事物飛速發展之時，往往需要你停下腳步，回顧自己所處的位置，否則你會很容易陷入對細節的興奮之中。構**工智慧型基礎的資料科技正以不同的方式向前發展，而且速度飛快。因此，在你改變職業之前，或者決定使用人工智慧擴充套件業務時，讓我們首先對人工智慧做乙個鳥瞰，以幫助理解我們所處的位置以及未來走向。
人工智慧的三個階段
我們傾向於把人工智慧看做新事物，尤其是新技術以及和深度學習相關的新技巧。然而，人工智慧已經過數十年的發展，否認過往的成功似乎不合邏輯，因為技術總是不斷向前發展。
當我費力向其他人解釋人工智慧之時，我不斷為**分析尋找一些分界線，這些分析我們已經實踐了相當一段時間，也是大眾對人工智慧持有的觀點，主要將人工智慧的歷史與未來劃分為了三個階段：
1.手工知識（handcraftedknowledge）階段
2.統計學習（statisticallearning）階段
3.語境順應（contextualadaptation）階段
launchbury的觀點對我幫助極大。儘管階段（ages）的比喻很有用，但是這很容易讓人誤解為乙個階段結束了下乙個階段作為替代才開始。與此相反，我把人工智慧看作乙個金字塔，其中下一階段的發展奠定在前一階段之上。這也清晰地表明了即使是最古老的人工智慧技術也不會過時，且實際上依然在使用之中。
對於第二個階段統計學習（statisticallearning），即我們目前所處的階段，我分為了一些更細的階段，因為第二個階段之中有一些重大突破值得單獨作解釋。
三個階段
第一階段：手工知識
第乙個階段的典型代表是「專家系統」（expertsystems），其把大量知識轉化為由中小企業團隊精心制定的決策樹來增強人類的智慧型。專家系統的代表例子是turbotax或者做排程的物流程式，它們在上世紀80年代已經出現，且很有可能更早。
對比1儘管我們有能力運用機器學習統計演算法諸如回歸、svm、隨機森林以及神經網路，且這些演算法自上世紀90年代以來獲得了飛速擴充套件，但手工系統的應用並未完全消失。最近launchbury提及到該系統的乙個應用成功防禦了網路攻擊。大約在2023年之前，相似的系統實際上已經成為自動駕駛車的核心（其失敗的主要原因是不能解釋所有的現實問題）。
launchbury認為專家系統在推理方面表現不俗，但僅限於幾個嚴格定義的問題，且沒有學習能力，不能處理不確定性問題。
第二階段：統計學習
第二個階段是我們現在所處的階段。儘管launchbury傾向於關注深度學習方面的進步，實際上早在我們使用計算機尋找資料中的訊號之時就已經步入了第二階段。統計學習階段開始於數十年之前，但是在上世紀90年代獲得了牽引力，並通過處理新資料、容量甚至是資料流而不斷獲得擴充套件。
由於不斷增加的深度學習技術工具箱（比如回歸、神經網路、隨機森林、svm、gbm），統計學習階段伴隨著從資料之中尋找訊號能力的**性增長應運而生。
這是一種不會消失的基礎資料科學實踐，它可以解釋消費者（他們為什麼來、為什麼留、為什麼走）、交易（是否存在欺詐）、裝置（它是否有問題）、資料流（30天之後其價值是什麼）的所有行為問題。統計學係對人類智慧型的增強是不斷發展的人工智慧的部分之一。
在第二階段之中，至少有另外兩個重大突破極大地提公升了人類的能力。第乙個是hadoop與大資料。現在我們已經有了大規模並行處理以及儲存和查詢大的非結構快速移動資料集的方法。2023年hadoop首次開源，直到現在。第二個小的突破是現代人工智慧工具集的興起，其由以下6種技術組成：
1.自然語言處理
2.影象識別
3.強化學習
4.問答機
5.對抗式訓練
6.機械人
除了少數例外，這些技術可被集成為依賴於深度學習的一類，但是如果你檢視深度學習工作方式以及深度神經網路執行方式的詳情，你很快會意識到這些並不是問題的核心。
在卷積神經網路、迴圈神經網路、生成對抗神經網路、強化學習之中的進化神經網路及其所有變體之中通常有很少；反過來在問答機（watson）、機械人或者不使用深度神經網路的強化學習變體之中存在更少。
由於這些技術的共同之處是它們生成自己的特徵，也許我們應該稱之為無特徵建模的階段（eraoffeaturelessmodeling）。你仍然不得不使用已知的標註例項進行訓練，但是你不必在列中填入預定義的變體和屬性。它們在極其大的計算陣列上也需要大規模並行處理，很多次需要專業晶元（比如gpu、fpga）以在人類時間尺度上搞定一切。
因此，重要的區別就是第二階段的人工智慧可以延續幾十年，並且其主要從機器學習、大資料/hadoop和無特徵建模三個方面已經對新技術進行了三次大的變革。但這些突破仍然在統計學習方法這一階段內，該階段還會繼續發展並產生更多的突破。
launchbury表明，到目前為止，我們已經擁有非常先進、細分和強大**能力的系統，但是仍然還沒有理解語境和最小推理能力。因為我們的技術對資料有更大量的需求，這已經成為了乙個障礙，而對我們仍然有價值和高效的**分析技術並不應該是這樣的。但我們在這個階段早期無法解決的困難，包括自動駕駛汽車、機器贏得日益複雜遊戲的能力、影象、文字和自然語言處理等方面目前都已經取得了重大的突破。
第三階段：語境順應（contextualadaption）
接下來呢？lauchbury說，當前統計學習時代出現了兩個問題，第三個階段要解決兩個問題。
生成模型：這些模型可以從潛在語境中進行學習，比如乙個模型，掌握了每個字母的筆畫，而不是基於大量糟糕的書寫樣本進行粗暴分類。我們今天使用的生成模型有望顯著減少對訓練資料的需求。
鑑於這些特點，處在這一階段的人工智慧系統就能使用語境模型（contextualmodels）進行感知、學習、推理以及抽象，將從乙個系統中學習到的東西應用到乙個完全不同的語境中。
全景視野
新階段的開始並不意味著前一階段會戛然而止。一些技術、功能的有用性或許會降低，但是完全被淘汰出局也不太現實。比如，最新技術所需的大量計算力、研發的複雜性以及訓練都會制約這些技術退出歷史舞台，將來某個時候出現的**值的問題可能還會用到這些技術。
其他情況，比如語境採用階段，我們可能不得不等待新一代晶元的出現，這類晶元更加類似人腦。這些被稱為神經形態或者脈衝神經網路的第三代神經網路都會用到現在研發最早階段的那些晶元。
現在，我們處在第二階段（統計學習）的什麼位置？
當前階段的三章內容中，人們可能最關注的是新東西，深度學習、強化學習以及上述構成該階段的六種技術之間的平衡。
這是一場演化的艱難過程，剛開始結出果實，但這些新的發展中絕大部分仍然沒有準備好開花結果。儘管可以看到這些技術會往哪個方向發展，但是，只有兩到三個技術有望可靠商業化（影象處理、文字和語音處理，類似watsonqams的有限版本。）
當你試著將這些技術擰在一起時，這些技術也不過是鬆散地在一起，整合這些技術仍然是最具挑戰性的事情之一。我們總會想到辦法的，只是還沒到這一步。
我們總會走到那一步的，甚至進入第三階段。不過，走過這一階段之前，或許還會出現我們未曾預料的演化或者變革。
人工智慧、大資料、雲計算和物聯網的未來發展值得重視，均為前沿產業，多智時代專注於人工智慧和大資料的入門和科譜，在此為你推薦幾篇優質好文：
1.人工智慧時代，ai人才都有哪些特徵？
2.大資料攜手人工智慧，高校人才培養面臨新挑戰
3.人工智慧，機器學習和深度學習之間，主要有什麼差異
多智時代-人工智慧和大資料學習入門**|人工智慧、大資料、物聯網、雲計算的學習交流**
人工智慧的歷史豐碑
人工智慧 ai 究竟是什麼？它能否當作商品 在人類揭露智慧型本質的歷史征途上，人們不應忘記英國人工智慧學者羅咯卡彭特的 rollo carpenter 名字。為什麼？從1988 年起，卡彭特就著手研究聊天智慧型機械人。他研製的聊天機械人 cleverbot 也叫 聰敏機械人 1997 年問世。這種聊...
讀《人工智慧的未來》
雷 庫茲韋爾，名人也 加速回報定律，the law of accelerating returns 思想實驗 思考的思想實驗 大腦皮質的運作原理 大腦新皮質模型，思維模式識別理論 分為 6 層，共包含 300 億個神經元，它們又組成了 3 億個模式識別器。模式能做的事 學習，確認，執行。資訊沿著概念...
展望人工智慧的未來
我們的未來將不可避免的與人工智慧綁在一起，那麼人工智慧將朝向哪個方向發展呢？對於人工智慧未來的發展，我們最好的猜想有哪些 近期和遠期 如果真的創造出乙個有意識的人工智慧，又會有哪些倫理性和實踐性的思考？在這個投機的社會，人工智慧應該被賦予權利，又或是被人們忌憚？上週，我們討論了人工智慧的過去及其現狀...