人工智能技术发展及其应用领域

摘 要：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它使人类进入信息产业革命时代，达到认识和改造客观世界能力的高峰。本文章介绍了人工智能的概念和发展沿革，并对现阶段人工智能研究领域的主要研究方向进行了介绍。

关键词：智能;技术;发展;应用;领域

引 言

人工智能是新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量。人工智能正在与各行各业快速融合，助力传统行业转型升级、提质增效，在全球范围内引发全新的产业浪潮。

中国人工智能市场规模在迅速发展壮大，截止至2019年我国人工智能市场规模已达到554亿元左右，人工智能领域相关投资活跃，增长迅速。融资资金额从2013年到2018年，六年时间增长了近31倍。从2013年到2018年上半年，中国人工智能领域累计融资金额全球占比60%，超过美国的29%，世界排名第一。计算机视觉、无人驾驶、语音识别、自然语言处理等人工智能技术正在创造巨大的经济利益，人工智能技术现已成为目前全球最受互联网业界和市场关注的新技术及应用

一、人工智能发展历史

1956年，Marvin Minsky， John McCarthy 和 2位顶级科学家： Claude Shannon （克劳德·艾尔伍德·香农）以及IBM的 Nathan Rochester，组织了达特茅斯会议，此次会议其中的一个提案断言：任何一种学习或者其他形式的人类智能都能够通过机器进行模拟。同时约翰·麦卡锡为这种机器智能取了一个名字：Artificial Intelligence，并确定了人工智能最初的发展路线与发展目标。

1964年，首台聊天机器人诞生。美国麻省理工学院AI实验室的约瑟夫·魏岑鲍姆教授开发了ELIZA聊天机器人，实现了计算机与人通过文本来交流。这是人工智能研究的一个重要方面。不过，它只是用符合语法的方式将问题复述一遍。

1973年，著名数学拉特希尔家向英国政府提交了一份关于人工智能的研究报告，尖锐的指出人工智能那些看上去宏伟的目标根本无法实现，研究已经完全失败。此后，科学界对人工智能进行了一轮深入的拷问，各国政府和机构也停止或减少了资金投入，人工智能在70年代陷入了第一次寒冬。

在当时，人工智能面临的技术瓶颈主要是三个方面，第一，计算机性能不足，导致早期很多程序无法在人工智能领域得到应用;第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了;第三，数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法读取足够量的数据进行智能化。

通用计算机设备的发展，让人工智能真正开始和现代计算机技术进行深入融合。上世纪九十年代中期开始，随着AI技术尤其是神经网络技术的逐步发展，人工智能技术开始进入平稳发展时期。1997年，IBM的计算机深蓝Deep blue战胜了人类世界象棋冠军卡斯帕罗夫，让人工智能的发展进一步提上日程。进入21世纪，随着算力的增加，人工智能的瓶颈被打破。

2011年，Watson参加智力问答节目。 IBM开发的人工智能程序“沃森”（Watson）参加了一档智力问答节目并战胜了两位人类冠军。沃森存储了2亿页数据，能够将于问题相关的关键词从看似相关的答案中抽取出来。这一人工智能程序已被IBM广泛应用于医疗诊断领域。

2016～2017年，AlphaGo战胜围棋冠军。AlphaGo是由Google DeepMind开发的人工智能围棋程序，具有自我学习能力。它能够搜集大量围棋对弈数据和名人棋谱，学习并模仿人类下棋。DeepMind已进军医疗保健等领域。

二、人工智能的研究与应用领域

（1）计算机视觉

计算机视觉（Computer Vision）是指用计算机实现人的视觉功能——对客观世界的三维场景的感知、识别和理解。机算机视觉技术的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。因此不仅需要使机器能感知三维环境中物体的几何信息（形状、位置、姿态、运动等）而且能对它们进行描述、存储、识别与理解。可以認为，计算机视觉与研究人类或动物的视觉是不同的，它借助于几何、物理和学习技术来构筑模型，用统计的方法来处理数据。视觉识别是计算机视觉的关键组成部分，如图像分类、定位和检测等。神经网络和深度学习的最新进展极大地推动了这些最先进的视觉识别系统的发展。

（2）机器学习

机器学习是一门人工智能的科学，该领域的主要研究内容是利用计算机模拟实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识架构不断改善自己的功能。按照学习方式，可将机器学习分为监督学习、无监督学习、半监督学习和强化学习。在监督学习下，每组训练数据都有一个明确的标识或结果，在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。在无监督学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。在半监督学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。在强化学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。

（3）自然语言处理

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理研究对内容主要包括有词法分析、文本分类、文本纠错、摘要获取、情感分析、关键词提取、内容审核等内容。这里列举一些研究方向来作详细的说明，词法分析的主要任务是去识别文本中具有特定意义的实体，主要包括：人名、地名、职位名、产品名词等，应用场景例如各大手机厂商的语音助手。文本分类是对文章按照内容类型（体育、教育、财经、社会、军事等等）进行自动分类，为文章聚类、文本内容分析等应用提供基础支持。情感分析是对能够对文本信息进行“情感”上的正向、负向及中性进行评价，应用场景包括评论的分析与决策、舆情监控等。

结束语

计算机和互联网一方面为人工智能提供了创造商业价值的载体，让AI技术研究可以稳步推进，另一方面也为人工智能的爆发积累了强大的运算力和经验数据.现阶段，人工智能技术已进入大规模商用阶段，人工智能产品全面进入消费市场，人工智能的认知能力正在不断提高，人工智能从无形发展到有形的陪伴每个人的生产生活，半个多世纪前被科学家曾经描述的美好图景正在一步步被人工智能技术实现。

参考文献

[1] 张妮，徐文尚，王文文.人工智能技术发展及应用研究综述[J].煤矿机械，2009，30（02）：4-7.

[2] 崔雍浩，商聪，陈锶奇，郝建业.人工智能综述：AI的发展[J].无线电通信技术，2019，45（03）：225-231.

作者简介：韩抒航（2000-），性别：男，民族：汉，籍贯：河南省西平县，职称：无，学历：本科在读，研究方向：数据挖掘。