在回答人工智能達到了什么程度這個問題之前，需先了解人工智能的概念是什么？

人工智能（Artificial Intelligence，AI）是指計算機像人一樣擁有智能能力，是一個融合計算機科學、統(tǒng)計學、腦神經(jīng)學和社會科學的前沿綜合學科，可以代替人類實現(xiàn)識別、認知，分析和決策等多種功能。如當你說一句話時，機器能夠識別成文字，并理解你話的意思，進行分析和對話等。

另外，了解一下AI的發(fā)展歷史，有哪些關(guān)鍵里程碑？

AI 在五六十年代時正式提出，90 年代，國際象棋冠軍卡斯帕羅夫與"深藍" 計算機決戰(zhàn)，"深藍"獲勝，這是人工智能發(fā)展的一個重要里程碑。而 2016 年，Google 的 AlphaGo 贏了韓國棋手李世石，再度引發(fā) AI 熱潮。今年，騰訊推出圍棋軟件"絕藝"大放異彩，這些都代表了特定時期 AI 發(fā)展的技術(shù)水平。

AI 不斷爆發(fā)熱潮，是與基礎設施的進步和科技的更新分不開的，從 70 年代 personal 計算機的興起到 2010 年 GPU、異構(gòu)計算等硬件設施的發(fā)展，都為人工智能復興奠定了基礎。

同時，互聯(lián)網(wǎng)及移動互聯(lián)網(wǎng)的發(fā)展也帶來了一系列數(shù)據(jù)能力，使人工智能能力得以提高。而且，運算能力也從傳統(tǒng)的以 CPU 為主導到以 GPU 為主導，這對 AI 有很大變革。算法技術(shù)的更新助力于人工智能的興起，最早期的算法一般是傳統(tǒng)的統(tǒng)計算法，如 80 年代的神經(jīng)網(wǎng)絡，90 年代的淺層，2000 年左右的 SBM、Boosting、convex 的 methods 等等。隨著數(shù)據(jù)量增大，計算能力變強，深度學習的影響也越來越大。2011 年之后，深度學習的興起，帶動了現(xiàn)今人工智能發(fā)展的高潮。

其次，AI 有哪些研究領域和分支？

人工智能研究的領域主要有五層，最底層是基礎設施建設，包含數(shù)據(jù)和計算能力兩部分，數(shù)據(jù)越大，人工智能的能力越強。往上一層為算法，如卷積神經(jīng)網(wǎng)絡、LSTM 序列學習、Q-Learning、深度學習等算法，都是機器學習的算法。第三層為重要的技術(shù)方向和問題，如計算機視覺，語音工程，自然語言處理等。還有另外的一些類似決策系統(tǒng)，像 reinforcement learning（編輯注：增強學習），或像一些大數(shù)據(jù)分析的統(tǒng)計系統(tǒng)，這些都能在機器學習算法上產(chǎn)生。第四層為具體的技術(shù)，如圖像識別、語音識別、機器翻譯等等。最頂端為行業(yè)的解決方案，如人工智能在金融、醫(yī)療、互聯(lián)網(wǎng)、交通和游戲等上的應用，這是我們所關(guān)心它能帶來的價值。

值得一提的是機器學習同深度學習之間還是有所區(qū)別的，機器學習是指計算機的算法能夠像人一樣，從數(shù)據(jù)中找到信息，從而學習一些規(guī)律。雖然深度學習是機器學習的一種，但深度學習是利用深度的神經(jīng)網(wǎng)絡，將模型處理得更為復雜，從而使模型對數(shù)據(jù)的理解更加深入。

機器學習有三類，第一類是無監(jiān)督學習，指的是從信息出發(fā)自動尋找規(guī)律，并將其分成各種類別，有時也稱"聚類問題"。第二類是監(jiān)督學習，監(jiān)督學習指的是給歷史一個標簽，運用模型預測結(jié)果。如有一個水果，我們根據(jù)水果的形狀和顏色去判斷到底是香蕉還是蘋果，這就是一個監(jiān)督學習的例子。最后一類為強化學習，是指可以用來支持人們?nèi)プ鰶Q策和規(guī)劃的一個學習方式，它是對人的一些動作、行為產(chǎn)生獎勵的回饋機制，通過這個回饋機制促進學習，這與人類的學習相似，所以強化學習是目前研究的重要方向之一。

再則，AI 有哪些應用場景？

人工智能的應用場景主要有以下幾個方面：

在計算機視覺上，2000 年左右，人們開始用機器學習，用人工特征來做比較好的計算機視覺系統(tǒng)。如車牌識別、安防、人臉等技術(shù)。而深度學習則逐漸運用機器代替人工來學習特征，擴大了其應用場景，如無人車、電商等領域。

在語音技術(shù)上，2010 年后，深度學習的廣泛應用使語音識別的準確率大幅提升，像 Siri、Voice Search 和 Echo 等，可以實現(xiàn)不同語言間的交流，從語音中說一段話，隨之將其翻譯為另一種文字；再如智能助手，你可以對手機說一段話，它能幫助你完成一些任務。與圖像相比，自然語言更難、更復雜，不僅需要認知，還需要理解。

在自然語言處理上，目前一個比較重大的突破是機器翻譯，這大大提高了原來的機器翻譯水平，舉個例子，Google 的 Translation 系統(tǒng)，是人工智能的一個標桿性的事件。2010 年左右， IBM 的"Watson"系統(tǒng)在一檔綜藝節(jié)目上，和人類冠軍進行自然語言的問答并獲勝，代表了計算機能力的顯著提高。

在決策系統(tǒng)上，決策系統(tǒng)的發(fā)展是隨著棋類問題的解決而不斷提升，從 80 年代西洋跳棋開始，到 90 年代的國際象棋對弈，機器的勝利都標志了科技的進步，決策系統(tǒng)可以在自動化、量化投資等系統(tǒng)上廣泛應用。

在大數(shù)據(jù)應用上，可以通過你之前看到的文章，理解你所喜歡的內(nèi)容而進行更精準的推薦；分析各個股票的行情，進行量化交易；分析所有的像客戶的一些喜好而進行精準的營銷等。機器通過一系列的數(shù)據(jù)進行判別，找出最適合的一些策略而反饋給我們。

最后，說一下AI 的未來是怎么樣？也就是人工智能達到什么程度？

在計算機視覺上，未來的人工智能應更加注重效果的優(yōu)化，加強計算機視覺在不同場景、問題上的應用。

在語音場景下，當前的語音識別雖然在特定的場景(安靜的環(huán)境）下，已經(jīng)能夠得到和人類相似的水平。但在噪音情景下仍有挑戰(zhàn)，如原場識別、口語、方言等長尾內(nèi)容。未來需增強計算能力、提高數(shù)據(jù)量和提升算法等來解決這個問題。

在自然語言處理中，機器的優(yōu)勢在于擁有更多的記憶能力，但卻欠缺語意理解能力，包括對口語不規(guī)范的用語識別和認知等。人說話時，是與物理事件學相聯(lián)系的，比如一個人說電腦，人知道這個電腦意味著什么，或者它是能夠干些什么，而在自然語言里，它僅僅將"電腦"作為一個孤立的詞，不會去產(chǎn)生類似的聯(lián)想，自然語言的聯(lián)想只是通過在文本上和其他所共現(xiàn)的一些詞的聯(lián)想， 并不是物理事件里的聯(lián)想。所以如果要真的解決自然語言的問題，將來需要去建立從文本到物理事件的一個映射，但目前仍沒有很好的解決方法。因此，這是未來著重考慮的一個研究方向。

當下的決策規(guī)劃系統(tǒng)存在兩個問題，第一是不通用，即學習知識的不可遷移性，如用一個方法學了下圍棋，不能直接將該方法轉(zhuǎn)移到下象棋中，第二是大量模擬數(shù)據(jù)。所以它有兩個目標，一個是算法的提升，如何解決數(shù)據(jù)稀少或怎么自動能夠產(chǎn)生模擬數(shù)據(jù)的問題，另一個是自適應能力，當數(shù)據(jù)產(chǎn)生變化的時候，它能夠去適應變化，而不是能力有所下降。所有一系列這些問題，都是下一個五或十年我們希望很快解決的。

未來，我們需要去探討：

（1）創(chuàng)造力，對于創(chuàng)造力目前有一定的方法慢慢研究，從而使機器開始具有人的一些創(chuàng)造力。但它的通用性受限，特別是對物理事件的理解，只有把這些問題解決了，才有可能造出像人一樣的機器人，成為人的意義上的智能。

（2）學科交叉融合，未來需要探索更多的算法和交叉科學上等等的一些融合。所以人工智能在下一個階段既有非常廣闊的應用前景，也有很多挑戰(zhàn)。