的讨论大多是不成体系的碎片式，很难从中深入了解人工智能的发展脉络和技术体系，也很难有实际借鉴意义。德勤DUP发布的一份报告中，对人工智能的历史、核心技术和应用情况进行了详细说明，尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解，也有助于各行业的公司考量人工智能应用的实际价值。

　　近几年各界对人工智能的兴趣激增，自2011年以来，开发与人工智能相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资，而科技巨头更是投资数十亿美元收购那些人工智能初创公司。相关报道铺天盖地，而巨额投资、计算机导致失业等问题也开始浮现，计算机比人更加聪明并有可能威胁到人类生存这类论断更是被媒体四处引用并引发广泛关注。

　　谷歌在最近几年里的投资主要集中在人工智能领域，比如收购了8个机器人公司和1个机器学习公司。

　　Facebook聘用了人工智能学界泰斗Yann LeCun来创建自己的人工智能实验室，期望在该领域获得重大突破。

　　牛津大学的研究人员发表了一篇报告表明，美国大约47%的工作因为机器认知技术自动化而变得岌岌可危。

　　纽约时报畅销书《The Second Machine Age》论断，数字科技和人工智能带来巨大积极改变的时代已经到来，但是随之而来的也有引发大量失业等负面效应。

　　硅谷创业家Elon Musk则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。

　　著名理论物理学家Stephen Hawking认为，如果成功创造出人工智能则意味着人类历史的终结，“除非我们知道如何规避风险。”

　　即便有如此多炒作，但人工智能领域却也不乏显著的商业行为，这些活动已经或者即将对各个行业和组织产生影响。商业领袖需要透彻理解人工智能的含义以及发展趋势。

　　揭秘人工智能的首要步骤就是定义专业术语，勾勒历史，同时描述基础性的核心技术。

　　人工智能领域苦于存在多种概念和定义，有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到：“人工智能缺乏通用的定义。”一本如今已经修订三版的权威性人工智能教科书给出了八项定义，但书中并没有透露其作者究竟倾向于哪种定义。对于我们来说，一种实用的定义即为——人工智能是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究。例如，视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。比起研究人类如何进行思维活动，从人类能够完成的任务角度对人工智能进行定义，而非人类如何思考，在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。值得一提的是，随着计算机为解决新任务挑战而升级换代并推而广之，人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以，人工智能的定义随着时间而演变，这一现象称之为“人工智能效应”，概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”

　　人工智能并不是一个新名词。实际上，这个领域在20世纪50年代就已经开始启动，这段探索的历史被称为“喧嚣与渴望、挫折与失望交替出现的时代”——最近给出的一个较为恰当的评价。

　　20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标，从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目，这些项目表明，计算机能够完成一系列所本只属于人类能力范畴之内的任务，例如证明定理、求解微积分、通过规划来响应命令、履行物理动作，甚至是模拟心理学家、谱曲这样的活动。

　　但是，过分简单的算法、匮乏的难以应对不确定环境（这种情形在生活中无处不在）的理论，以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望，人工智能于20世纪70年代中期逐渐淡出公众视野。

　　20世纪80年代早期，日本发起了一个项目，旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本，这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商，其中一些已经上市，例如Intellicorp、Symbolics、和Teknowledge。

　　20世纪80年代末，几乎一半的“财富500强”都在开发或使用“专家系统”，这是一项通过对人类专家的问题求解能力进行建模，来模拟人类专家解决该领域问题的人工智能技术。

　　对于专家系统潜力的过高希望彻底掩盖了它本身的局限性，包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本，当这一点被越来越多的人所认识到时，人工智能研究再一次脱离轨道。

　　20世纪90年代在人工智能领域的技术成果始终处于低潮，成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注，这一方面是因为这些技术避免了专家系统的若干限制，另一方面是因为新算法让它们运行起来更加高效。

　　神经网络的设计受到了大脑结构的启发。遗传算法的机制是，首先迭代生成备选解决方案，然后剔除最差方案，最后通过引入随机变量来产生新的解决方案，从而“进化”出解决问题的最佳方案。

　　声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容图片侵权或者其他问题，请联系本站作侵删。侵权投诉

　　的概念元素资料下载的电子资料下载，更有其他相关的电路图、源代码、课件教程、中文资料、英文资料、参考设计、用户指南、解决方案等资料，希望可以帮助到广大的电子工程师们。

　　Facebook 官方博客更新，FAIR 主管、深度学习代表人物 Yann LeCun 与同事撰文，深入浅出解释什么是

　　的未来我们将如何学习、工作和生活。Facebook 还推出了系列教学视频，