下载掌阅APP，畅读海量书库
立即打开
人工智能作为新一代数字技术的典型代表，逐渐从专业领域走向实际应用。在日常生活领域，人类围棋冠军被电脑击败，智能手机利用了面部识别算法，自动驾驶汽车在街道上行驶；在医学领域，食品和药物管理局已经允许临床医生在不同的医疗领域使用人工智能，如人工智能现在可以常规检测糖尿病视网膜病变，而不需要眼科医生来确认该算法的诊断结果。
作为新一轮产业变革的核心驱动力，人工智能将催生新的技术、产品、产业、业态、模式，从而引发经济结构的重大变革，实现社会生产力的整体提升。当前，人工智能发展进入了新阶段，涉及数学、神经生理学、计算机科学、信息控制论、生物学、语言学、心理学等多门学科，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的交叉性、边缘性学科。人工智能的研究内容包括知识表示和知识图谱、自动推理、专家系统、群智能算法等，目标是使机器能完成一些原来只有人类才能完成的复杂性工作（图1-1）。
图1-1 人工智能产业链
人工智能是一个总括术语，指计算机程序能够像人类一样思考和执行行为，而机器学习则超越了将数据与决策树、隐马尔可夫模型等算法一起输入机器的范畴，这有助于机器在不被明确编程的情况下进行学习。一些人将机器学习描述为主要的人工智能应用程序，而另一些人则描述为人工智能的一个子集。后来，随着神经网络的发展，机器可以像人脑一样对输入的数据进行分类和组织，这进一步促进了人工智能的进步。20世纪前后，出现了“深度学习”一词。深度学习是机器学习的子集，机器学习本身就是人工智能的子集，因此，它们之间的关系类似于人工智能＞机器学习＞深度学习。
机器学习要么使用监督学习，其中模型被训练为使用标记数据，这意味着输入已经被相应的优选输出标签标记，要么使用无监督学习，在其中模型被培训为使用未标记数据，但从输入数据中寻找重复模式。另外还有使用监督和非监督学习相结合的半监督学习；自监督学习是一种特殊情况，它采用两步过程，即无监督学习为未标记的数据生成标签，其最终目标是建立监督学习模型；强化学习是一种机器学习，它在恒定反馈回路的帮助下随着时间的推移改进了算法。最后是深度学习，其中有许多层机器学习算法，被称为模仿人脑的受大脑启发的算法家族，但需要高计算能力才能进行训练和大数据分析。
机器学习的起源可以追溯到1943年，当时McCulloch和Pitts发表了一篇题为《神经活动中固有思想的逻辑演算》的文章，他们在文章中给出了有史以来第一个神经网络的数学模型。Alan M.Turing在1950年发表的开创性论文中对机器学习的概念进行了理论化。1952年，Arthur L.Samuel为IBM编写了一个棋盘游戏程序，推广了“机器学习”一词。1957年，Frank Rosenblatt开发了用于图像识别的感知器。Henry J.Kelley于1960年开发了连续反向传播模型，Stuart Dreyfus于1962年开发了一个仅基于链式规则的更简单版本。1965年，Ivakhnenko和Lapa开发了第一个可工作的深度学习网络。1980年左右，福岛邦彦开发了一种名为新认知机的人工神经网络，该网络具有多层设计，可以帮助计算机学习如何识别视觉模式，他还开发了基于动物视觉皮层组织的卷积神经网络。