来看看人工智能AI创造的精彩“世界”

第一次工业革命，18世纪60年代——19世纪中期，人类开始进入蒸汽时代。从此以后，人类的动力来源由当初的动物或者人变成了蒸汽机和煤炭，机械代替了手工作坊；

第二次工业革命，19世纪下半叶——20世纪初，人类进入电器时代，同时内燃机出现。电能的规模化使用，极大提高了生产效率；

第三次工业革命，20世纪四五十年代-至今，人类进入计算机时代，同时还出现原子能技术、航天技术、人工合成材料、分子生物学和遗传工程等高新技术。计算机使信息数字化，推动智能化的发展；

第四次工业革命，正在发生，让机器能够模仿人类学习以及其他方面的智能，进行深度思考并且做出决策是第四次工业化革命最重要的事情。

来让我们看看AI给我们带来的精彩的世界。

人工智能的发展史与大事件

1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，约翰。麦卡锡（JohnMcCarthy）、马文。闵斯基（Marvin Minsky，人工智能与认知学专家）、克劳德。香农（ClaudeShannon，信息论的创始人）、艾伦。纽厄尔（Allen Newell，计算机科学家）、赫伯特。西蒙（HerbertSimon，诺贝尔经济学奖得主）等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。

会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：人工智能。因此，1956年也就成为了人工智能元年。AI由此诞生，在随后的日子里，AI成为实验室的“幻想对象”。

受限于工业条件和认知程度，人工智能在此后近30年的时间里并没有太大进步。直到上世纪90年代，人工智能才得到了突飞猛进的发展。

1997年，国际象棋程序“深蓝”击败了世界冠军卡斯帕罗夫，人工智能的“脑力”优势现出端倪；

2007年，西洋跳棋程序奇努克正式将跳棋完成破解，最强大的跳棋高手在零失误的情况下，也只能和奇努克打成平局；

2008年，在拉斯维加斯的德州扑克大赛中，人工智能“北极星2”依然在常规时间里轻松击败众人；

2016年谷歌人工智能AlphaGo4：1战胜韩国棋手李世石九段。

人工智能已然做到了颠覆人类认知。

AI发展史与大事件

人工智能的智能水平及算法

AI，机器来模仿人类学习以及其他方面的智能，展现人类的智力。

回到1956年夏天，在当时的会议上，AI先驱的梦想是建造一台复杂的机器（让当时刚出现的计算机驱动），然后让机器呈现出人类智力的特征。

这一概念就是我们所说的“强人工智能Artificial General Intelligence （AGI）”，让机器拥有人类的所有感知，甚至还可以超越人类感知，它可以像人一样思考。

还有一个概念是“弱人工智能Artificial Narrow Intelligence （ANI）”。简单来讲，“弱人工智能”可以像人类一样完成某些具体任务，有可能比人类做得更好，例如，Pinterest服务用AI给图片分类，Facebook用AI识别脸部，阿尔法狗（AlphaGo）只会下围棋。

“弱人工智能”实际使用的案例，这些应用已经体现了一些人类智力的特点。怎样实现的？这些智力来自何处？带着问题我们深入理解，就来到下一个圆圈，它就是机器学习，而如何实现机器学习呢？就是算法。机器学习就是用算法真正解析数据，不断学习，然后对世界中发生的事做出判断和预测。

算法

1、决策树

分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部节点和叶节点，内部节点表示一个特征或属性，叶节点表示一个类。

分类的时候，从根节点开始，对实例的某一个特征进行测试，根据测试结果，将实例分配到其子结点；此时，每一个子结点对应着该特征的一个取值。如此递归向下移动，直至达到叶结点，最后将实例分配到叶结点的类中。

举一个通俗的栗子，各位立志于脱单的单身男女在找对象的时候就已经完完全全使用了决策树的思想。假设一位母亲在给女儿介绍对象时，有这么一段对话：

母亲与女儿对话

这个女生的决策过程就是典型的分类决策树。相当于对年龄、外貌、收入和是否公务员等特征将男人分为两个类别：见或者不见。假设这个女生的决策逻辑如下：

决策流程

上图完整表达了这个女孩决定是否见一个约会对象的策略，其中绿色结点（内部结点）表示判断条件，橙色结点（叶结点）表示决策结果，箭头表示在一个判断条件在不同情况下的决策路径，图中红色箭头表示了上面例子中女孩的决策过程。

决策树的应用用往往都是和某一应用分析目标和场景相关的，比如：金融行业可以用决策树做贷款风险评估，保险行业可以用决策树做险种推广预测，医疗行业可以用决策树生成辅助诊断处置模型等等，当一个决策树的应用分析目标和场景确定，那该应用分析目标和场景所处的行业也就自然成为了决策树的应用领域。

2、贝叶斯

贝叶斯的统计学中有一个基本的工具叫贝叶斯公式，又被称为贝叶斯定理。如果你看到一个人总是做一些好事，则那个人多半会是一个好人。这就是说，当你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。

用贝叶斯定理过滤垃圾邮件

全球垃圾邮件的高峰出现在2006年，那时候所有邮件中90%都是垃圾，2015年6月份全球垃圾邮件的比例数字首次降低到50%以下。

最初的垃圾邮件过滤是靠静态关键词加一些判断条件来过滤，效果不好，漏网之鱼多，冤枉的也不少。

利用贝叶斯定理过滤邮件，首先选正常邮件和垃圾邮件做训练，两种邮件数量越多之后效果越好，训练的过程就是统计在垃圾邮件中出现过的所有词汇的频次，和正常邮件中出现的所有的词汇的频次。

因为典型的垃圾邮件词汇在垃圾邮件中会以更高的频率出现，所以在做贝叶斯公式计算时，肯定会被识别出来。之后用最高频的15个垃圾词汇做联合概率计算，联合概率的结果超过90%将说明它是垃圾邮件。

用贝叶斯过滤器可以识别很多改写过的垃圾邮件，而且错判率非常低。甚至不要求对初始值有多么精确，精度会在随后计算中逐渐逼近真实情况

3、神经网络

（编辑：辽源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!