導(dǎo)語：ABC時(shí)代（AI+BigData+Cloud），作為騰訊云大數(shù)據(jù)及人工智能產(chǎn)品中心的一員，也算是站在了toB+ABC的“騰訊風(fēng)口“。分享一些在AI領(lǐng)域作為一名商業(yè)產(chǎn)品經(jīng)理的心得，希望盡可能系統(tǒng)化。適合對AI感興趣的人群，無需產(chǎn)品和算法/研發(fā)背景知識(shí)。

前言

明鏡所以照形，古事所以知今。無論做哪個(gè)行業(yè)屬于哪個(gè)領(lǐng)域，我們回顧歷史，總是可以發(fā)現(xiàn)一些規(guī)律，一些似曾相識(shí)。回顧歷史，我們可以總結(jié)歷史經(jīng)驗(yàn)、把握歷史規(guī)律，增強(qiáng)開拓前進(jìn)的勇氣和力量。

AI發(fā)展的三大浪潮

事物發(fā)展總是有周期的，大到一個(gè)國家/朝代的發(fā)展變更，小到一個(gè)月總有那么三十幾天不想上班。AI也是一樣。作為一個(gè)從上世紀(jì)50年代才發(fā)展起的技術(shù)/學(xué)科，一般大家講AI的發(fā)展歷史，總是會(huì)總結(jié)成三大浪潮。幸運(yùn)的是，目前看起來，AI還是總體符合波浪式前進(jìn)、螺旋式上升的趨勢，值得廣大有志青年來投身于此。

[ 波浪式前進(jìn)、螺旋式上升的人工智能 ]

三次浪潮的定義并沒有一個(gè)官方標(biāo)準(zhǔn)，此處的定義采用了日本學(xué)者松尾豐的定義。

第一次浪潮——搜索與推理（約上世紀(jì)50-70年代）

圖靈測試

AI的發(fā)展簡史，要從盤古開天辟地說起。1950年，阿蘭·圖靈（Alan Turing，一位科學(xué)巨匠，感興趣的同學(xué)可以看下《模仿游戲》這部電影），在《mind》上發(fā)表了一篇名為《計(jì)算機(jī)器和智能》（Computing Machinery and Intelligence）的論文。論文中既沒講計(jì)算機(jī)如何變得智能，也沒提出什么解決復(fù)雜問題的智能方法，僅僅是提出了一種驗(yàn)證機(jī)器有無智能的判別方法：讓測試者和計(jì)算機(jī)通過鍵盤和屏幕進(jìn)行交流，測試者事前并不知道與之對話的到底是機(jī)器還是人類。如果測試者無法分辨自己交流的對象是人還是機(jī)器，那么我們就說這臺(tái)機(jī)器通過了測試并具備了人工智能。

這個(gè)測試非常有趣，還有一個(gè)專門的獎(jiǎng)項(xiàng)（Loebner Prize），用來頒發(fā)給那些在測試中表現(xiàn)優(yōu)異的程序。有些人還會(huì)長期霸榜。

下圖的代碼截圖，是“AI核心代碼，估值一個(gè)億”。這段代碼只做了一件事情，就是將輸入文字進(jìn)行非常簡單的處理——將輸入的“嗎”字去掉，將輸入的問號(hào)“？”替換成感嘆號(hào)“！”。盡管是諷刺某些AI領(lǐng)域的欺詐現(xiàn)象，但我相信的確可以通過某些人的圖靈測試。

[ 估值1個(gè)億的AI核心代碼 ]

達(dá)特茅斯會(huì)議

1956年夏天，香農(nóng)和一群年輕的學(xué)者在達(dá)特茅斯學(xué)院召開了一次頭腦風(fēng)暴式的研討會(huì)。會(huì)議的倡議者是當(dāng)時(shí)在該學(xué)院任教的John McCarthy和Marvin Minsky，他們當(dāng)時(shí)都只有29歲（29歲！）。說是研討會(huì)，但和現(xiàn)在的為期幾天的學(xué)術(shù)會(huì)議不一樣，這個(gè)研討會(huì)持續(xù)了一個(gè)暑假?！叭斯ぶ悄堋边@個(gè)概念，就是在這次會(huì)議上提出的。

搜索與推理

我們先看一個(gè)迷宮問題。假如有下圖最上方的一個(gè)迷宮，我們?nèi)绾螐钠瘘c(diǎn)走向終點(diǎn)？如果是人類，我們一般會(huì)拿筆畫勾勒路線，或者通過語言描述。但是計(jì)算機(jī)無法這樣處理，我們要將問題表示成下圖中間的樣子，路徑由線段表示，節(jié)點(diǎn)由字母表示，起點(diǎn)我們標(biāo)記為“S-Start”，終點(diǎn)我們標(biāo)記為“G-Goal”。

[ 將迷宮問題表達(dá)給計(jì)算機(jī)理解 ]

從S開始出發(fā)，我們會(huì)有A、D兩個(gè)方向可以選擇，從A出發(fā)我們有B、C兩個(gè)方向，從D出發(fā)我們有H、I兩個(gè)方向，以此類推，我們可以將所有可能出現(xiàn)的路徑表達(dá)成上圖最下方的樹狀結(jié)構(gòu)。

那么，現(xiàn)在問題就表示成，我們有上圖所示的搜索樹，如何讓計(jì)算機(jī)找到從S到G的路徑？
簡單的方法有兩種：

1，我們盡量往深挖，走到不能走了為止，不行了就換一個(gè)樹的分支，這種方法被稱為“深度優(yōu)先搜索”；

2，我們盡量把同一層級(jí)的節(jié)點(diǎn)都試過后，發(fā)現(xiàn)沒找到G，再進(jìn)入到下一個(gè)層級(jí)，這種方法被稱為“寬度優(yōu)先搜索”。兩種方法各有利弊，也能根據(jù)這兩種方法延伸出很多復(fù)雜的搜索算法。

最終我們發(fā)現(xiàn)，如果要從S->G，路徑是S->A->C->G。

P.S.：

1. 所謂算法，是指解決問題的方法和步驟。冒泡排序也是一種算法，并非AI相關(guān)的算法才是算法。

2. 沒有coding基礎(chǔ)的同學(xué)也建議看看最基礎(chǔ)的數(shù)據(jù)結(jié)構(gòu)和排序算法。

成就和問題

盤古時(shí)代的AI，讓人們看到了以后不用工作靠機(jī)器人養(yǎng)活的曙光，尤其是在解決智力游戲問題上讓人們驚嘆不已。期間最有代表性的是棋類游戲。

1997年，由IBM開發(fā)的超級(jí)計(jì)算機(jī)“深藍(lán)”打敗了當(dāng)時(shí)國際象棋的世界冠軍Garry Kasparov，引發(fā)的轟動(dòng)不亞于Alpha Go擊敗李世石。雖然這件事情時(shí)間線上不屬于AI的第一次浪潮，但“深藍(lán)”當(dāng)時(shí)使用的方法，本質(zhì)還是暴力搜索——通過對己方或?qū)Ψ降拿總€(gè)可能的棋步進(jìn)行搜索，然后選出獲勝概率最大的棋步（不過據(jù)說深藍(lán)根據(jù)Garry Kasparov的棋路做了專門優(yōu)化，連硬件都是定制的）。

[ 深藍(lán)戰(zhàn)勝Kasparov ]

這個(gè)時(shí)期能解決的問題其實(shí)非常有限，現(xiàn)實(shí)生活中一些沒有明確規(guī)則的問題難以解決，同時(shí)機(jī)器的算力也非常有限。人們最終認(rèn)為AI只能解決一些“Toy Problem”。

第二次浪潮——專家系統(tǒng)（約上世紀(jì)80-90年代）

既定規(guī)則

1966年，MIT的教授Joseph Weizenbaum發(fā)明了一個(gè)對話小程序ELIZA，這個(gè)對話小程序可以通過談話幫助病人完成心理恢復(fù)。ELIZA是微軟小冰、小黃鴨、Siri這些對話機(jī)器人的鼻祖。ELIZA的原理非常簡單，在一個(gè)有限的話題庫里，用關(guān)鍵字映射的方式，根據(jù)病人的問話，找到自己的回答。比如，當(dāng)用戶說“你好”時(shí)，ELIZA就說：“我很好。跟我說說你的情況。”此外，ELIZA會(huì)用“為什么？”“請?jiān)敿?xì)解釋一下”之類引導(dǎo)性的句子，來讓整個(gè)對話不停地持續(xù)下去。同時(shí)，ELIZA還有一個(gè)非常聰明的技巧，它可以通過人稱和句式替換來重復(fù)用戶的句子，例如用戶說“我感到孤獨(dú)和難過”，ELIZA會(huì)說“為什么你感到孤獨(dú)和難過”。

P.S.：感覺Joseph是一個(gè)很好的C端產(chǎn)品經(jīng)理。

[ ELIZA對話 ]

專家系統(tǒng)

專家系統(tǒng)，顧名思義，就是通過引入某個(gè)領(lǐng)域的專業(yè)知識(shí)，利用事先預(yù)定規(guī)則（可以簡單理解為很多個(gè)If-else），機(jī)器就可以像專家一樣出色地工作。有個(gè)很有名的專家系統(tǒng)是上世紀(jì)70年代初由斯坦福大學(xué)開發(fā)的MYCIN。MYCIN的功能設(shè)計(jì)是對傳染性血液病患者進(jìn)行診斷，并開出抗生素藥方。這個(gè)系統(tǒng)內(nèi)部總共有500條規(guī)則，只要按照既定順序依次回答，那么系統(tǒng)就可以判斷病人所感染細(xì)菌的類別，并開出藥方。

從效果上來看，MYCIN開出正確處方的概率為69%，其成績優(yōu)于非細(xì)菌感染專業(yè)的醫(yī)生，但低于專業(yè)醫(yī)生（正確率為80%）。就效果而言，50年前能達(dá)到如此效果，已是殊為不易。

一個(gè)很著名的項(xiàng)目——Cyc計(jì)劃，旨在打包人類所有知識(shí)，從1984年開始，至今仍未結(jié)束。

[ 知識(shí) ]

[ Cyc的官網(wǎng)介紹 ]

成就和問題

專家系統(tǒng)在數(shù)據(jù)不精確或信息不完整、人類專家短缺或?qū)ｉT知識(shí)十分昂貴的場景下，取得了非常好的效果和經(jīng)濟(jì)收益。專家系統(tǒng)的一個(gè)著名例子，是IBM開發(fā)的人工智能“沃森”曾參加美國電視智力問答節(jié)目“危機(jī)邊緣”并挑戰(zhàn)歷代冠軍而獲勝。而且，據(jù)稱在上世紀(jì)80年代已有約2/3的美國1000強(qiáng)企業(yè)在日常業(yè)務(wù)中使用了專家系統(tǒng)。

但是很明顯的，專家系統(tǒng)有很多問題。知識(shí)庫的建立需要大量的時(shí)間、人力、物力；有些模糊無法定量的問題難以用文字衡量（類似我肚子痛，請問有多痛？）；知識(shí)/信息是無限的；機(jī)器翻譯始終無法取得預(yù)期效果（AI翻譯是個(gè)很有趣的話題）。

第三次浪潮——機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺

鳥飛派 VS. 統(tǒng)計(jì)派

按照吳軍博士的說法，AI領(lǐng)域一直存在著鳥飛派和統(tǒng)計(jì)派兩派。鳥飛派認(rèn)為，要首先了解人類是如何產(chǎn)生智能的，然后讓計(jì)算機(jī)按照人的思路去做。這個(gè)說法來自于古人希望飛翔，于是通過觀察鳥類是如何飛行的，通過模仿鳥類來達(dá)到飛翔的目的。當(dāng)然我們現(xiàn)在知道插滿羽毛的“鳥人”是飛不起來的。懷特兄弟發(fā)明飛機(jī)是靠空氣動(dòng)力學(xué)而不是仿生學(xué)。現(xiàn)在，一般我們現(xiàn)在用的機(jī)器翻譯和語音識(shí)別，都是靠的數(shù)學(xué)，更準(zhǔn)確地說是統(tǒng)計(jì)學(xué)。

機(jī)器學(xué)習(xí)，則屬于統(tǒng)計(jì)派。

機(jī)器學(xué)習(xí)

聊機(jī)器學(xué)習(xí)前，我們先看一個(gè)簡單的問題。下圖中明星合照，如果要分辨圖片中的男女，人類會(huì)怎么做？

其實(shí)人類可能一眼看過去就分辨出來了，當(dāng)然我們?nèi)祟惙直鎴D片中的男女可能隱含著我們使用了圖片中人物的發(fā)型、高度、膚色、體型等等信息，再加上我們在日常生活中積累的知識(shí)，從而做出了判斷。

[ 人類分辨男女怎么做 ]

那么，同樣類似我們在處理迷宮問題時(shí)的做法，我們先將這些信息給量化，方便計(jì)算機(jī)理解。我們簡化這些信息，將發(fā)型用頭發(fā)長度來衡量，膚色用0-100的數(shù)字衡量，體型用體重來衡量，高度和體重則保持正常大家的理解。

那么，一個(gè)發(fā)長10cm、高度175cm、膚色60、體重70kg、胸圍88cm的人，可以用一串有順序關(guān)系的數(shù)字來表達(dá)（10,175,60,70,88），這串有順序關(guān)系的數(shù)字，在數(shù)學(xué)領(lǐng)域，叫做向量。在機(jī)器學(xué)習(xí)領(lǐng)域，我們常稱其為特征向量。將圖片中人物表達(dá)成特征向量的過程，我們常稱為特征提取。這個(gè)特征，因?yàn)橛?個(gè)有順序關(guān)系的數(shù)字構(gòu)成，我們常說這個(gè)特征是5維的。

好了，我們現(xiàn)在已經(jīng)知道如何把一個(gè)人用特征向量來表達(dá)了。那么，在這個(gè)向量空間（這些特征所在的空間，可以把向量空間簡單理解N維坐標(biāo)系）中，我們怎么做，能夠讓機(jī)器正確分辨未知性別的人呢？我們需要給機(jī)器一個(gè)策略，讓機(jī)器可以“聰明”地作出正確的判斷，并且可以“學(xué)習(xí)”。

[ 機(jī)器分辨男女怎么做1 ]

我們先使用一種簡單的策略——已知的向量空間中，我們有事先已知性別的某幾個(gè)或一些人，我們提取這些人的特征。然后，我們設(shè)定，如果，待判斷性別的人的特征向量離已知性別的人的特征向量最“近”，那么我們認(rèn)為這兩人的性別一樣。我們可以簡單理解為這種策略背后的哲學(xué)思想是“物以類聚、人以群分”。這個(gè)分類的策略在機(jī)器學(xué)習(xí)領(lǐng)域被稱為最近鄰（NN，Nearest Neighbor）。

那，怎樣算“近”呢？

首先我們看下圖中左上角的二維坐標(biāo)空間，我們可以看到點(diǎn)A(X1,Y1)和點(diǎn)B(X2,Y2)，兩個(gè)點(diǎn)的歐式距離我們可以通過圖中Dis(A,B)公式得出（此處蘊(yùn)含初中數(shù)學(xué)知識(shí)）。我們可以以在特征向量空間中的歐式距離來判斷“遠(yuǎn)近”。當(dāng)然，實(shí)際上還有其他N種算距離的方法，如曼哈頓距離、馬氏距離。

上述過程，我們就完成了一個(gè)非常簡單的算法模型。我們設(shè)計(jì)了一個(gè)特征（或特征提取方法），我們有一些標(biāo)注數(shù)據(jù)（事先已知性別的人），我們使用NN分類器用于進(jìn)行分類。

毋庸置疑，上述模型是簡陋的。會(huì)有很多問題。我們設(shè)計(jì)的特征是否足夠合理呢？（體重用來判斷性別合適么，小孩和老人的情況怎么辦呢）我們的標(biāo)注數(shù)據(jù)是否足夠多且合理呢？（如果標(biāo)注數(shù)據(jù)中已知性別的人中女性都是成年人，而男性都是小孩，這個(gè)時(shí)候若輸入是一個(gè)成年男性的數(shù)據(jù)，是不是輸出就大概率是女性了）我們的分類器是否對噪聲魯棒？（如果已知性別的人中某個(gè)女性在發(fā)長、高度、膚色、體重、胸圍比較man，或者由于人工失誤將數(shù)據(jù)標(biāo)注錯(cuò)了，而恰好我們的某個(gè)男性在這些生理特征上和其相似，則容易誤判）。

[ 機(jī)器分辨男女怎么做2 ]

因此，我們要改進(jìn)。

• 如果，我們在特征中，加入“是否有喉結(jié)”這個(gè)因素，并根據(jù)有/無喉結(jié)表示為0和1，那么我們可以把這個(gè)特征變得更有意義，此時(shí)特征已為6維。這個(gè)過程，我們可以簡單稱其為“算法升級(jí)”。升級(jí)后的算法，其特征和原先的特征是不兼容的（維數(shù)都不一樣了，距離無法計(jì)算）。所以絕大部分時(shí)候，AI算法升級(jí)后，原來系統(tǒng)存儲(chǔ)的特征是無法被升級(jí)后的系統(tǒng)使用的。

• 如果考慮年齡、人種、地域分布、健康情況等多種因素，盡可能搜集多數(shù)據(jù)并確保數(shù)據(jù)標(biāo)注的正確性，我們是可以提升這個(gè)系統(tǒng)的效果的。所以，大數(shù)據(jù)的出現(xiàn)對AI的推動(dòng)作用是非常大的。大數(shù)據(jù)是另外一個(gè)很相關(guān)的領(lǐng)域，目前機(jī)器學(xué)習(xí)甚至可以被理解為大數(shù)據(jù)的一種應(yīng)用。

• 如果，我們不僅僅只考慮最“近”的那一個(gè)人，而是考慮最“近”的k個(gè)人，并采用“少數(shù)服從多數(shù)”的原則來進(jìn)行投票，判斷性別，我們可以降低因?yàn)椴糠秩?太Man or 太娘 帶來的噪聲影響。那么這個(gè)k取多少呢？3、5、7還是9？我們可以再額外采集一部分?jǐn)?shù)據(jù)來測試（之前的標(biāo)注數(shù)據(jù)我們稱為訓(xùn)練數(shù)據(jù)，這次額外采集的稱為測試數(shù)據(jù)），驗(yàn)證一下k取多少能獲取最好的效果。那么這個(gè)獲取最佳k的過程，我們可以稱機(jī)器在學(xué)習(xí)/訓(xùn)練（Machine Learning/Training）。這個(gè)分類器就叫k-NN分類器。

• 如果，我們認(rèn)為最近鄰的思想太過簡單，我們還可以來點(diǎn)復(fù)雜的內(nèi)容。在上圖中，我們可以在向量空間中劃出一條線/一個(gè)平面，來進(jìn)行區(qū)分。線/面的一邊代表一類。這個(gè)策略（分類器），叫支持向量機(jī)（SVM）。通過標(biāo)注數(shù)據(jù)找到這條線/這個(gè)平面（這個(gè)過程有大量參數(shù)待定），也是一個(gè)機(jī)器學(xué)習(xí)的過程。

• 其他常見的分類器還有貝葉斯、決策樹、人工神經(jīng)網(wǎng)絡(luò)等。人工神經(jīng)網(wǎng)絡(luò)之后就發(fā)展出了深度神經(jīng)網(wǎng)絡(luò)以及后續(xù)的Deep Learning。
  上面的這么一個(gè)過程，我們建立了一個(gè)判斷性別的算法模型。我們學(xué)會(huì)了設(shè)計(jì)特征、設(shè)計(jì)分類器。為了達(dá)到判斷性別這個(gè)目的，我們需要事先有一些數(shù)據(jù)（樣本集/標(biāo)注集），我們需要有一些知識(shí)才能設(shè)計(jì)出好的特征，我們的分類器需要數(shù)據(jù)來“學(xué)習(xí)“獲得一組最佳參數(shù)。我們知道了，什么叫“機(jī)器學(xué)習(xí)”。

深度學(xué)習(xí)

我們在看上述辨別性別問題的時(shí)候，會(huì)發(fā)現(xiàn)有一個(gè)關(guān)鍵點(diǎn)——上述設(shè)計(jì)的特征是否合理？如果使用“是否有喉結(jié)”這個(gè)作為特征或甚至采用“是否有子宮”這個(gè)作為特征是否更加合理？發(fā)長、高度、膚色、體重、胸圍這些因素是有助于判斷性別還是無助甚至有害的？

在深度學(xué)習(xí)出現(xiàn)之前，學(xué)術(shù)界許多學(xué)者都在致力尋找更好的特征來表述某些事物。許多學(xué)者投入了大量時(shí)間出產(chǎn)大量論文只是解決某個(gè)既定領(lǐng)域的一個(gè)小問題，提升幾個(gè)百分點(diǎn)的準(zhǔn)確率。如果特征都要依賴人類來設(shè)定，甚至是專家來設(shè)定，我們能否讓機(jī)器自己來設(shè)計(jì)特征？

深度學(xué)習(xí)（Deep Learning）就是解決這個(gè)問題——讓機(jī)器來設(shè)計(jì)特征。

[ 深度學(xué)習(xí)是什么？]

深度學(xué)習(xí)，受自然神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)啟發(fā)，但并不是模擬神經(jīng)網(wǎng)絡(luò)（不是鳥飛派），其早已是數(shù)學(xué)的領(lǐng)域。深度學(xué)習(xí)英文名為Deep Learning，原因是其是由多層神經(jīng)網(wǎng)絡(luò)組成，理論上還是屬于機(jī)器學(xué)習(xí)的范疇。（此處感慨一下，取名非常重要，轉(zhuǎn)基因的作者如果取個(gè)好名字就不會(huì)有這么多事）

關(guān)于深度學(xué)習(xí)的原理，限于篇幅和筆者能力，不在此展開。有興趣的同學(xué)請自行搜索相關(guān)內(nèi)容。

計(jì)算機(jī)視覺

機(jī)器學(xué)習(xí)嚴(yán)格意義上可以算作一門學(xué)科，而計(jì)算機(jī)視覺（Computer Vision）實(shí)際上是圖像處理和機(jī)器學(xué)習(xí)的交叉學(xué)科。

我們在上述看機(jī)器學(xué)習(xí)的過程中，有個(gè)關(guān)鍵步驟是提取特征。在分類男女的任務(wù)中，我們使用了諸如發(fā)長、體重此類的特征。如果我們真的要使用這些信息作為特征，那么我們會(huì)需要在現(xiàn)實(shí)世界中進(jìn)行量取，這個(gè)可能是不一定做得到的，依賴于我們獲取數(shù)據(jù)的方式。

在現(xiàn)在的計(jì)算機(jī)屏幕上，我們?nèi)祟惪梢钥吹缴术r明的圖片，是因?yàn)殡娔X屏幕通過電流刺激給人眼反射了不同波長的光，人眼的感光器對不同波長的有不同的反應(yīng)，因此造成了顏色這個(gè)感受。

根據(jù)楊一赫姆霍爾茲學(xué)說，或叫三色學(xué)說，自然界中存在的各種顏色都可以通過紅（Red）、綠（Green）、藍(lán)（Blue）三種顏色按照不同比例混合而成。而我們現(xiàn)在看到的計(jì)算機(jī)上圖像的本質(zhì)，就是由分別代表RBG三通道的三個(gè)二維矩陣構(gòu)成。

我們首先看下圖中灰色的Lena（Lena是圖像處理領(lǐng)域常用的一張美女圖片。這個(gè)圖片很有歷史，有興趣的同學(xué)可以搜一下）。一般我們稱只有亮度（沒有顏色）的圖成為灰度圖。一個(gè)像素為100×100的灰度圖，在計(jì)算機(jī)中，就是一個(gè)100×100的二位矩陣，矩陣中的每一個(gè)值，代表每一個(gè)像素點(diǎn)的灰度值?；叶戎档娜≈捣秶荹0,255]，值越大，意味著這個(gè)點(diǎn)越白（亮）。

[ 計(jì)算機(jī)視覺的本質(zhì) ]

那么，一個(gè)彩色圖，其實(shí)就是三個(gè)分別代表RBG的二維矩陣重疊構(gòu)成。

這組二維矩陣的組成，則是我們計(jì)算機(jī)視覺的主要輸入。我們通過各種方式處理這組二維矩陣，包括基礎(chǔ)的圖像處理，比如銳化，到一些高階的機(jī)器學(xué)習(xí)方法，如提取圖像的Gabor、Sift、LBP特征等。其實(shí)圖像處理可以理解為二維輸入的信號(hào)處理（很多領(lǐng)域都是交叉學(xué)科）。

我們通過這組二維矩陣，提取里面的信息完成我們想做的事情，這就是計(jì)算機(jī)視覺。

成就和問題

機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的興起，極大推動(dòng)了計(jì)算機(jī)視覺、語音、語義（NLP）等領(lǐng)域的發(fā)展。目前我們使用人臉識(shí)別進(jìn)行遠(yuǎn)程開戶，使用微信語音轉(zhuǎn)文字看“語音”，和Siri溝通。AI已經(jīng)深入到我們生活的方方面面。

但機(jī)器學(xué)習(xí)也不是萬能的。目前我們從實(shí)踐來看，絕大部分AI只適用于特定領(lǐng)域，即還處于弱人工智能范疇，離強(qiáng)人工智能（通用人工智能）還有一段距離。不過此時(shí)的AI已經(jīng)能做的確很多很多。

結(jié)語

AI作為已存在數(shù)十年的概念和行業(yè)，最近因算力和算法的突破又重獲新生。本文簡要陳述了AI的三次浪潮發(fā)展及對應(yīng)的主流技術(shù)原理。感謝您的閱讀。

騰訊云人臉識(shí)別（Face Recognition）基于騰訊優(yōu)圖世界領(lǐng)先的面部分析技術(shù)，提供包括人臉檢測與分析、五官定位、人臉?biāo)阉?、人臉比對、人臉?yàn)證、活體檢測等多種功能，為開發(fā)者和企業(yè)提供高性能高可用的人臉識(shí)別服務(wù)?？蓱?yīng)用于智慧零售、智慧社區(qū)、智慧樓宇、在線身份認(rèn)證等多種應(yīng)用場景，充分滿足各行業(yè)客戶的人臉屬性識(shí)別及用戶身份確認(rèn)等需求。點(diǎn)擊體驗(yàn)國內(nèi)最佳人臉識(shí)別服務(wù)。歡迎留言討論。

參考資料

[1]《人工智能狂潮——機(jī)器人會(huì)超越人類嗎？》松尾豐
[2]《數(shù)學(xué)之美》吳軍
[3]《人工智能》李開復(fù)

總結(jié)

以上是生活随笔為你收集整理的AI商业产品经理：我眼中的AI简史的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。