上天賜予人類驚人的學習能力。我們從出生開始就學習復雜的任務，如語言和圖像識別，之后在一生中以這種*學習體驗為基礎不斷進行修正。之后，似乎自然而言的是，我們利用這種學習概念來積累知識，并能夠建立模型和預測結果，甚至將這種概念應用于與計算機相關的程序和任務中。而這些涉及于上述計算過程中的技術，就是所謂的“人工智能”。
只是個游戲
20世紀90年代末，人工智能世界一個決定性時刻到來。在1996年，象棋大師加里·卡斯帕羅夫?qū)?zhàn)IBM公司的“深藍”計算機，以4-2獲勝。一年后，卡斯帕羅夫與深藍再次交手。這一次，深藍笑到zui后。本次勝利令外界對人工智能的看法發(fā)生*轉(zhuǎn)變。象棋大師必須不斷進行非常復雜的計算，考慮多種不同的走法以及相應的策略。他們也可以自己進行學習，并創(chuàng)出新奇的走法。如果能夠模仿這個過程，甚至將其應用到象棋這樣的特別任務里，那將展露人工智能技術真正的潛力。
得益于上述成功，人工智能不斷發(fā)展，我們因而進入了成熟和階段。Google旗下的DeepMind公司使用深度學習算法。這些算法正是基于那種讓人類得以學習神經(jīng)通路或者網(wǎng)絡的想法。人工智能再一次被應用到游戲中，以為自己正名。DeepMind采納了“人機對戰(zhàn)”的主意，這次挑戰(zhàn)的是非常復雜的圍棋游戲。DeepMind公司對該游戲的描述是“棋子位置數(shù)比宇宙中的原子數(shù)多”。因此，對人工智能技術來說這是的挑戰(zhàn)。DeepMind使用深度學習算法來訓練自己如何應對專業(yè)級棋手的走法。該公司開發(fā)的智能圍棋系統(tǒng)就是的AlphaGo，其對戰(zhàn)其他圍棋程序的勝率達到99.8%，并且在zui近對戰(zhàn)圍棋專業(yè)選手李世石的比賽中取得5局4勝的好成績。
看起來這只是一個游戲，但事實上，它證明了這項技術，表明人工智能可以像人類一樣學習如何建立模型和預測結果。與李世石的比賽證明了計算機具有這種能力，現(xiàn)在人工智能技術正進入一個成熟的階段，至此該項技術將被應用于解決更為現(xiàn)實的問題。
人工智能世界里的一些定義
在這個章節(jié)，我們需要關注一下人工智能技術的一些術語和定義。
我們可以這樣去理解：深度學習是機器學習的分支；機器學習是人工智能的分支。
人工智能：這個一般術語用來描述一種由人類打造的技術，這項技術在解決問題時能夠達到類似人類的智商程度。它可能會(也可能不會)使用生物結構作為其智能操作的潛在基礎。人工智能系統(tǒng)通常會經(jīng)過訓練，并從中進行學習。
機器學習：在上述我們用作舉例的人機對戰(zhàn)里，機器學習利用棋手棋譜進行訓練。通過學習棋手的走法和策略，該系統(tǒng)可以將非常龐大的數(shù)據(jù)集作為訓練輸入，之后它們將這些數(shù)據(jù)集用來預測結果。基于機器學習的系統(tǒng)可以使用經(jīng)典和非經(jīng)典的算法。機器學習其中一個zui為寶貴的方面是適應能力。適應性學習能提高預測的準確度。反過來，這也能促進處理所有可能性和組合并根據(jù)輸入的數(shù)據(jù)來提供*結果。在游戲?qū)?zhàn)的情況里，這種學習幫助機器贏得更多比賽。
深度學習：這是機器學習的分支，是機器學習的一種實現(xiàn)方式。系統(tǒng)的類型學是非常重要的；在學習時，關鍵不是在于“大”，而在于表面區(qū)域或者深度。更復雜的問題可以由更多神經(jīng)元和層塊來解決。這個系統(tǒng)用于對系統(tǒng)進行訓練，將已知的問題和答案應用于解決任何給定的問題，這就創(chuàng)造了一個反饋回路。訓練結果是一個加權結果，這種加權會傳遞給下一個神經(jīng)元來決定該神經(jīng)元的輸出——通過這種方式，它根據(jù)各種可能性建立起一個更為準確的結果。
人工智能在現(xiàn)實世界的應用
我們已經(jīng)看到人工智能應用于游戲中，那么在現(xiàn)實世界的商業(yè)應用呢？人工智能現(xiàn)在已經(jīng)應用于多種處理流程和系統(tǒng)中。
機器學習也被用于多個后端流程，例如獲得銀行貸款和抵押貸款等所需的評分。在銀行業(yè)里，可使用機器學習來提供產(chǎn)品的個性化，從而為銀行帶來競爭優(yōu)勢。
深度學習已經(jīng)應用到更復雜的任務當中，在這些任務里規(guī)則更為不明確也更加復雜。大數(shù)據(jù)時代將提供一些更有利于推動使用深度學習的工具。我們可以看到深度學習應用于任何與模式識別相關的東西中，例如面部識別系統(tǒng)、語音助手和用于防止詐騙的行為分析。
例如在蘇州千視通，已經(jīng)在視頻結構化服務器和視頻大數(shù)據(jù)結構化平臺使用了深度學習算法技術，較之以往的傳統(tǒng)智能算法,深度學習在解決視頻結構化問題方面更“智能”。專為視頻監(jiān)控場景設計優(yōu)化的深度學習算法，具備了比人腦更的安防大數(shù)據(jù)歸納能力，實現(xiàn)了在各種復雜環(huán)境下人、車、物的多重特征信息提取和事件檢測，支持單臺設備自成一個完整的系統(tǒng)，提供結構化分析和視圖庫存儲。
由于有這些更為復雜和更的算法的幫助，人工智能正進入一個新時代。這是下一個劃時代的技術——Gartner很多關于2016年及以后的技術的預測都是基于人工智能和機器學習。人工智能抓住了那些不能解決的問題的關鍵——這些問題我們此前認為只有人類才能解決。zui終，甚至有一天像寫這篇文章這樣的工作，都可以由機器來完成。
