其中某一个领域有特别感兴趣，那么就尽情地开始探索这些领域吧。

对于一名而言，如果你想在未来长期致力在机器学习或人工智能领域工作，那么一个至关重要的问题是你要了解它是什么，它的突破性在哪里及它对社会的影响。此外，你还需要尽快地确定一个感兴趣的领域，这将决定你未来学习和研究的方向。一旦你确定了研究的领域并对该领域的工作有了必要的了解，那么你就可以按着以上的步骤开始针对性学习。不仅如此，在高中阶段还需要扎实地掌握该领域的知识并对其发展有个总的把握，对于这些我将给出我的一些建议：

1. 开始阅读研究论文：这听起来并不是多么有挑战性的工作。阅读研究性的论文对于大多数来说是完全可以的，论文中的大部分内容也是容易把握的。如果偶尔碰到一个不明白的问题，可以尝试跳过这些障碍，只要能理清论文整体的思路即可。

2. 倾听领域大牛的意见：诸如Andrew Ng，Ian Goodfellow和Yann LeCunn等业界大牛都会定期地接受采访，并给出关于人工智能及相关领域主题的观点。

3. 实时关注领域动态：比如实时发布多个与机器学习、人工智能相关的文章。

4. 了解其含义：TED演讲是了解人工智能知识的最佳途径之一。主题演讲者都是这个领域优秀工作者，他们对于各自领域的知识及未来的发展趋势有着独到的见解，并能在演讲中分享他们在工作中的一些宝贵经验。

5. AI哲学：人工智能的成功有它的支持者和反对者。

6. 贡献：如果你喜欢从别人的经验中学习，你可以查阅Facebook group推出的人工智能和深度学习专题。