正如我們所說，人工智能被過分誇大了。這個前提很重要。
人工智能不會奪走所有工作，也不會毀滅人類。然而，這使得軟件更智能。這就是為什麼你可以使用蘋果iphone x中的Animoji作為一個活生生的人與你的朋友交流，或者用你的智能音響訂購更多紙巾。\
技術公司在人工智能方面投入了大量資金，改變了我們的生活和我們周圍的電子設備，為更加以人工智能為中心的未來奠定了基礎。
目前，人工智能的繁榮是由於機器學習領域的突破而引起的。它包括訓練計算機執行基於實例的任務，而不是依賴於人工編程。一種叫做深度學習的技術使這種方法更加有效。最著名的是2016年AlphaGo大戰圍棋世界冠軍李世石，後者在人工智能面前基本上沒有還手之力。
對我們大多數人來說，人工智能最明顯的變化是一些新的、更方便的東西，比如一個智能音響或iphone，你可以用你的臉解鎖。但人工智能也將重塑生活的其他領域。一是衛生保健。印度一家醫院正在測試一種軟件，該軟件可以檢查視網膜上的圖像是否有糖尿病性視網膜病變的跡象。通常，這種症狀只能在很晚的時候發現，到那時，已經無法防止視覺惡化。機器學習對於自動駕駛也是必不可少的，自動駕駛使車輛能夠更準確地感知和理解周圍環境。
有證據表明人工智能可以使我們更快樂、更健康。但也有理由對人工智能持謹慎態度。算法帶來或放大了社會對種族或性別的偏見，表明人工智能是一把雙刃劍。
人工智能的起源
我們現在談論的人工智能來自一個度假項目。1956年夏天，達特茅斯學院教授約翰·麥卡錫( John McCarthy )發明了這個詞，他邀請了一組研究人員花數週時間研究如何讓機器像使用語言那樣工作。他希望在人的層面上有所突破。他與合作組織者寫道，"如果一個精心挑選的科學家團隊在一起花一個夏天的時間來研究的話。"
但麥卡錫後來承認，這種希望沒有實現，是他太樂觀了。但是這個研討會幫助那些夢想將機器智能化的研究人員聚集到一個合適的學術領域。
塑造人工智能的瞬間
1956年
達特茅斯夏季人工智能研究項目將一個新領域命名為"人工智能"， 該領域涉及的是讓軟件變得像人類一樣聰明。
1965
麻省理工學院的約瑟夫·維森鮑姆創造了Eliza，這是第一個聊天機器人，一個心理治療師。
1975年
Meta-dendral斯坦福大學開發的解釋化學分析的程序，計算機的第一個發現發表在參考雜誌上。
1987年
一輛配有兩臺攝像機和一堆電腦的奔馳車在德國高速公路上以每小時55英里的速度行駛，這是一個由工程師Ernst Dickmanns領導的學術項目。
1997年
IBM的計算機深藍擊敗了國際象棋世界冠軍加里·卡斯帕羅夫（Garry Kasparov）。
2004年
五角大樓將DARPA超級挑戰賽階段化，這是一項在莫哈韋沙漠的自動駕駛汽車競賽，催動了自動駕駛汽車工業化。
2012年
在一個名為"深度學習"的細分領域，研究人員通過展示他們的想法可以使語音和圖像識別更加準確，從而激發了新的公司對人工智能的興趣。
2016年
由谷歌旗下DeepMind開發的AlphaGo打敗了世界圍棋冠軍李世石。
早期的工作通常集中在解決數學和邏輯中相當抽象的問題上。但是很快，人工智能開始在更多的人類任務上顯示出有希望的結果。20世紀50年代末，亞瑟·塞繆爾發明了一個學習跳棋的程序。1962年，他在比賽中擊敗了一位大師。1967年，一個叫Dendral的項目表明，它可以複製化學家解釋化學樣品組成質譜數據的方式。
隨著人工智能技術的發展，製造智能機器的策略也不同。一些研究人員試圖將人類知識轉化為代碼，或者為理解語言等任務設置規則。其他人受到學習人類和動物智能的重要性的啟發。他們建立的系統可以隨著時間的推移而變得更好，可能是通過模擬進化或從樣本數據中學習。在這一領域，一個又一個里程碑已經建立起來，計算機已經掌握了許多以前只能由人完成的任務。
深入學習是人工智能領域中最古老的思想之一，是人工智能領域中迅速爆炸的燃料。這種技術被用來通過模擬腦細胞工作方式的數學網絡傳輸數據，所以它被稱為人工神經網絡。當網絡處理訓練數據時，調整網絡各部分之間的連接以建立解釋未來數據的能力。
人工神經網絡在達特茅斯研討會之後不久就成為了人工神經網絡的一個既定理念。例如，在1958年, 充滿空間的感知器馬克1號(Perceptron Mark 1)就學會了區分不同的幾何圖形, 並被《紐約時報》稱為"為閱讀和增長智慧而設計的計算機的胚胎" 。但是，在1969年，麻省理工學院的馬文•明斯基(Marvin Minsky)與人聯合撰寫了一本頗具影響力的書中指出，神經網絡的作用並不是很強大，緊接著它就"失寵"了。
但並非所有人都同意明斯基的觀點。幾十年來，一些研究人員一直在研究這種技術，並一直保持它的活力。直到2012年，他們才被證明是正確的。一系列的實驗表明，大量的數據和強大的計算機芯片所提供的神經網絡能夠給機器帶來新的感知。
一個顯著的結果是多倫多大學的研究人員在一年一度的圖像分類競賽中擊敗了對手。在另一項研究中，來自IBM、微軟和谷歌的研究人員共同發表了一項研究，表明深度學習也顯著提高了語音識別的準確性。從那以後，科技公司一直在瘋狂地招聘他們能找到的所有深度學習的專家。
人工智能的未來
即使人工智能的成果明天就會停止，也不要指望它會停止改變世界的腳步。
谷歌、微軟和亞馬遜等大型科技公司積累了大量人工智能人才和令人印象深刻的計算機陣列，以支持其核心業務---廣告或預測下一筆交易。
他們還試圖通過邀請其他人在其網絡上運行人工智能項目來賺錢，這將有助於推進醫療保健或國家安全等領域。人工智能硬件的改進、機器學習培訓課程和開源機器學習項目的增長，也將加速人工智能向其他行業的傳播。
同時，消費者可以期望更多的設備和服務與ai功能相結合。特別是Google和Amazon，改進的機器學習將使他們的虛擬助手和智能揚聲器更強大。例如，亞馬遜設計了一種配備攝像頭的設備，可以識別其所有者並監控其周圍的世界。
商業可能性將迎來人工智能研究人員的黃金時代。現在有比以往任何時候都多的實驗室來研究如何製造智能機器，而且他們能得到更多的錢。但仍有許多工作要做:儘管人工智能最近取得了進展，但在不久的將來，將有許多機器無法做到的事情，例如理解語言的細微差別、常識推理以及從一兩個例子中學習新技能。人工智能軟件要想接近人類的多功能性、適應性和創造性智慧，就必須克服這些困難。一個深度學習的先驅，谷歌的傑夫•辛頓（Geoff Hinton）認為，要在這一重大挑戰方面取得進展，就需要重新思考這一領域的一些基礎。
隨著人工智能系統變得越來越強大，它們也將面臨越來越多的審查。政府在刑事司法等領域使用軟件往往有缺陷或保密，Facebook等公司已開始解決其算法的缺陷。更強的人工智能會引起更嚴重的問題，例如對婦女或黑人的持續偏見。一些民間社會團體，甚至科技行業本身，正在探索人工智能的安全和倫理。為了獲得機器變得更加智能好處，我們需要對機器更加智能。
閱讀更多 雲博彙物聯網 的文章
