淨水霽月

人工智能的技術基礎是什麼

人工智能技術基礎是一個複雜的系統，它不僅僅是一個純粹的技術問題，而是一個具有科技綜合性和社會複雜性的問題，是以計算機為主的科學技術對人文社會領域的滲透和落地運用，是用人工方法和技術模擬來擴展人類智能意識的科學。

因此，人工智能技術基礎的包容性、覆蓋面和橫縱領域都相當大。

一，人工智能技術基礎產生的歷史過程

人工智能技術基礎自 1956 年達特茅斯會議以來開始逐步建立，經歷了60 多年的演進，逐漸從單一的理工科技術向多學科技術應用發展，具體經歷了以下 6 個階段 ：

• 一是1956 年——20世紀 60 年代初的技術基礎起步發展期

主要以人工智能概念提出、機器定理技術、跳棋程序技術等為代表，是人工智能發展的第一個技術高潮。

• 二是20 世紀 60年代——70 年代初的技術基礎反思發展期

這一階段人工智能技術經歷了機器連續函數證明和機器翻譯失敗等曲折，技術基礎發展目標落空而走入低谷。

• 三是20 世紀 70年代初——80 年代中的技術基礎應用發展期

在此期間人工智能技術基礎從理論研究走向實際應用，在醫療、化學、地質等領域取得成功，推動人工智能走入應用發展的新高潮。

• 四是20 世紀 80年代中——90 年代中的技術基礎低迷期

這一階段由於人工智能技術基礎因為在專家系統應用、知識獲取、推理方法、分佈式功能、數據庫兼容等方面創新不足而又一次走入低谷。

• 五是20 世紀 90年代中——2010 年的技術基礎穩步發展期

互聯網科技發展推動人工智能技術基礎進一步走向實用化。在弱人工智能技術方面以IBM深藍超級計算機戰勝了國際象棋世界冠軍和提出“智慧地球”概念為代表，獲得了較好的發展，代表專用型人工智能技術基礎的戰略性突破。

• 六是2011 年至今的技術基礎蓬勃發展期

大數據、雲計算、互聯網、物聯網等信息技術的發展，推動人工智能技術的爆發式提升。

從上世紀60年代至今的人工智能技術基礎發展的歷史軌跡可以看出，人工智能技術基礎受制於綜合科學技術的發展，特別是與互聯網科技和計算機科技在社會經濟系統中的大規模落地運用有關係。同時也同人工智能技術基礎的發展目標、發展方向、整體規劃、社會認同等因素也有關係。

二，人工智能技術基礎的主要內容

經過長期的發展，人工智能開始融入更多的科學研究營養，突破了僅僅依靠計算機技術、互聯網技術的限制，將越來越多的科學技術匯聚進來，綜合運用，由一個專門性、侷限性的技術領域演變為全面性、開放性的新領域，並逐步建立起自己的完備體系和規範的技術研究基礎，為人工智能快速發展、迅速落地、多學科匯聚、社會廣泛認同創造了良好的條件。

• 第一，人工智能歷史發展學

主要從歷史的角度研究人工智能的進步演化，研究人類社會經濟條件、科學技術水平、重大歷史事件等因素對人工智能科學進步的影響。同時對人工智能歷史發展中的人物、時間、事件、過程等進行實證研究，為人工智能發展提供歷史營養和時代資源。

• 第二，人工智能科技哲學

人工智能哲學主要研究人工智能產生的條件、發展趨勢；人工智能對人類社會、經濟的影響；人工智能的本質；人工智能倫理道德等問題。

• 第三，人工智能工程學

人工智能工程學包括腦科學、認知科學、計算機科學、工程學、信息通訊學等：

1、數學：包括微積分、線性代數、統計概率、信息論、集合論和圖論、博弈論等；

2、腦科學：腦科學是研究腦的結構和功能的科學，主要探索大腦的本質，從分子、細胞和行為三個層面研究智能、智慧、意識等問題的原理和模型。腦科學為人工智能科學提供思維、意識、智能的生物學基礎。

3、認知科學：認知科學是以認知過程及其規律為研究對象的學科。語言習得、閱讀、話語、心理模型、語言心理、腦和神經是其研究對象，同時研究探索人腦或者心智工作機制。認知科學建立在堅實解剖學基礎、系統層次論和量化處理大腦信息模型等醫學基礎上。它不斷髮展，先後形成了包括心智哲學、認知心理學、認知語言學、認知人類學、認知神經科學等六大支撐學科。

在此基礎上又產生11個新興交叉新學科，包括控制論、神經語言學、神經心理學、認知過程仿真、計算語言學、心理語言學、心理哲學、語言哲學、人類學語言學、認知人類學、腦進化。

美國國家科學基金會評價認知科學的重要性時說：“聚合技術是以認知科學為先導的。因為我們一旦能夠以如何（how）、為何（who）、何處（where）、何時（when）這四個層次上理解思維，我們就可以用納米科技來製造它，用生物技術和生物醫學來實現它，最後用信息技術來控制它，使它為人類工作”。

4、計算機科學：主要包括計算機原理、程序設計語言、操作系統、分佈式系統、算法基礎、機器學習算法、機器學習分類、機器視覺識別、自動控制；機器學習架構還包括數據挖掘、智能芯片、虛擬化、分佈式結構、庫和計算框架、可視化解決方案、雲服務等；還有其他一些人工智能技術包括知識圖譜、統計語言模型、專家系統、遺傳算法、博弈算法等。

5、應用工程學：目前人工智能主要靠四大應用落地技術打開局面，這些應用型技術主要圍繞模擬、延伸和擴展人類智能，促使其在視覺處理、語音識別、自然語言處理和智能機器人四大應用領域落地：

計算機視覺技術（Computer Vision）

這是一門研究人工智能“眼睛”和“視力”的科學。人工智能中70%以上的數據採集、識別和分析都建立在如何讓機器“看”的科學上，通過計算機代替人眼對目標進行識別、跟蹤和測量，使計算機成為更適合人眼觀察或傳送給儀器檢測圖像和圖形處理的技術。

語音識別（Automatic Speech Recognition）

語音識別是以語音為研究對象，通過信號處理和識別技術讓機器自動識別和理解人類口述的語言，並將語音信號轉換為相應文本或命令的一門技術。由語音識別和語音合成、自然語言理解、語義網絡等技術相結合的語音交互正在逐步成為當前多通道、多媒體智能人機交互的主要方式。

自然語言理解（Natural Language Understanding）

自然語言理解即文本理解，和語音圖像的模式識別技術有著本質的區別。語言作為知識的載體，承載了複雜的信息量，具有高度的抽象性，對語言的理解屬於認知層面，不能僅靠模式匹配的方式完成。

智能機器人（Interlligent Robot）

智能機器人是具備人的思維意識，理解並對人類語言和行為做出反應，能夠代替人類承擔特定職能的高級機器系統。

應用工程學的人工智能運用在實踐中又具體表現為“六會”技術：

以語音識別、機器翻譯等為主的人工智能“會聽技術”；

以圖像識別、文字識別等為主的人工智能“會看技術”；

以語音合成、人機對話等為主的人工智能“會說技術”；

以人機對弈、定理證明等為主的人工智能“會思考技術”；

以機器學習、知識表示等為主的人工智能“會學習技術”；

以機器人、自動駕駛汽車等為主的人工智能“會行動技術”；

• 第四，人工智能社會科學

人工智能科學基礎又可以稱為人工智能的元知識技術體系，它研究描述人工智能技術或知識集合所包含的內容、結構和特徵。人工智能如果沒有智能科學的元知識,就無法描述知識和技術、使用知識和技術。作為元知識技術體系的人工智能科學雖然不是本領域直接運用的知識和技術,不能解決具體知識技術問題，但是它是關於人工智能領域一般知識和技術的規律、性質、結構、功能、特點、組成與使用的概括性、基礎性知識技術體系,是人工智能管理、控制、使用和發展本領域知識技術的母基體系。

人工智能科學是人工智能思想、意識和哲學的核心,如果沒有掌握好它就不能很好地學習人工智能知識和技術，就不能學習和認知基本的知識。人工智能科學對於人們認知系統的建立起著重要作用。沒有建立在人工智能科學基礎上的智能系統起碼不是一個真正的智能系統。

人工智能社會科學由人工智能政治學、人工智能社會學、人工智能法學、人工智能經濟學、人工智能教育學、人工智能心理學、人工智能語言學等二級學科構成。

人工智能社會科學基礎包括以下部分：

1、人工智能政治學：主要涉及和研究人工智能科學在服務政治體系建設和國家治理現代化方面的具體功能作用，以及人工智能發展中的國家戰略視角、宏觀把控能力等要素。

2、人工智能社會學：研究人工智能如何參與社會發展、管理，權衡人工智能技術發展對於社會的整體利弊關係，對帶來的社會變革與問題進行預測和解答，關注人工智能時代下的結構性失業、技術貧困和倫理困境，通過人工智能技術解決方案實現對社會變遷與問題的回應。

3、人工智能法學：研究和關注法學的人工智能化，為法律事業建設提供智能解決方案。同時關注、研究、解決人工智能帶來的法律問題，為構建新型法律關係、法律政策、法律制度提供研究與保障。在人工智能的應用和標準化兩個維度上，為人工智能產業明晰“不能做什麼”和 “應該怎麼做”的邊界劃分。

4、人工智能經濟學：人工智能經濟學對人工智能將對社會帶來全新的經濟模式、經濟結構、經濟關係，以及社會生產力的巨大變化進行前瞻性研究，提供落地解決方案。同時通過神經網絡、機器學習、智能機器人社會化生產系統等人工智能經濟技術，為社會、政府和經濟組織提供宏觀、中觀、微觀，以及各個產業內部的實施解決對策。

5、智能教育學：研究探討將語音識別、腦機接口、知識圖譜、網絡教育等技術運用轉換到教育培訓領域，為教學研究提供新的工具。挖掘人工智能技術在教育中的應用情境、應用方式和使用效果，致力於人工智能人才培養的教育機制研究，規劃制定人工智能教育的全面推進解決方案。

6、智能語言學：人工智能智能語言學著重真實語料、口語和書面語並重的分析，將認知語言學、心理語言學、社會語言學的研究成果運用到人機對話、機器翻譯之中，旨在貫通自然語言和機器語言，並構建介於兩者之間的語言思維模式，從而推動人機交互效果的提升。

• 第五，人工智能應用場景學

是對人工智能應用落地場景客觀條件和環境的對策性研究。主要包括：

1、互聯網和移動互聯網運用場景研究：包括搜索引擎、內容推薦引擎、精準營銷、語言和自然語言交互、圖像和視頻內容理解檢索、用戶畫像、反欺詐；

2、智能交通類場景研究：包括自動駕駛傳感器、感知、控制器、規劃、整車集成、車聯網、高精度地圖、模擬器、智慧公路網絡和標誌、共享出行、自動物流車輛、物流機器人、智能物流規劃等；

3、智能金融場景研究：銀行業包括風控和反欺詐、精準營銷、投資決策、智能客服；保險業包括智能風控與反欺詐、精準營銷、智能理賠、智能客服；證券、基金、投行等包括量化交易、智能投顧等。

4、智慧醫療運用場景研究：醫學影像智能判讀、輔助診斷、病例理解和檢索、手術機器人、康復智能設備、智能製藥；

5、家用機器人和服務機器人運用場景研究：智能家居機器人、老幼伴侶機器人、生活服務機器人等；

6，智能製造業：包括工業機器人、智能生產系統、智能營銷系統、智能供應鏈系統、智能生產性服務系統等；

7、人工智能輔助教育場景研究：包括智慧課堂、教育機器人等；

8、智慧農業使用場景研究：包括智能農業物聯網系統、智能農業機器人系統、智能農機系統等；

9、智能新聞場景研究：包括智能新聞稿件機器人、智能新聞資料機器人等；

10、智能翻譯場景研究：包括智能文字翻譯、智能語言翻譯等；

11、智能機器仿生場景研究：包括動物仿生、器官仿生等；

12、智能律師助理場景研究：包括智慧法律諮詢、案例數據庫機器人等；

13、人工智能藝術創作場景研究：包括舞蹈機器人、繪畫機器人、作家機器人等；

14、人工智能其他不斷增加的應用場景研究。

• 第六，人工智能未來學

人工智能未來學是對人工智能發展的前瞻性研究，為現實環境下的人工智能研究發展提供參照與預測作用。

1、科幻文學和科幻影視；

2、人類命運研究；

3、人類與智能機器人關係研究；

4、人工智能本質研究；

5、宇宙命運研究；

這些研究結論將關係到人工智能的發展走向。

總之，人工智能技術基礎是從上世紀60年代開始出現並發展起來的，其中經歷了6個階段，至今基本形成了完整的體系。

人工智能技術基礎內容廣泛，門類繁多。主要包括人工智能歷史學、人工智能科技哲學、人工智能工程學、人工智能社會科學、人工智能應用場景學、人工智能未來學六大部分。這些技術基礎為人工智能發展起到了關鍵性作用。

科技思想庫

理解 AI 的基本原理，會發現事物的本質往往並沒有大家說的那麼複雜。

人工智能發展出很多不同分支，技術原理也多種多樣。

深度學習

深度學習的原理是這樣的：

之前有很多事情計算機是做不了的，但是現在人工智能可以做了。

但是，當下的人工智能是從大量數據中總結歸納知識，這種粗暴的「歸納法」有一個很大的問題是： 只關注現象，不關注為什麼。

即便是人類的經驗，並不都是準確的，往往也要違背經驗的事情發生，比如“黑天鵝”等。 也正是因為歸納邏輯，所以需要依賴大量的數據。

數據越多，歸納出來的經驗越具有普適性。

隨著深度學習 + 大數據的成熟發展，人工智能發揮出了巨大的威力，並且 AI 的表現已經超越人類，可以達到“可用”的階段，而不只是科學研究。

卷積神經網絡 – CNN

卷積神經網絡 – CNN 很擅長處理圖像。而視頻是圖像的疊加，所以同樣擅長處理視頻內容。

1. 圖像分類、檢索

2. 目標定位檢測

3. 目標分割

4. 人臉識別

5. 骨骼識別

總結

深度學習在搜索技術，數據挖掘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多複雜的模式識別難題，使得人工智能相關技術取得了很大進步。

鏈求君

人工智能是一門研究用計算機來模仿和執行人腦的某些智力功能的交叉學科，所以人工智能問題的求解也是以知識為基礎的。

知識圖譜

如何從現實世界中獲取知識、如何將已獲得的知識以計算機內部代碼的形式加以合理的表示以便於存儲，以及如何運用這些知識進行推理以解決實際的問題，即知識的獲取、知識的表示和運用知識進行推理是人工智能學科要研究的3個主要問題。

在人們的日常生活及社會活動中，“知識”是常用的一個術語。例如，人們常說“我們要掌握現代科學知識”，“掌握的知識越多，你的機會就越多”等。人們所涉及的知識也是十分廣泛的，例如，有的知識是多數人所熟悉的普通知識，而有的知識只是有關專家才掌握的專門領域知識。那麼，到底什麼是知識？知識有哪些特性？它與通常所說的信息有什麼區別和聯繫？

現實世界中每時每刻都產生著大量的信息，但信息是需要用一定的形式表示出來才能被記載和傳遞的。尤其是使用計算機來進行信息的存儲及處理時，更需要用一組符號及其組合進行表示。像這樣用一組符號及其組合表示的信息稱為數據。

數據與信息是兩個密切相關的概念。數據是記錄信息的符號，是信息的載體和表示。信息是對數據的解釋，是數據在特定場合下的具體含義。只有把兩者密切地結合起來，才能實現對現實世界中某一具體事物的描述。

三者關係圖

另外，數據和信息又是兩個不同的概念，相同的數據在不同的環境下表示不同的含義，蘊涵不同的信息。比如，“100”是一個數據，它可能表示“100元錢”，也可表示“100個人”，若對於學生的考試成績來說，可能表示“100分”。同樣，相同的信息也可以用不同的數據表示出來。比如，地下工作者為了傳達情報信息，可以用一首詩詞的每一句的第一個字組成一句話，或詩的斜對角線上的字組成的一句話來傳達信息，也可能會用一個代碼或數字來表示同一信息。

正如上述，現實生活中，信息是要以數據的形式來表達和傳遞的，數據中蘊涵著信息，然而，並不是所有的數據中都蘊涵著信息，而是隻有那些有格式的數據才有意義。對數據中的信息的理解也是主觀的、因人而異的，是以增加知識為目的的。

比如，你看到0571－8888888這樣的數字，你可能會根據自己已有的知識猜測到它是一個電話號碼，但不知道它是哪個城市的電話號碼，但如果你通過一些方法確定0571是杭州市的區號後，以後再碰到相同格式的數據時，你就會知道它代表杭州市的一個電話號碼，實際上你的知識也就增加了。不同格式的數據蘊涵的信息量也不一樣，比如，圖像數據所蘊涵的信息量就大，而文本數據所蘊涵的信息量就少。

數據處理

信息在人類生活中佔有十分重要的地位，但是，只有把有關的信息關聯到一起的時候，它才有實際的意義。一般把有關信息關聯在一起所形成的信息結構稱為知識。知識是人們在長期的生活及社會實踐、科學研究及實驗中積累起來的對客觀世界的認識與經驗，人們把實踐中獲得的信息關聯在一起，就獲得了知識。

終上所述，知識、信息和數據是3個層次的概念。有格式的數據經過處理、解釋過程會形成信息，而把有關的信息關聯再一起，經過處理就形成了知識。知識是用信息表達的，信息則是用數據表達的，這種層次不僅反映了數據、信息和知識的因果關係，也反映了它們不同的抽象程度。人類在社會實踐過程中，其主要的智能活動就是獲取知識，並運用知識解決生活中遇到的各種問題。

科技知識小常識

人工智能的技術基礎知識比較寬泛，包括數學、物理、哲學、認知科學、計算機科學、經濟學、心理學、信息論、控制論、決定論和不確定性原理等等一系列理工學科，學習人工智能需要的時間非常漫長，估計這輩子搭進去也就玩兒個概念吧。不過遊戲中的AI就比較簡單了，屬弱人工智能類型，通過編程模仿人類邏輯思維模式就可以實現。您要想在遊戲中添加AI屬於對遊戲進行二次開發，還不如自己重新寫個小遊戲，然後一步步去實現和優化你的算法和策略，建議使用鬥地主這類遊戲進行練習，簡單明瞭。其實現在充斥在我們生活中的各種打著“人工智能”旗號的產品、方案都是噱頭，離人工智能的核心還差著十萬八千里，而且人工智能真正的目標也不是“讓機器像人類一樣思考”這麼簡單，如果頭條的家人們真的對人工智能非常有興趣，建議你讀一下Luger George和Stubblefield William寫的Artificial Intelligence: Structures and Strategies for Complex Problem Solving，好像有中文譯文版的，出版社家人們自己查一下吧。

故溫溫

人工智能其實是一項複雜的技術，需要的基礎技術尤其是數學方面非常多。

主要包括：

1. 線性代數：包括張量、矩陣、範數、特徵分解等一些列知識

2. 概率論以及信息論：各種概率分佈，離散、連續、質量函數、密度函數，香農熵，交叉熵等等。
3. 機器學習基礎知識：擬合、估計、監督、無監督、梯度下降等等。
4. 卷積網絡，各種神經網絡，CNN，RNN...
5. 編程語言，比如python
6. 機器學習庫：tensorflow、pytorch

綜上，要學的東西真的非常多。

墟里虛實

需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。

需要算法的積累：人工神經網絡，支持向量機，遺傳算法等等算法;當然還有各個領域需要的算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;總之算法很多需要時間的積累。

需要掌握至少一門編程語言：畢竟算法的實現還是要編程的;如果深入到硬件的話，一些電類基礎課必不可少。

Hello映像

我試著按照自己的理解去分析（以下內容純個人門外漢理解，非搬磚，純手寫）

人工智能的技術基礎應包含硬件和軟件兩個大項！

一、硬件應該包含數據處理，數據交換和數據存儲。

（1）數據處理，起決定作用的就是cpu處理能力的發展。

（2）數據交換，就是網絡鋪設的發展，我們現在都說5g.其實5g速度在現在的大數據面前是遠遠不夠用的。

（3）數據儲存，就是硬盤的讀寫能力，我個人覺得最制約人工智能的技術發展，目前來看應該是數據存儲調用的瓶頸是最大的。

通俗點，我們把人工智能和真正的人做對比。數據處理就是我們大腦。說實在的，現在cpu的每秒處理能力已經遠遠甩開人類大腦的處理能力了。

（以下屬於個人幻想

能量守恆大家都知道吧，cpu每秒處理消耗的能量比人類不知道大多少。可能有人覺得我瞎扯蛋，這有可比性嗎？但我們仔細想想，處理的最終極限終是要回歸到能量的消耗上的。當然這已經有點幻想的存在了！）

數據交換，其實數據交換的制約就在於數據儲存，因為數據傳導能力本身是遠遠高於數據儲存能力的，只不過是網絡鋪設的問題，數據本身的傳導是不存在瓶頸的。

現在人工智能最大的問題就在於數據儲存，說技術可能不太好理解。我做個簡單對比，一個人站在山巔，快速覽望四周，總不會存在看不過來，畫面卡的情況吧。但是如果用最牛逼最新進手機同樣的轉一圈，你盯著手機畫面看，必然存在畫面撕裂，抖動的！這還是手機分辨率和肉眼分辨率完全不是一個量集的比較。

（二）軟件，就是算法！

這是非常深奧，非常專業的東西。這裡肯定是沒辦法講的出什麼的。我們需要了解的是算法就好比一個人的腦域開發度，同樣的硬件條件下的效率問題。

幽默爆笑的貓貓

自然語音與機器視覺這兩個重要條件是人工智能的技術基礎。

人工智能是指，人工與智能工具有機結合並通過訓練過的知識與技能幫助我們解決一些重複或危險的工作。

人工智能的進化是有一定邏輯關係的，先從認知開始（通過邏輯訓練學習與深度學習，並進化成神經網絡自我訓練學習的過程）再到感知（機器識別，人工智能通過訓練學習過的知識與動作通過各類傳感器進來辯別，通俗的講，也就是給機器裝上各類器官組織：視覺傳感器，語音識別傳感器、溫度傳感器等）；

人工智能從認知到感知這個過程已經初步實現，例如人臉識別，體溫監測、空氣監測、車輛監測等，進而進行下一步：決策；

最後再執行。

認知一感知一決策一執行，這是人工智能的工作原理。

更準確的說，人工智能離不開語音識別、機器視覺及高分辯傳感器，這是人工智能的技術基礎。

MoFei在線

編程語言、算法

閉著眼睛切土豆

人工智能:顧名思義就是指利用計算機技術，通過對人的意識、思維過程模擬，來生產出一種新的能以人類智能相似的方式做出反應的智能機器。

由此可見，人工智能的基礎技術是對人類的意識和思維過程的模擬，並利用大數據和雲計算等一系列現代技術來生產出能與人類智能相似的智能機器。

關鍵字: 科技 基礎 人工智能