其后，人工智能就一直萦绕在人们的脑海之中，并在科研实验室中慢慢孵化成形 。在之后的几十年，人工智能一直在不停地两极反转，既有人把其称作人类文明耀眼的未来；也有人把其当做是技术疯子们的妄想，嗤之以鼻 。坦白说，直到2012年之前，这两种声音都还同时存在 。过去几年，尤其是自2015年以来，人工智能开始大爆发 。
很大一部分原因是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效 。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据），也使得图像数据、文本数据、交易数据、映射数据全面海量爆发 。让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点星星之火，发展到能够支撑那些每天被数亿用户使用的实际应用的 。
人工智能（Artificial Intelligence）——为机器赋予人的智能King me：扮演跳棋玩家的计算机程序，是最早的人工智能实例之一，在20世纪50年代激起了人工智能的早期浪潮 。早在1956年夏天的那次会议上，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器，既我们所谓的“强人工智能”（General AI） 。
这是一个无所不能的机器，它有着我们所有的感知（甚至比人更多），以及我们所有的理性，可以像我们一样思考 。人们在电影里也总是看到这样的机器人：像星球大战中友好的C-3PO；或者是邪恶的终结者 。强人工智能目前还仅存在于电影和科幻小说中，原因很简单，因为我们还没法实现它们，至少目前还不行 。我们目前能实现的，一般被称为“弱人工智能”（Narrow AI） 。
弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术 。例如，Pinterest上的图像分类；或者Facebook的人脸识别 。这些都是弱人工智能在实践中的例子 。这些技术实现了人类智能中某些特定部分 。但它们是如何实现的？这种智能是从何而来？其答案就是同心圆中的第二层，机器学习 。机器学习—— 一种实现人工智能的方法Spam free diet：机器学习能够帮助你的收件箱（相对地）摆脱垃圾邮件的困扰 。
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测 。与传统的为解决特定任务的人工编码程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务 。机器学习直接来源于早期的人工智能领域 。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等 。
众所周知，我们现在还没有实现强人工智能，而早期机器学习方法甚至连弱人工智能都无法实现 。机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作 。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“S-T-O-P” 。
使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌 。这个结果还算不错，但还算不上是那种能让人为之一振的成功，特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了 。这也是为什么此前很长一段时间中，计算机视觉的性能一直无法接近到人类的水平 。
它太僵化，并且太容易出现错误 。随着时间的推进，学习算法的发展改变了一切 。深度学习——一种实现机器学习的技术Herding cats：从YouTube视频中挑选猫的图像是深度学习的第一个突破性演示之一 。人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经了数十年的推演 。
推荐阅读
- 总经销 欧普照明怎么样,照明行业专题报告之欧普照明深度解析
- 高光谱影像分类的深度少样例学习方法,稿件样例链接是什么
- 小米小爱和天猫精灵深度对比,天猫精灵有什么功能
- 请问要深度学习,深度学习服务器
- T1，大家深度清理手机垃圾用什么软件！
- 高校云端助力学生科研,大学生深度辅导怎么写
- 深度解析个人微网站,微网站制作教程
- 绩效面谈的深度访谈技巧,论文中怎么做个案访谈
- 为什么枪魂不能玩,深度分析枪魂冰子
- 深度剖析什么是,什么是执行偏差