人工智能 (AI) 是计算机科学的一个广泛分支，涉及构建能够执行通常需要人类智能的任务的智能机器。人工智能是一门具有多种方法的跨学科科学，但机器学习和深度学习的进步 正在科技行业的几乎每个领域创造范式转变。
人工智能的四种类型是什么？反应机有限的内存心智理论自我意识
机器会思考吗？——艾伦·图灵，1950在破解纳粹加密机器 Enigma 并帮助盟军赢得第二次世界大战后不到十年，数学家艾伦·图灵用一个简单的问题第二次改变了历史：“机器能思考吗？”图灵的论文“计算机与智能”（1950）及其随后的图灵测试，确立了人工智能的基本目标和愿景。从本质上讲，人工智能是计算机科学的一个分支，旨在肯定地回答图灵的问题。这是在机器中复制或模拟人类智能的努力。人工智能的广阔目标引起了许多问题和争论。如此之多，以至于没有对该领域的单一定义被普遍接受。将人工智能简单地定义为“构建智能机器”的主要限制是它实际上并没有解释人工智能是什么？是什么让机器变得智能？在他们开创性的教科书《人工智能：现代方法》中，作者 Stuart Russell 和 Peter Norvig 围绕机器中的智能代理这一主题统一了他们的工作，从而解决了这个问题。考虑到这一点，人工智能是“对从环境中接收感知并执行动作的代理的研究”。
Norvig 和 Russell 继续探索历史上定义 AI 领域的四种不同方法：
人性化思考理性思考人性化理性行事前两个概念涉及思维过程和推理，而其他概念则涉及行为。Norvig 和 Russell 特别关注为实现最佳结果而采取行动的理性智能体，并指出“图灵测试所需的所有技能也允许智能体理性地行动。麻省理工学院人工智能和计算机科学福特教授帕特里克温斯顿将人工智能定义为“由约束启用的算法，通过支持模型的表示公开，这些模型以将思维、感知和行动联系在一起的循环为目标。”现在招聘的顶级人工智能公司这些人工智能公司现在有很多空缺职位。虽然这些定义对普通人来说似乎很抽象，但它们有助于将该领域作为计算机科学的一个领域，并为将机器学习和其他人工智能子集注入机器和程序提供蓝图。
人工智能是如何使用的？
在 2017 年日本人工智能体验大会上向人群发表讲话时， DataRobot首席执行官杰里米·阿钦 (Jeremy Achin)在演讲开始时提供了以下对当今人工智能使用方式的定义：“人工智能是一种能够执行通常需要人类智能才能完成的任务的计算机系统……其中许多人工智能系统由机器学习提供支持，其中一些由深度学习提供支持，其中一些由规则等非常无聊的东西提供支持.”
人工智能示例
智能助手（如 Siri 和 Alexa）疾病绘图和预测工具制造和无人机机器人优化的个性化医疗保健建议用于营销和客户服务的对话机器人股票交易机器人顾问电子邮件中的垃圾邮件过滤器针对危险内容或虚假新闻的社交媒体监控工具来自 Spotify 和 Netflix 的歌曲或电视节目推荐人工智能通常分为两大类：
狭义人工智能：有时被称为“弱人工智能”，这种人工智能在有限的环境中运行，是对人类智能的模拟。狭义人工智能通常专注于极其出色地执行单个任务，虽然这些机器看起来很智能，但它们在比最基本的人类智能还要多的约束和限制下运行。通用人工智能（AGI）：AGI，有时也被称为“强人工智能”，是我们在电影中看到的那种人工智能，比如《西部世界》中的机器人 或《 星际迷航：下一代》中的数据。AGI 是一种具有通用智能的机器，就像人类一样，它可以应用这种智能来解决任何问题。狭义人工智能狭义人工智能就在我们身边，很容易成为迄今为止人工智能最成功的实现。根据“为人工智能的未来做准备”，Narrow AI 专注于执行特定任务，在过去十年中经历了许多突破，这些突破“具有显著的社会效益，并为国家的经济活力做出了贡献”。奥巴马政府发布的 2016 年报告。狭义人工智能的一些例子包括：
谷歌搜索图像识别软件Siri、Alexa 和其他个人助理自动驾驶汽车IBM 的沃森机器学习与深度学习Narrow AI 的大部分内容都由机器学习和深度学习的突破提供支持。理解人工智能、机器学习和深度学习之间的区别可能会令人困惑。风险投资家 Frank Chen很好地概述了如何区分它们，并指出：“人工智能是一组试图模仿人类智能的算法和智能。机器学习就是其中之一，而深度学习就是这些机器学习技术之一。”简而言之，机器学习提供计算机数据并使用统计技术来帮助它“学习”如何在一项任务中逐渐变得更好，而无需为该任务专门编程，从而无需编写数百万行代码。机器学习包括监督学习（使用标记数据集）和无监督学习（使用未标记数据集）。深度学习是一种机器学习，它通过受生物启发的神经网络架构运行输入。神经网络包含许多处理数据的隐藏层，允许机器“深入”学习，建立连接和加权输入以获得最佳结果。人工通用智能对于许多人工智能研究人员来说，创造具有人类水平智能且可应用于任何任务的机器是圣杯，但对 AGI 的追求却充满了困难。寻找“在任何环境中学习和行动的通用算法”（Russel 和 Norvig 27）并不是什么新鲜事，但时间并没有减轻本质上创建具有全套认知能力的机器的难度。长期以来，AGI 一直是反乌托邦科幻小说的缪斯，在其中超级智能的机器人超越了人类，但专家们一致认为，这不是我们很快就需要担心的事情。
人工智能的历史
智能机器人和人造生物首先出现在古希腊神话中。亚里士多德对三段论的发展及其对演绎推理的使用，是人类寻求理解自身智慧的关键时刻。虽然根深蒂固，但我们今天认为的人工智能的历史还不到一个世纪。以下是对 AI 中一些最重要事件的快速浏览。1940年代
(1943) Warren McCullough 和 Walter Pitts 发表了“神经活动中内在思想的逻辑演算”。论文提出了第一个构建神经网络的数学模型。(1949) 在他的《行为组织：神经心理学理论》一书中 ，唐纳德·赫布( Donald Hebb) 提出了这样一种理论，即神经通路是从经验中产生的，并且神经元之间的联系越频繁使用它们就越强。Hebbian 学习仍然是 AI 中的一个重要模型。1950年代
(1950) 艾伦·图灵 (Alan Turing) 发表了“计算机与智能”，提出了现在称为图灵测试的方法，这是一种确定机器是否智能的方法。(1950) 哈佛本科生 Marvin Minsky 和 Dean Edmonds 建造了第一台神经网络计算机 SNARC。(1950) Claude Shannon 发表了论文“Programming a Computer for Playing Chess”。(1950) 艾萨克·阿西莫夫 (Isaac Asimov) 发表了“机器人三定律”。(1952) Arthur Samuel 开发了一个自学程序来下棋。(1954) Georgetown-IBM 机器翻译实验将 60 个精心挑选的俄语句子自动翻译成英语。(1956) 人工智能一词是在“达特茅斯人工智能暑期研究项目”中创造的。由约翰麦卡锡领导的会议定义了人工智能的范围和目标，被广泛认为是我们今天所知的人工智能的诞生。(1956) Allen Newell 和 Herbert Simon 演示了 Logic Theorist (LT)，这是第一个推理程序。(1958) John McCarthy 开发了 AI 编程语言 Lisp 并发表了论文“Programs with Common Sense”。该论文提出了假设的 Advice Taker，这是一个完整的人工智能系统，能够像人类一样有效地从经验中学习。(1959) Allen Newell、Herbert Simon 和 JC Shaw 开发了通用问题求解器 (GPS)，这是一个旨在模仿人类解决问题的程序。(1959) Herbert Gelernter 开发了几何定理证明程序。(1959) Arthur Samuel 在 IBM 期间创造了机器学习一词。(1959) John McCarthy 和 Marvin Minsky 创立了麻省理工学院人工智能项目。1960年代
(1963) 约翰·麦卡锡在斯坦福建立了人工智能实验室。(1966) 美国政府的自动语言处理咨询委员会 (ALPAC) 的报告详细说明了机器翻译研究缺乏进展，这是一项重大的冷战倡议，承诺自动和即时翻译俄语。ALPAC 报告导致取消所有政府资助的 MT 项目。(1969) 第一个成功的专家系统是在 DENDRAL 中开发的，这是一个 XX 程序，而 MYCIN 是在斯坦福大学创建的，旨在诊断血液感染。1970年代
(1972) 创建了逻辑编程语言 PROLOG。(1973) 英国政府发布的“Lighthill 报告”详细说明了人工智能研究中的失望，并导致人工智能项目的资金大幅削减。(1974-1980) 对人工智能发展进展的失望导致 DARPA 大幅削减学术资助。结合早先的 ALPAC 报告和前一年的“Lighthill 报告”，人工智能资金枯竭，研究停滞不前。这一时期被称为“第一次人工智能冬天”。1980年代
(1980) Digital Equipment Corporations 开发了 R1（也称为 XCON），这是第一个成功的商业专家系统。R1 旨在为新的计算机系统配置订单，开启了专家系统的投资热潮，该热潮将持续十年的大部分时间，有效地结束了第一个“人工智能冬天”。(1982) 日本通商产业省启动了雄心勃勃的第五代计算机系统项目。FGCS 的目标是开发类似超级计算机的性能和人工智能开发平台。(1983) 为响应日本的 FGCS，美国政府启动了战略计算计划，以提供 DARPA 资助的高级计算和人工智能研究。(1985) 公司每年在专家系统上花费超过 10 亿美元，并且一个被称为 Lisp 机器市场的整个行业涌现出来支持它们。Symbolics 和 Lisp Machines Inc. 等公司构建了专门的计算机来运行人工智能编程语言 Lisp。(1987-1993) 随着计算技术的进步，出现了更便宜的替代品，Lisp 机器市场在 1987 年崩溃，迎来了“第二个人工智能冬天”。在此期间，事实证明专家系统的维护和更新成本太高，最终失宠。1990年代
(1991) 美国军队在海湾战争期间部署了 DART，这是一种自动化后勤规划和调度工具。(1992) 日本在 1992 年终止了 FGCS 项目，理由是未能实现十年前概述的雄心勃勃的目标。(1993) DARPA 在花费近 10 亿美元且远低于预期后于 1993 年结束了战略计算计划。(1997) IBM 的深蓝击败国际象棋世界冠军加里卡斯帕罗夫2000年代
(2005) STANLEY，一辆自动驾驶汽车，赢得了 DARPA 大挑战。(2005) 美国军方开始投资波士顿动力公司的“大狗”和 iRobot 的“PackBot”等自主机器人。(2008) 谷歌在语音识别方面取得了突破，并在其 iPhone 应用程序中引入了该功能。2010-2014
(2011) IBM 的 Watson在Jeopardy!上击败了竞争对手 。（2011 年）Apple 通过其 iOS 操作系统发布了 Siri，这是一款基于人工智能的虚拟助手。(2012) 谷歌大脑深度学习项目的创始人 Andrew Ng 使用深度学习算法为神经网络提供 1000 万个 YouTube 视频作为训练集。神经网络学会了识别一只猫，而无需被告知猫是什么，为神经网络和深度学习基金开创了突破性的时代。(2014) 谷歌制造了第一辆通过州驾驶考试的自动驾驶汽车。(2014) 亚马逊的 Alexa，一个虚拟的家发布2015-2021
(2016) Google DeepMind 的AlphaGo击败了世界围棋冠军李世石。中国古代游戏的复杂性被视为人工智能需要清除的主要障碍。(2016) 第一个“机器人公民”，一个名叫索菲亚的人形机器人，由汉森机器人公司创造，能够进行面部识别、语言交流和面部表情。(2018) Google 发布自然语言处理引擎BERT，减少机器学习应用在翻译和理解方面的障碍。（2018 年）Waymo推出了 Waymo One 服务，允许凤凰城都市区的用户要求从公司的一辆自动驾驶汽车上取车。(2020) 百度向致力于在 SARS-CoV-2 大流行早期开发疫苗的科学和医疗团队发布了 LinearFold AI 算法。该算法能够在短短 27 秒内预测出病毒的 RNA 序列，比其他方法快 120 倍。
