😀 AI的定义

• 像人一样思考的系统

• 像人一样行动的系统

• 可理性思考的系统

• 可理性行动的系统

😁 AI划分——依据智能程度

弱AI(Artificial Narrow Intelligence, ANI)：

• 主要是指只能解决某一特定问题或完成某一项特定任务的智能系统

• 如IBM的深蓝系统、AlphaGo，专门用于国际象棋、围棋等领域；

• 再如当前商业应用中的智能诊疗系统、智能客服系统等，只能解决预设领域中的预设问题。

• 这些系统针对专一问题可以提供很好的解决方案，但是迁移能力极弱，也不具备自我意识。

强AI(Strong AI)：又叫通用AI(Artificial General Intelligence,AGI)：

• 是指具备独立的意识和知觉、可自主应对外界环境挑战的AI。

• 具备如下能力：
• 感知信息的能力：具备对外界结构化或非结构化信息进行感知和获取的能力
• 自主思考的能力：在外界的不确定情况下，可以进行自主思考
• 自主学习的能力：具备基础知识或者常识，在知识储备无法解决问题时，可以自主寻求学习
• 制定目标和计划的能力
• 交流沟通的能力

• 实现强AI，可以说是AI发展的终极目标之一，但无论是理论研究还是技术实现，难度都非常大。

超AI(Artificial Super Intelligence, ASI)：

• 指智能水平大大超过人类水平，或大大超过强AI水平的人工智能。

• 牛津大学哲学家尼克·博斯特罗姆(Nick Bostrom)将超AI定义为“在几乎所有感兴趣的领域都大大超过人类认知表现的任何智力”。

🥰 AI的三大学派

符号主义

• 符号主义又称逻辑主义、心理学派或计算机学派。

• 该学派认为AI源于数理逻辑，即使用数学方法研究逻辑，是数学的一个分支。

连接主义

• 连接主义又称仿生学派或生理学派，该学派认为AI源于仿生学，特别是对人脑模型的研究。

• 连接主义通过研究脑模型和模拟神经元，构建人工神经网络模型，开辟出AI发展的另一种途径。

• 相关名词：
• 误差反向传播(Back Propagation, BP)算法
• 卷积神经网络
• 深度信念网络
• 深度神经网络

行为主义

• 行为主义又称进化主义或控制论学派。

• 这个学派认为，AI源于控制论，即基于感知、控制和行为反馈的系统。

• 相关名词：
• 智能机器人
• 机器狗
• 行走机器人

😑 AI的发展历程

• AI发展的第一阶段是20世纪50～80年代，在这个阶段，数字可编程计算机已出现，是符号主义的繁荣时期

• AI发展的第二阶段是在20世纪80～90年代末，在这个阶段，连接主义和符号主义都得到了快速发展，人工神经网络、反向传播算法在这个阶段获得突破

• AI发展的第三阶段是21世纪初至今，随着大数据的积累、计算机运算能力的大幅提升、算法的革新，以深度学习为代表的第三波AI热潮迎来了繁荣

😋 AI产品的定义、形态、产业链

• 定义：

当一个产品的核心能力依靠AI算法技术实现时，就可以说这是一个AI产品

对于AI产品来说，失去AI技术，其便没有了存在的必要或失去了市场竞争力

• AI产品是基于人工智能技术定义的产品，是以AI技术为核心打造的应用于特定场景、解决某种问题或获得更好体验的功用集合

• 形态（自底向上）：
• AI芯片、AI算法加速卡、AI超算服务器等硬件基础设施产品
• AI算法框架、算法工具链等软件基础服务
• 视图、语音、文本、声纹等媒介与AI算法结合的应用产品，如视觉算法、语音识别算法，以及构建在AI硬件基础设施和算法服务之上的软硬一体产品
• 基于多模态数据融合应用的产品
• 知识图谱类的行业应用产品

• 产业链：
• 整体来看，AI产业链可以划分为基础、技术和应用三个层次
• 基础层：
• 提供AI所需的基础算力，涉及AI芯片、大数据处理模块、云计算模块等
• 这些产品几乎是所有AI上层业务应用都需要的，为上层提供基础能力
• 其中AI芯片是产业竞争中的关键
• 技术层：
• 位于基础层之上，利用机器学习平台、数据、算法、算力提供计算机视觉、语音识别、自然语言处理等模态的算法技术和模型
• 应用层：
• 主要包括融合多种技术和基础能力的AI产品，以及产品落地到行业的解决方案
• 其核心是完成商业化闭环，真正为行业带来效率提升和价值

😷 AI产品化、产业化、标准化

产品化

• 比如在摄像机产品中加入AI能力之后使其成为智能摄像机，在迷你小音箱中增加智能语音交互模块后使它成为智能音箱

• 比如物流机器人、机器狗、AI模型生产平台、人脸测温仪等。

产业化

标准化

在产业发展的早期阶段，各家公司更多是为了生存而采取野蛮生长策略，但随着后期应用的落地和进一步发展，标准化会被补齐，AI产业是这样，其他产业也是这样。

• 注：《国家新一代人工智能标准体系建设指南》中给出的AI整体标准框架

😪 AI产品落地的价值与难题

产品落地

• 降本增效类产品：通俗地讲就是人能做，AI也能做，但是AI做得更快更好
• 指通过在已有解决方案中加入AI解决方案从而实现降低成本或者增加效益的产品
• 在这类产品中，AI的作用在于替代、改造生产流程，从而提升生产效率
• 这类产品更多存在于生产中。这里所说的生产是指更加广义的生产，不仅包括质检、物品生产等工作，还包括与各行业活动相关的业务类工作，比如在政务中进行案件办理等

• 增加愉悦度类产品：核心业务目的是提高愉悦度
• 比如AI相机在拍照场景中可进行美颜、检测人脸等操作，还可增加一些可爱、搞笑元素，从而满足了人们的愉悦需求
• 虽然其可能也会带来效率上的提升，但是这并非其核心目的

落地的难题

• 三个难题：AI产品的落地并非一帆风顺，甚至可以说困难重重，除了技术实现上的直接困难，还有几个基础性的难题
• 成本高
• 隐私难把控
• 安全有隐患

如果技术无法解决这些应用场景中的难题，那么就无法落地。三大难题并非在每个场景中都同时存在，但是在不同的场景中，总有一些问题非常尖锐。 比如在制造业的应用中，成本问题就会显得突出；而在自动驾驶领域，安全被放在了第一位；在银行领域，个人隐私又显得尤其重要。

这些难题指向的解决方法是：更廉价的算力、更高精度的算法，以及数据依赖更少、隐私保护更强的机制。

每个场景都有应用的红线，技术每推进一步，就可以解锁更多场景。

• 成本难题：
• 成本问题在AI产品落地的每个场景中都有涉及。
• 当前AI产品落地成本高主要体现在人力成本高、算力成本高两个方面。
• 人力成本高的主要原因：
• 大规模标注数据依赖人工（在AI应用中，常常被调侃有多少人工就有多少智能）
• 算法设计相关的人才稀缺但市场需求量大
• 以及依赖人的算法要持续定制化、设计精度要持续优化
• 算力成本高的主要原因：
• 算法在追求精度的同时对参数及其规模的依赖
• 算力硬件在面对大规模使用深度神经网络方法和不断扩展网络参数规模以提升精度时，在成本和功耗上难以招架

• 隐私难题：
• 在一些场景中，数据隐私问题不突出，比如互联网中数据流通自由，隐私问题相对友好
• 但另一些场景中对数据在隐私方面要求很高，比如银行和保险业的客户信息、安防监控视频、各类互联网平台的用户数据、电商消费数据、高精密制造业的产品工艺数据等
• 如何确保数据在获取、存储、传输、使用等环节的隐秘性，是AI落地人员要不断思考的问题

• 安全难题：
• AI中的安全可以分为直接涉及人身的安全和危及财产的安全。
• 涉及人身的安全：
• 自动驾驶是一个颠覆性产业，这个产业中核心性技术之一就是AI技术，而AI技术在这类产品中最突出的问题是安全问题。
• 自动驾驶导致的安全事故被不断曝光，导致人们对自动驾驶产生了质疑。