说起人工智能相信大家都不会陌生，人工智能（AI）已经走入了普通大众的视野，我们在生活中可以看到很多跟AI相关的产品。比如Siri、AI美颜、AI换脸等等…
虽然大家在生活中合网络上听得很多，但其实大部分人还是并不了解AI，只是别人说什么是，那就认为也是，仅此而已，甚至存在一些误解。今天我们就来聊聊不涉及任何技术领域相关的内容，来帮助所有人理解人工智能的本质，如何正确认识人工智能。
什么是人工智能？
前面也说了，很多人对人工智能都会存在一些误解，在这我们归纳为三点：
1、科幻电影大家都看过吧，认为电影里的机器人就是人工智能的典型代表
2、有了前面一点的认知，那人工智能应该是无所不能的吧
3、人工智能都能对话交流了，有智慧了，会不会叛变？未来会威胁到人类的生存
……
归纳的这三点相信还是比较典型的，接下来就直接说说大家之为什么对人工智能存在这么多的误解，其实主要是因为大家只是看到一些人的言论，什么“你的工作要被人工智能取代”，“人工智能可以干这个干那个”但是并不了解AI的基本原理，那先来帮助小伙伴们理解下AI的基本原理，其实事物的本质往往并没有自己想象的那么复杂。
我们用传统软件和人工智能进行比较，有了参照的就更容易让大家理解一些。
传统软件VS人工智能
传统软件
传统软件是“if-then”的基本逻辑，人类通过自己的经验总结出一些有效的规则，然后让计算机自动的运行人类设定好的这些规则。所以可想而知，传统的软件是永远不可能超越人类的知识范围，因为这里面所有的规则都是人类制定的，写好的。
简单的说：传统软件是“基于规则”的，需要人为的设定条件，并且告诉计算机符合这个条件后怎么去做，做什么。
这种逻辑在处理一些简单问题时非常好用，因为规则明确，结果都是可预期的，程序员就是软件的上帝，一切都在规则中行事。
但是现实生活中充满了各种各样的复杂问题，甚至有些问题几乎是不可能通过制定规则来解决的，比如人脸识别通过规则来解决效果会很差。
人工智能
人工智能发展到现在已经发展出很多不同分支，技术原理也多种多样，这里我们就说说当前最火的深度学习。
深度学习的技术原理跟传统软件的逻辑完全不同：
机器通过“特定的”抓取到的大量数据中总结规律，归纳出某些“特定的知识”，然后将这种“知识”应用到现实场景中去解决判断实际问题。
这就是人工智能发展到现阶段的本质逻辑。而人工智能总结出来的知识并不是像之前传统软件一样，可以直观精确的表达出来。它更像人类学习到的知识一样，比较抽象，有时候甚至很难表达出来。
上面说的可能不是很好理解，我们接着往下看：
如果我们把人工智能理解是一种工具
AI跟我们使用的锤子、汽车、电脑……都一样，其本质都是一种工具，这你应该不会否认。
那么，工具就必须有人用才能去发挥工具的价值，因为他们独立存在是没有价值的，就像没有去使用的汽车，停在车库，没有人去开它，那挥它就没有任何价值，是一堆废铁。
人工智能这种工具之所以全社会都在说，是因为它大大扩展了传统软件的能力范围。之前有很多事情计算机是做不了的，但是现在人工智能却可以做了。
归功于摩尔定律，计算机的能力呈指数级的上涨，只要是计算机能解参与的环节，生产力都得到了大幅提升，而人工智能让更多的环节可以搭上摩尔定律的快车，所以这种改变是意义非凡的。
但是不管怎么变，传统软件和人工智能都是工具，都是需要你去使用，然后是为了解决某一些实际问题而存在的，这点并没有变化。
人工智能只解决特定问题
《终结者》《黑客帝国》…很多电影里都出现了逆天的机器人，这种电影让大家有一种感觉：人工智能好像是无所不能的。
我只想说，少年，回归现实吧，实际情况是：现在的人工智还处在单一任务的阶段。
单一任务的模式。
打电话用座机、玩游戏用游戏机、听音乐用MP3、开车用导航…
多任务模式
这个阶段类似智能手机，在一台手机上可以安装很多App，做很多事情。
但是这些能力还是相互独立的，在旅行App上定好机票后，需要自己用闹钟App定闹钟，最后需要自己用打车App叫车。多任务模式只是单一任务模式的叠加，离人类智慧还差的很远。
融会贯通
你在跟朋友下围棋，你发现朋友的心情非常不好，你本来可以轻松获胜，但是你却故意输给了对方，还不停的夸赞对方，因为你不想让这个朋友变得更郁闷，更烦躁。
就算这一件微不足道的小事上，你就用到了多种不同的技能：情绪识别、围棋技能、交流沟通、心理学等…
但是大名鼎鼎的AlphaGo绝对不会这么做。不管对方处在什么情况下，哪怕输了这盘棋会丧命，AlphaGo也会无情的赢了这场比赛，因为它除了下围棋啥都不会，只会下棋，哈哈哈！
只有将所有的知识形成网状结构，才能做到融会贯通。例如：商业领域可以运用军事上的知识，经济学也可以用到生物学的知识。
知其然，但不知所以然
当下的人工智能是从大量数据中总结归纳知识，这种粗暴的“归纳法”有一个很大的问题是：只关注现象的存在，并不关心为什么？？？
也正是因为归纳逻辑，所以需要依赖大量的数据，当数据越多，归纳出来的经验越具有普适性，也就是获得普遍的处理方式。
人工智能的发展历史
AI其实不是什么很新的东西，它的发展了已经持续了有几十年了！下面我们介绍一下最具代表性的3个发展阶段。
第一次浪潮（非智能对话机器人）
20世纪50年代到60年代
1950年10月，图灵提出了人工智能（AI）的概念，同时提出了图灵测试来测试AI。
图灵测试提出没有几年，人们就看到了计算机通过图灵测试的“曙光”。
1966年，心理治疗机器人ELIZA诞生
那个年代的人对他评价很高，有些病人甚至喜欢跟机器人聊天。但是他的实现逻辑非常简单，就是一个有限的对话库，当病人说出某个关键词时，机器人就回复特定的话，这个相信大家不会陌生。总得来说，第一次浪潮并没有使用什么全新的技术，而是用一些技巧让计算机看上去像是真人，计算机本身并没有智能。
第二次浪潮（语音识别）
20世纪80年代到90年代
在第二次浪潮中，语音识别是最具代表性的几项突破之一。核心突破原因就是放弃了符号学派的思路，改为了统计思路解决实际问题。在《人工智能》一书中，李开复详细介绍了这个过程，他也是参与其中的重要人物之一。
其实，第二次浪潮最大的突破是改变了思路，摒弃了符号学派的思路，转而使用了统计学思路解决问题。
第三次浪潮（深度学习+大数据）
21世纪初
2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》，其他重要的深度学习学术文章也在这一年被发布，在基本理论层面取得了若干重大突破。
之所以第三次浪潮会来，主要是2个条件已经成熟：
大数据：2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。
硬件技术：GPU的不断成熟提供了必要的算力支持，提高了算法的可用性，降低了算力的成本。
在各种条件成熟后，深度学习发挥出了强大的能力。在语音识别、图像识别、NLP等领域不断刷新纪录。让AI产品真正达到了可用（例如语音识别的错误率只有6%，人脸识别的准确率超过人类，BERT在11项表现中超过人类…)的阶段。
第三次浪潮来袭，主要是因为大数据和算力条件具备，这样深度学习可以发挥出巨大的威力，并且AI的表现已经超越人类，可以达到“可用”的阶段，而不只是科学研究。
人工智能3次浪潮的不同之处：
1、前两次热潮是学术研究主导的，第三次热潮是现实商业需求主导的。
2、前两次热潮多是市场宣传层面的，而第三次热潮是商业模式层面的。
3、前两次热潮多是学术界在劝说政府和投资人投钱，第三次热潮多是投资人主动向热点领域的学术项目和创业项目投钱。
4、前两次热潮更多时提出问题，第三次热潮更多时解决问题。
人工智能不能做什么？
人工智能的3个级别
在探寻AI的边界时，我们可以先简单粗暴的把AI分为3个级别：
1、弱人工智能
2、强人工智能
3、超人工智能
弱人工智能
弱人工智能也称限制领域人工智能（NarrowAI）或应用型人工智能（AppliedAI），指的是专注于且只能解决特定领域问题的人工智能。
例如：AlphaGo、Siri、FaceID……
强人工智能
又称通用人工智能（ArtificialGeneralIntelligence）或完全人工智能（FullAI），指的是可以胜任人类所有工作的人工智能。
强人工智能具备以下能力：
存在不确定性因素时进行推理，使用策略，解决问题，制定决策的能力
知识表示的能力，包括常识性知识的表示能力
规划能力
学习能力
使用自然语言进行交流沟通的能力
将上述能力整合起来实现既定目标的能力
超人工智能
假设计算机程序通过不断发展，可以比世界上最聪明，最有天赋的人类还聪明，那么，由此产生的人工智能系统就可以被称为超人工智能。
我们当前所处的阶段是弱人工智能，强人工智能还没有实现（甚至差距较远），而超人工智能更是连影子都看不到。所以“特定领域”目前还是AI无法逾越的边界。
人工智能的能力边界是什么？
如果在深入一点，从理论层面来解释AI的能力边界，就要把图灵大师搬出来了。图灵在上世纪30年代中期，就在思考3个问题：
1、世界上是否所有数学问题都有明确的答案？
2、如果有明确的答案，是否可以通过有限的步骤计算出答案？
3、对于那些有可能在有限步骤计算出来的数学问题，能否有一种假象的机械，让他不断运动，最后当机器停下来的时候，那个数学问题就解决了？
图灵还真设计出来一套方法，后人称它为图灵机。今天所有的计算机，包括全世界正在设计的新的计算机，从解决问题的能力来讲，都没有超出图灵机的范畴。
图灵已经划出了界限，这个界限不但适用于今天的AI，也适用于未来的AI。
