吴卫华包二奶请大家放100个心，不要神话人工智能，科幻电影里的剧情以目前的技术发展来看，

　　工具必须有人用才能发挥价值，如果他们独立存在是没有价值的，就想放在工具箱里的锤子一样，没有人挥舞它就没有任何价值。

　　他们最核心的差别就是效能（更准确的说应该是杠杆率）。我们把上面几个工具的使用场景对比一下就能理解了：

　　人类跑步20分钟达到的距离，汽车2分钟就能搞定！而且这个过程中人类不需要出太多力气。

　　人类自己计算一些复杂的问题可能需要花1个月甚至更久的时间（还不一定正确），而电脑可能只需要1秒就完成了，并且精确无误！而人们使用电脑只需要敲几下键盘，点几下鼠标就可以了。

　　人工智能其实是超越了之前电脑的边界，以前电脑无法做的事情 AI 可以做了。所以从杠杆率上讲，人工智能和电脑是在一个量级上的，但是它能做的事情更多了，大大超越了传统电脑的能力范围，所以大家十分看好。

　　但是（凡是都有但是），AI 在很多很多场景和领域还是没有价值，很多能力甚至不如小学生。所以，目前 AI 的局限性依然很大！

　　下面就针对“环境感知”、“合理判断”和“实现目标”3个层面来详细对比一下普通的计算机程序和人工智能：

　　普通程序人工智能感知环境普通程序只知道这是一张图片或者视频，但是并不知道里面的内容是什么。AI 可以“理解”图片和视频内有什么内容，AI 也可以“理解”听到的声音是什么意思。合理判断普通程序是很多死规则的组合，在任何情况下都只能按照死规则走。AI 可以主动优化自己的规则，也就是大家常说的“学习”，但跟人类的学习还是有很大差异！实现目标普通程序是没有目标感，只会根据规则自动运行。AI 是可以有“目标感”的，并通过反馈不断优化自己的的行为来更好的实现目标。

　　虽然上面的对比让 AI 看上去很强大，但是实际上并非如此，AI 在某些场景表现的很好，但是在某些场景表现的很不理想。

　　AI 的确具备了理解图片、视频和语音（非结构化数据）的能力，但并不代表这些能力已经很强大的。AI 经常犯一些低级错误，下面就是一个具体的案例：

　　左：摩托车的遮挡让 AI 把一只猴子误认为人类。中：自行车的遮挡让 AI 把猴子误认为人类，同时丛林背景导致 AI 将自行车把手误认为是鸟。右：吉他把猴子变成了人，而丛林把吉他变成了鸟

　　上图显示了在一张丛林猴子的照片中 ps 上一把吉他的效果。这导致深度网络将猴子误认为人类，同时将吉他误认为鸟，大概是因为它认为人类比猴子更可能携带吉他，而鸟类比吉他更可能出现在附近的丛林中。

　　目前（截止到2019年）是深度学习最流行的时代，深度学习在各个领域虽然表现出了很强大的能力，但是并不是人人都能玩转深度学习的，因为它需要海量的带标注的数据，这种条件不是人人都具备的。

　　简单的做一个类比，狮子的力量很强大，狗的力量相比较就弱小很多。虽然狮子的战斗力很强，但是狮子需要吃很多东西才能保持战斗力。而狗就不需要吃那么多的东西。如果不给狮子吃足够的东西，他可能会躺在地上完全丧失战斗力。

　　深度学习就类似狮子，想让他发挥出战斗力，就需要给他喂养大量的数据（相当于狮子的食物）。不然再出色的深度学习模型都无法发挥任何价值。

　　数据是否有标注、数据是否“干净”、数据是否有多样性……都对深度学习的学习结果影响巨大！

　　像 Google 这种拥有海量数据的公司最容易在 AI 领域有较大的突破和优势，而一般的小公司很难跨越数据的门槛。

　　上图是从1950年至2017年之间，人工智能领域出现的一些里程碑式的事件。总结下来会分为3大阶段：

　　第一次浪潮（非智能对线月，图灵提出了人工智能（AI）的概念，同时提出了图灵测试

　　那个年代的人对他评价很高，有些病人甚至喜欢跟机器人聊天。但是他的实现逻辑非常简单，就是一个有限的对话库，当病人说出某个关键词时，机器人就回复特定的话。

　　第一次浪潮并没有使用什么全新的技术，而是用一些技巧让计算机看上去像是真人，计算机本身并没有智能。

　　20世纪80年代到90年代在第二次浪潮中，语音识别是最具代表性的几项突破之一。核心突破原因就是放弃了符号学派的思路，改为了统计思路解决实际问题。

　　第二次浪潮最大的突破是改变了思路，摒弃了符号学派的思路，转而使用了统计学思路解决问题。

　　21世纪初2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法

　　2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。

　　>

　　在各种条件成熟后，深度学习发挥出了强大的能力。在语音识别、图像识别、NLP

　　第三次浪潮来袭，主要是因为大数据和算力条件具备，这样深度学习可以发挥出巨大的威力，并且 AI 的表现已经超越人类，可以达到“可用”的阶段，而不只是科学研究。

　　前两次热潮是学术研究主导的，第三次热潮是现实商业需求主导的。前两次热潮多是市场宣传层面的，而第三次热潮是商业模式层面的。

　　neral Intelligence）或完全人工智能（Full AI），指的是可以胜任人类所有工作的人工智能。

　　我们当前所处的阶段是弱人工智能，强人工智能还没有实现（甚至差距较远），而超人工智能更是连影子都看不到。所以“特定领域”目前还是 AI 无法逾越的边界。

　　通过上面的3个问题，图灵已经划出了界限，这个界限不但适用于今天的 AI ，也适用于未来的 AI

　　在一些特定场景中， AI 可以表现的很好，但是在大部分场景中，AI 并没有什么用。

　　34%的人认为自己使用过 AI ，这些人中84%的人实际使用过50%以上的人搞不清楚 AI 到底有哪些能力

　　AlphaGo 战胜李世石，这个热点几乎所有人都知道。很多人通过这件事情开始担心 AI 未来对人类的威胁。

　　一些职业消失了，但是会诞生更多的新职业（如果让你选择“美甲”和“耕地”，你会如何选择？）

　　更多内容维基百科版本在计算机科学中，人工智能有时也称为机器智能，是机器所展示的智能。

　　别把人工智能神话了，用「HBI 法则」测试一下 AI 是否真的适合你的业务？