早在古代就應(yīng)該有人幻想著制造能夠自主思考的機(jī)器，至于最早能追溯到什么時候，恐怕很難考證。但是當(dāng)世界上第一臺可編程計算機(jī)被設(shè)計的同時，就開始真正的思考計算機(jī)能不能變得智能？

人工智能發(fā)展初期，人們大多相信可以通過使用規(guī)則硬編碼就可以實現(xiàn)，而事實上這類的符號人工智能僅適于解決明確的邏輯性問題，對復(fù)雜的圖像處理、語言翻譯等任務(wù)幾乎沒有效果。如今人工智能借助機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，已經(jīng)廣泛地應(yīng)用于多個領(lǐng)域，同時也成為學(xué)者關(guān)注的活躍課題。

早期的人工智能致力于相對樸素且形式化的環(huán)境中，通過一系列的形式化數(shù)學(xué)規(guī)則描述，高效的完成了對人類來說具有挑戰(zhàn)的工作。1997年性能優(yōu)異的深藍(lán)戰(zhàn)勝了人類的國際象棋的世界冠軍，而深藍(lán)主要由程序人員或工程師事先將國際象棋完全形式化后再描述給計算機(jī)。個人認(rèn)為這不能算是人工智能就像大機(jī)器生產(chǎn)，標(biāo)準(zhǔn)化的機(jī)器生產(chǎn)，促成了生產(chǎn)的信息化、提高了生產(chǎn)的效率。

像這種機(jī)械化、大量重復(fù)性的工作對于人來說是不人道的，因此將生產(chǎn)過程形式化后，通過計算機(jī)來控制機(jī)器生產(chǎn)，這是早期計算機(jī)和人工智能的主要工作。毫無疑問的，將各種問題形式化的工作是由人類完成的，這個形式化描述工作本身就是一個不小的挑戰(zhàn)，一個未被計算機(jī)自主解決的問題。想想吧：試圖設(shè)計出特別復(fù)雜的形式化規(guī)則來精確的描述世界，著實是個不小的挑戰(zhàn)。而且早期的人工智能還受限于計算機(jī)的性能。

為避免硬編碼的知識體系的構(gòu)建，人工智能需要具備自己獲取知識的能力。而從原始數(shù)據(jù)中獲取模式的能力就是機(jī)器學(xué)習(xí)。比如簡單的機(jī)器學(xué)習(xí)算法邏輯回歸和樸素貝葉斯可以輔助決策是否剖腹產(chǎn)，以及區(qū)分垃圾郵件等。當(dāng)然了這些算法依賴于給定數(shù)據(jù)的表示，很多的時候是需要數(shù)據(jù)的收集和準(zhǔn)確表示，即準(zhǔn)確的提取一個特征集。比如醫(yī)生，尤其中醫(yī)正是通過“望”、“聞”、“問”、“切”等手段，獲取相關(guān)數(shù)據(jù)，識別病癥等特征，來診斷病情。

從該角度來看，中醫(yī)相對缺乏理論，更多的醫(yī)藥典籍等醫(yī)療手段都是通過長期的積累和特征識別，正是如今大數(shù)據(jù)的思路。并沒有深追究個中的因果關(guān)系，沒關(guān)注到底是什么藥物成分有效。

然而有些時候，我們很難知道應(yīng)該提取哪些特征？為解決這一問題，有一個方式是通過機(jī)器學(xué)習(xí)本身發(fā)掘表示本身，該方法被稱為表示學(xué)習(xí)。該方法在減少了人工干預(yù)的同時，也提高了獲取特征集的效率。從這種有人和無人參與的角度，可將機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。

目前，對人工智能最大的挑戰(zhàn)是很難形式化描述的問題，而這些問題對人來說卻容易的多，比如從圖片中識別出動物、根據(jù)朋友的表情判斷是否生氣等工作。經(jīng)過互聯(lián)網(wǎng)的初步發(fā)展，積累了大量的各行各業(yè)的各種數(shù)據(jù)，基于大數(shù)據(jù)的人工智能進(jìn)入公眾的視野，引發(fā)了大量的思考。
? ? ? ?不少人顧慮人工智能對人類是否夠友好？我只能說：真想多了，目前的人工智能沒那么智能，距離我們的通用人工智能的距離遠(yuǎn)著呢。目前蓬勃發(fā)展領(lǐng)域主要有圖像識別、語音識別、自然語言處理等。大多是通過深度學(xué)習(xí)的方式來完成實現(xiàn)的，即通過其他較簡單的表示來表達(dá)復(fù)雜表示，以此解決表示學(xué)習(xí)中的核心問題。

輸入簡單特征更抽象特征的額外層從特征映射輸出值得一提的是，深度學(xué)習(xí)的一個重要領(lǐng)域“強(qiáng)化學(xué)習(xí)”，可在沒有人類操作者的情況下，自主的通過試錯來學(xué)習(xí)執(zhí)行任務(wù)。