人工智慧發展到哪一步了

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

在最近幾年，人工智慧的迅速發展引起了人們的注意。其在機器視覺、博弈和語音識別與圖片理解等多個領域發展尤其迅速，可以說是驚為天人。那麼人工智慧發展到何種地步了?以後，機器人會取代人類嗎?

深度學習

深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

在過去的很多年裡，機器學習被應用的地方一般是"計算機視覺"。你可以對某個目標進行識別、跟蹤和測量，並進一步做圖形處理。但是,解決具體計算機視覺任務的方法通常都僅適用於一群狹隘的目標（如：臉孔、指紋、文字等），因而無法被廣泛地應用於不同場合。

深度學習是一個通過大量的訓練數據(上萬，上百萬)去完善自身的模型。模型中包含巨大數量的神經元和多層神經網路，訓練過程中，模型不斷調整各個神經元的參數，直至所有的訓練數據都得到正確的結果。舉個栗子，利用深度學習識別麻雀。這個模型一開始可能會將雞或老鷹識別成麻雀，那麼發現自己的識別結果是錯誤的時候，它會調整自己的諸多參數去擬合，以防止再次將雞、老鷹識別成麻雀。而如果沒有將兩隻正在打鬧的麻雀識別出來，它就會去調整自己以達到可以識別出來的效果。在經過上百萬張圖片訓練之後，它就可以極高精度地識別出麻雀了。

有了深度學習之後，語音識別技術取得了重要的進展。微軟研究人員與hinton合作，將RBM和DBN引入到語音識別升學訓練模型中，並且在大辭彙量語音識別系統中獲得巨大成功，使得語音識別的錯誤率降低了30%。而在2016年由微軟美國研究院發布的一個語音識別的最新結果里，語音識別錯誤率只有5.9%。

同樣的，基於深度學習的機器翻譯也取得了重大的緊張。目前，Google翻譯為32個語言提供翻譯，為103中語言提供文本翻譯，而這些翻譯都是基於深度學習。

深度學習被應用的領域越來越廣泛，除了圖片處理，語音識別，機器翻譯和搜索等我們日常接觸到的領域，還包括自動駕駛、醫療以及節能等多個領域。聊天機器人，只是它的一個小分支而已。

瓶頸

當AlphaGo崛起時，人類一度擔心會未來世界會被機器所支配。

阿爾法狗（AlphaGo）是第一個擊敗人類職業圍棋選手、第一個戰勝圍棋世界冠軍的人工智慧程序，由谷歌（Google）旗下DeepMind公司戴密斯·哈薩比斯領銜的團隊開發。其主要工作原理是「深度學習」。

2016年3月，阿爾法圍棋與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝；2016年末2017年初，該程序在中國棋類網站上以「大師」（Master）為註冊帳號與中日韓數十位圍棋高手進行快棋對決，連續60局無一敗績；2017年5月，在中國烏鎮圍棋峰會上，它與排名世界第一的世界圍棋冠軍柯潔對戰，以3比0的總比分獲勝。圍棋界公認阿爾法圍棋的棋力已經超過人類職業圍棋頂尖水平，在GoRatings網站公布的世界職業圍棋排名中，其等級分曾超過排名人類第一的棋手柯潔。--摘自百度百科

AlphaGo擊敗柯潔，真真切切地讓人類領悟到人工智慧的威力。我在知乎上看到過一個回答，大意是我們大部分人要失業了，工作都有機器人去做，世界也會被機器人統治。我相信，那一天很有可能會到來，但是，那一天或許會很久很久才到來。

電腦擅長的領域和人類不一樣。電腦可以很輕鬆地完成微積分、翻譯、大數運算，但是，視覺、移動、動態對電腦來說很難。自動駕駛現在能達到的只是有條件的自動駕駛，要達到高自動駕駛和完全自動駕駛還很難。汽車行駛會遇到各種複雜情況，需要及時做出正確反應，這對人類來說就很容易。

深度學習穩定性不夠。如果出現一隻和以往的麻雀有很大差異的麻雀，計算機就可能不能識別出來了。自動駕駛過程中，如果出現一個在訓練過程中從未出現的情況，就有可能出現交通事故。

摩爾定律失效。摩爾定律可以說是整個計算機行業最重要的定律：每兩年微處理器的晶體管數量都將加倍——意味著晶元的處理能力也加倍。但現在，這種發展軌跡要告一段落了。同樣小的空間里集成越來越多的硅電路，產生的熱量也越來越大。如今頂級的晶元製造商的電路精度已經達到14納米，比大多數病毒還要小。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！