关于人工智能，商业领袖必须知道哪些知识？

posuide

人工智能浪潮正在火速席卷全球，对于企业来说既是机遇又是挑战。言必称大数据、AI的时代，商业领袖乃至每个人，需要对人工智能知识有系统的了解。

商业与人工智能邂逅，最基本出发点，是要考虑公司客户和各成员如何从使用认知技术中获益？在新技术颠覆一切的舆论中，大多数人热衷于讨论宏大问题，但真正在商业实践中奋战的领导者们，应俯下身、沉下心，不被纷繁的概念和风口误导，保持独立思考。拥抱人工智能，扎根问题挑战，回到商业和管理的本质，才能真正助力自身发展。（杨朦晰）

人工智能在近几年备受关注。

科技公司自2011年以来对研究开发人工智能相关产品和技术的投资已超过20亿美元，还投资了数十亿美元来收购人工智能初创公司。

认识人工智能的第一步是定义这个术语，概述它的历史，并描述其中的一些核心技术。

定义人工智能

人工智能的领域定义太少也太多。Nils Nilsson是该领域的奠基人之一，他写道，人工智能“可能缺乏一个公认的定义”。一本备受尊重的人工智能教科书在它的第三版中，提供了人工智能的8个定义，但并未明确表明更推崇其中的某一个。对我们来说，人工智能的一个有用的定义是计算机系统的理论和发展能够执行通常需要人类智能参与的任务。例如视觉认知、语音识别、决策不确定、学习和跨语言翻译等。当我们用人类所做能的事情，而不是人类的思维方式来定义人工智能时，我们就可以在科学界对智力的神经机制产生明确认识之前，讨论它的实际应用。

人工智能的历史

人工智能不是一个新概念。实际上，这个词本身可以追溯到上世纪50年代。这一领域的历史可以被恰当总结为“充满了炒作和高期望的时期，交替出现挫折和失望”。研究人员于1950年阐明模拟人类智能的大胆目标后，在1960年开发了一系列示范项目，并在70年代展现了计算机能够实现一些一度被认为是只有人类才能完成的任务，如证明定理，解决计算问题，通过计划和执行身体动作来回应命令——甚至模仿心理治疗师和作曲师。但是处理不确定性问题的算法不够成熟，以及计算能力的限制，阻碍了解决更难或更多样化问题的尝试。在缺乏持续进步的失望之中，到20世纪70年代中期，AI研究不再是一种潮流。

上世纪80年代初，日本推出了一项计划，开发一种先进的计算机架构，以推动人工智能领域的发展。西方对被日本赶超的担忧促使其决定重新投资人工智能领域。20世纪80年代见证了商业AI产品供应商的诞生，其中一些公司已经开始上市，比如英特尔、Symbolics和Teknowledge。到了20世纪80年代末，500强中有近一半正在开发或维护“专家系统”。

人工智能是以事实和规则为基础，对人类的专业知识进行模拟的一种技术。人们曾对“专家系统”的潜力寄予厚望，但是由于它们的局限性，包括缺乏明显的常识，难以捕捉专家的隐性知识，以及建立和维护大型系统的高成本和高复杂性等的问题，这种期望最终又被搁置。人工智能技术的发展又失去了动力。

上世纪90年代，人工智能方面的技术工作仍处于较低的水平。但是神经网络和遗传算法等技术得到了新的关注，一部分原因是它们避免了专家系统的一些局限性，另一部分是因为新算法使它们更有效。神经网络的设计灵感来自于大脑的结构。遗传算法旨在通过迭代地生成候选解决方案来“升级”解决问题的方法，剔除掉最弱的解决方案。并且通过引入随机突变生成新的解决方案。

人工智能发展的催化剂

到20世纪末，许多因素推动了人工智能的进步，尤其是在一些关键技术方面。下文列举了促进人工智能发展的几大关键性因素，并对其进行了详细阐述。

摩尔定律：在给定的价格和规模下，计算能力的持续增长，被称为摩尔定律。

大数据：大数据为人工智能的发展提供很大助力，因为一些人工智能技术会使用统计模型进行数据分析推理，例如图像、文本或语音。通过大数据来验证这些模型，可以使模型得到改进或者“训练”。

互联网和云：将人工智能的进步归功于互联网和云计算有以下两个原因。首先，互联网和云连接的计算设备能够提供和计算海量的数据和信息， 这为需要大量数据集进行工作的人工智能提供了助力。第二，它们为人类提供了一种有助于培训人工智能系统的能够多方参与的方法。

新算法：近年来，开发出的新算法极大地提高了机器学习的性能，机器学习技术是计算机视觉等其他技术的推动者。

认知技术

在此我们把人工智能和该领域中衍生出的新技术区分开讨论。大众媒体将人工智能描绘成智能或比人类聪明的计算机。相比之下，某些单独的技术在执行特定的任务时表现得更好，我们称之为认知技术。下面我们将列举一些被广泛采用、取得快速进展或获得巨额投资的认知技术。

计算机视觉：计算机识别图像中的物体、场景和活动的能力。计算机视觉技术使用图像处理操作和其他技术将图像解析并分割成可管理的部分。

机器学习：计算机系统在不遵循明确编程指令的情况下，通过接触并处理数据来提高性能的能力。机器学习的核心是计算机自主发现数据中的特殊模式。一旦成功，这种“模式”就可以用来预测结果。

自然语言处理：计算机以人类的方式处理文本。例如，从文本中提取文意，甚至可以将文本生成通顺的，语法正确且风格自然的句子。

语音识别：计算机自动并准确地翻译人类语音。语音识别系统使用的是一些与自然语言处理系统相同的技术，另外还有一些声音模型，比如描述声音的声学模型，以及它们在给定语言中出现的概率。