本文阐述了人工智能的内涵和外延，从概念到层次到技术体系到应用领域，以及顺带提了下机器学习和深度学习。
内涵和外延
什么是人工智能
- 与人类大脑的生物学近似性，与人类思考逻辑的近似性，与人类行为的近似性；
- 实用主义定义：研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学，是计算机科学的一个分支；
- 教科书定义：人工智能科学的主旨是研究和开发出智能实体；是一门综合学科，数学、逻辑学、归纳学、系统学、控制学、工程学、计算机科学、哲学、心理学、生物学、神经科学、仿生学、经济学、语言学；
人工智能的层次
- 弱人工智能：擅长于单个方面，如Alphago；
- 强人工智能：各方面可与人类比肩；能进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等；
- 超人工智能：超越人类智慧；
未来学
- 阿西莫夫机器人三定律
- 人类命运与费米悖论：宇宙中智慧生命存在的必然可能性与至今未发现智慧生命的悖论；
- 人类与机器的关系：伦理学；
- 智慧的本质：哲学；
- 宇宙的命运：物理宇宙学；
对社会经济的影响
- 产业变革
- 失业和社会保障
- 贫富差距
- 地区发展不平衡：高科技产业的地域性；
- 产业结构调整：人与机器的分工；
- 服务业
- 教育、职业培训、再教育：对Ai不擅长的领域进行针对性培训；
- 对个人影响：失业和社保；心理层面（人类的自我价值，自我实现，人机协同时代的人类心理学）；个人教育；择业；
技术体系
- 数学基础：微积分，线代，概率论，信息论，集合论和图论，博弈论；
- 技术机基础：计算机原理，程序设计语言，操作系统，分布式系统，算法基础；
- 机器学习算法：机器学习基础（估计方法，特征方程），线性模型（线性回归），逻辑回归，决策树模型（GBDT），支持向量机，贝叶斯分类器，神经网络（深度学习——MLP，CNN，RNN，GAN），聚类算法（K均值算法）；
- 机器学习分类：监督学习（分类任务，回归任务），无监督学习（聚类任务），迁移学习，强化学习；
- 问题领域：语言识别，字符识别（手写识别），机器视觉，自然语言处理（机器翻译），自然语言理解，知识推理；自动控制，游戏理论和人机对弈；数据挖掘；
- 机器学习架构：加速芯片（CPU，GPU，FPGA，ASIC），虚拟化（容器-Decker），分布式结构（Spark），库和计算框架（TensorFlow，Caffe，MXNET，Torch，Microsoft CNTK，scikt-learn）；可视化解决方案，云服务（Amazon ML，Google Cloud ML，Microsoft Azure ML，阿里云ML）；
- 数据集和竞赛：ImageNet，MSCOCC，Kaggle，阿里天池；
- 其他相关技术：知识图谱，统计语言模型，专家系统，遗传算法，博弈算法（纳什均衡）；
应用领域
- 互联网和移动互联网：搜索引擎，内容推荐引擎，精准营销，语音和自然语言交互，图像和视频内容理解、检索，用户画像，反欺诈；
- 自动驾驶、智慧交通、物流、共享出行：自动驾驶汽车（传感器、感知、规划、控制、整车集成、车联网、高精度地图、模拟器），智慧公路网络和交通标志，共享出行，自动物流车辆和物流机器人，智慧物流规划；
- 智能金融：银行业（风控和反欺诈、精准营销、投资决策、智能客服），保险业（风控和反欺诈，精准营销，智能理赔，智能客服），证券、基金、投行（量化交易，智能投顾）；
- 智慧医疗：医疗影响识别，辅助诊断，病例理解和检索，康复智能设备，智能制药；
- 家用机器人和服务机器人：智能家居，老幼伴侣，生活服务；
- 智能制造业：工业机器人，智能生产系统；
- 人工智能辅助教育：智慧课堂，学习机器人；
- 智慧农业：智慧农业管理系统，智慧农业设备；
- 智慧新闻写作：写稿机器人，收集资料机器人；
- 机器翻译：文字翻译，声音翻译；
- 机器仿生：动物仿生，器官仿生；
- 智能律师助理：智慧法律咨询，案例数据库机器人；
- 人工智能驱动的娱乐业；
- 人工智能艺术创作；
- 智能客服；
ML & DL
1.机器学习：研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能；
2.深度学习：
通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示；
强化学习、迁移学习、生成对抗网络等新技术的发展；
