人工智能技術發展及其應用領域

摘 要：人工智能是研究、開發用于模擬、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。它使人類進入信息產業革命時代，達到認識和改造客觀世界能力的高峰。本文章介紹了人工智能的概念和發展沿革，并對現階段人工智能研究領域的主要研究方向進行了介紹。

關鍵詞：智能;技術;發展;應用;領域

引 言

人工智能是新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量。人工智能正在與各行各業快速融合，助力傳統行業轉型升級、提質增效，在全球范圍內引發全新的產業浪潮。

中國人工智能市場規模在迅速發展壯大，截止至2019年我國人工智能市場規模已達到554億元左右，人工智能領域相關投資活躍，增長迅速。融資資金額從2013年到2018年，六年時間增長了近31倍。從2013年到2018年上半年，中國人工智能領域累計融資金額全球占比60%，超過美國的29%，世界排名第一。計算機視覺、無人駕駛、語音識別、自然語言處理等人工智能技術正在創造巨大的經濟利益，人工智能技術現已成為目前全球最受互聯網業界和市場關注的新技術及應用

一、人工智能發展歷史

1956年，Marvin Minsky， John McCarthy 和 2位頂級科學家： Claude Shannon （克勞德·艾爾伍德·香農）以及IBM的 Nathan Rochester，組織了達特茅斯會議，此次會議其中的一個提案斷言：任何一種學習或者其他形式的人類智能都能夠通過機器進行模擬。同時約翰·麥卡錫為這種機器智能取了一個名字：Artificial Intelligence，并確定了人工智能最初的發展路線與發展目標。

1964年，首臺聊天機器人誕生。美國麻省理工學院AI實驗室的約瑟夫·魏岑鮑姆教授開發了ELIZA聊天機器人，實現了計算機與人通過文本來交流。這是人工智能研究的一個重要方面。不過，它只是用符合語法的方式將問題復述一遍。

1973年，著名數學拉特希爾家向英國政府提交了一份關于人工智能的研究報告，尖銳的指出人工智能那些看上去宏偉的目標根本無法實現，研究已經完全失敗。此后，科學界對人工智能進行了一輪深入的拷問，各國政府和機構也停止或減少了資金投入，人工智能在70年代陷入了第一次寒冬。

在當時，人工智能面臨的技術瓶頸主要是三個方面，第一，計算機性能不足，導致早期很多程序無法在人工智能領域得到應用;第二，問題的復雜性，早期人工智能程序主要是解決特定的問題，因為特定的問題對象少，復雜性低，可一旦問題上升維度，程序立馬就不堪重負了;第三，數據量嚴重缺失，在當時不可能找到足夠大的數據庫來支撐程序進行深度學習，這很容易導致機器無法讀取足夠量的數據進行智能化。

通用計算機設備的發展，讓人工智能真正開始和現代計算機技術進行深入融合。上世紀九十年代中期開始，隨著AI技術尤其是神經網絡技術的逐步發展，人工智能技術開始進入平穩發展時期。1997年，IBM的計算機深藍Deep blue戰勝了人類世界象棋冠軍卡斯帕羅夫，讓人工智能的發展進一步提上日程。進入21世紀，隨著算力的增加，人工智能的瓶頸被打破。

2011年，Watson參加智力問答節目。 IBM開發的人工智能程序“沃森”（Watson）參加了一檔智力問答節目并戰勝了兩位人類冠軍。沃森存儲了2億頁數據，能夠將于問題相關的關鍵詞從看似相關的答案中抽取出來。這一人工智能程序已被IBM廣泛應用于醫療診斷領域。

2016～2017年，AlphaGo戰勝圍棋冠軍。AlphaGo是由Google DeepMind開發的人工智能圍棋程序，具有自我學習能力。它能夠搜集大量圍棋對弈數據和名人棋譜，學習并模仿人類下棋。DeepMind已進軍醫療保健等領域。

二、人工智能的研究與應用領域

（1）計算機視覺

計算機視覺（Computer Vision）是指用計算機實現人的視覺功能——對客觀世界的三維場景的感知、識別和理解。機算機視覺技術的研究目標是使計算機具有通過二維圖像認知三維環境信息的能力。因此不僅需要使機器能感知三維環境中物體的幾何信息（形狀、位置、姿態、運動等）而且能對它們進行描述、存儲、識別與理解?？梢哉J為，計算機視覺與研究人類或動物的視覺是不同的，它借助于幾何、物理和學習技術來構筑模型，用統計的方法來處理數據。視覺識別是計算機視覺的關鍵組成部分，如圖像分類、定位和檢測等。神經網絡和深度學習的最新進展極大地推動了這些最先進的視覺識別系統的發展。

（2）機器學習

機器學習是一門人工智能的科學，該領域的主要研究內容是利用計算機模擬實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識架構不斷改善自己的功能。按照學習方式，可將機器學習分為監督學習、無監督學習、半監督學習和強化學習。在監督學習下，每組訓練數據都有一個明確的標識或結果，在建立預測模型的時候，監督式學習建立一個學習過程，將預測結果與“訓練數據”的實際結果進行比較，不斷的調整預測模型，直到模型的預測結果達到一個預期的準確率。在無監督學習中，數據并不被特別標識，學習模型是為了推斷出數據的一些內在結構。在半監督學習方式下，輸入數據部分被標識，部分沒有被標識，這種學習模型可以用來進行預測，但是模型首先需要學習數據的內在結構以便合理的組織數據來進行預測。在強化學習模式下，輸入數據作為對模型的反饋，不像監督模型那樣，輸入數據僅僅是作為一個檢查模型對錯的方式，在強化學習下，輸入數據直接反饋到模型，模型必須對此立刻作出調整。

（3）自然語言處理

自然語言處理是計算機科學領域與人工智能領域中的一個重要方向。它研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法。自然語言處理研究對內容主要包括有詞法分析、文本分類、文本糾錯、摘要獲取、情感分析、關鍵詞提取、內容審核等內容。這里列舉一些研究方向來作詳細的說明，詞法分析的主要任務是去識別文本中具有特定意義的實體，主要包括：人名、地名、職位名、產品名詞等，應用場景例如各大手機廠商的語音助手。文本分類是對文章按照內容類型（體育、教育、財經、社會、軍事等等）進行自動分類，為文章聚類、文本內容分析等應用提供基礎支持。情感分析是對能夠對文本信息進行“情感”上的正向、負向及中性進行評價，應用場景包括評論的分析與決策、輿情監控等。

結束語

計算機和互聯網一方面為人工智能提供了創造商業價值的載體，讓AI技術研究可以穩步推進，另一方面也為人工智能的爆發積累了強大的運算力和經驗數據.現階段，人工智能技術已進入大規模商用階段，人工智能產品全面進入消費市場，人工智能的認知能力正在不斷提高，人工智能從無形發展到有形的陪伴每個人的生產生活，半個多世紀前被科學家曾經描述的美好圖景正在一步步被人工智能技術實現。

參考文獻

[1] 張妮，徐文尚，王文文.人工智能技術發展及應用研究綜述[J].煤礦機械，2009，30（02）：4-7.

[2] 崔雍浩，商聰，陳鍶奇，郝建業.人工智能綜述：AI的發展[J].無線電通信技術，2019，45（03）：225-231.

作者簡介：韓抒航（2000-），性別：男，民族：漢，籍貫：河南省西平縣，職稱：無，學歷：本科在讀，研究方向：數據挖掘。