顶峰级——已经实现了无法超越的最优能力

超越人类级——比所有人类的能力都要强

强人类级——频年夜多数人类的能力要强

弱人类级——频年夜多数人类的能力要弱

在先容打算机算法和数据挖掘技能的教科书《智能Web算法》（第二版）中，达不雅观数据CEO陈运文将Rajani教授的上述划分方法作了翻译和先容，这里再做一些展开阐述。
在当今时期背景下，现有各个不同运用领域里人工智能技能的水平高低情形和已经达成的水平如下：

顶峰级水平

在一些规则完备、策略空间较小的运用处景下，例如在1919的棋盘里下五子棋，如今的打算机技能已经可以穷举所有可能的对弈情形，确保与人类在任意对弈的情形下都可以实现最优的方案。
同样在Tic-Tac-Toe（一种大略的井字棋游戏）、跳棋等领域，以及数据统计等工程运用方面打算机已经是顶峰级水平了。

超越人类级

AlphaGo和柯洁的围棋对战，以及IBM深蓝（DeepBlue）降服国际象棋冠军卡斯帕罗夫，都展示了在这些繁芜的棋类游戏上人工智能已经达到了超越人类级。
在一些详细的运用领域，如指纹识别、虹膜识别等领域，技能也已经非常成熟，同样实现了超越人类的能力。

强人类级

有些智力活动须要深入的领域履历，打算机比较少量的专业人士能力还有差距，但是比一样平常大众的能力要强。
例如在德州扑克、桥牌等领域，打算机已经强过大部分普通人类了，在一些专用领域，例如在良好条件的人脸识别（没有不良的遮挡、光照、角度问题）、良好条件的语音识别（没有分外地域口音、繁芜环境噪声）等领域里，花卉植物种类的识别等领域，打算机的能力也已经达到了强人类级。

弱人类级

有很多技能大多数普通人类节制起来并不难，例如驾驶汽车，但是对打算机系统来说，由于要采集的旗子暗记以及剖析的数据情形非常繁芜，目前还难以达到普通人类的水平，处于弱人类级。
常见的还包括写作文章、阅读理解、人类措辞翻译等领域。

上述先容里，人工智能的水平从弱人类级到顶峰级水平高低各不相同。
之以是人工智能在不同领域的发展水平不一致，紧张是受三个成分影响，详细包括：

成分1 规则和评价方法的明确程度

越是大略明确、并且打算机可以量化评估的问题，通过人工智能来实现的代价越小，例如棋牌类游戏，打算机可以发挥的浸染很大。

但是不愿定成分越多的问题，打算机来学习时就会碰到很多麻烦。
例如驾驶车辆，驾驶方法和路况变革很多，并没有非常严格而明确的“胜/负”、“好/坏”的驾驶办法；又例如麻将或扑克，有很多随机性成分，乃至有运气身分，处理条件并不严格同等，此时也会给人工智能更好的处理带来寻衅。

因此，规则越明确、评判好坏的标准越客不雅观的运用处景，目前人工智能技能的实践效果越好。

成分2 分外情形涌现频率的高低

很多运用问题，在范例场景下的处理和在包含各种分外非常情形下处理，其难度差异非常大。

以人脸识别问题为例，在人脸拍摄条件良好、角度对正且无遮挡的情形下，现有机器学习技能完成人脸检测、识别的精度已经非常高。
但是在实际运用时，会碰着相称多分外情形，例如由于受到光照、角度等客不雅观成分的影响，加上被拍摄者存在扮装、佩戴饰品、局部遮挡、年事变革等各种情形，乃至少量情形下还存在被拍摄者试图通过整容或伪装办法，故意滋扰打算机的识别过程，这些成分都会非常严重的影响实际利用的效果。

自动驾驶技能也同样存在大量的问题，例如正常晴好天气，和雨雪等恶劣景象，对办理问题来说难度的差别非常大。
各种各样的路况情形，也对自动驾驶的实用化带来很大的寻衅。

现有的大量人工智能运用，在实验室条件下很多已经达到了非常好的成绩，但是在工业化运用中，由于利用条件比实验室环境要繁芜和恶劣的多，须要处理各种非常和滋扰成分，因此很多运用的实际水平，还徘徊在强人类级和弱人类级之间。

目前人工智能的技能，从实验室走向实际运用，须要战胜的问题很多，还有很长的路要走。
在实际落地的时候，务实的做法是先限定详细的场景，只管即便打消掉不愿定性成分，简化问题。
例如在自动驾驶技能的研发中，如果限定为固定线路之间、或者封闭道路内的运用，技能难度就会大大简化，此时每每就能从弱人类级往上提升1-2个级别，达到实际可用的程度。
在笔墨阅读理解时，如果限定文本的行业、类型和理解内容时，也能大大的提升系统的准确率，达到可以实用化的地步。

成分3 积累的演习数据的规模

我们都知道，“大数据+算法模型=人工智能”，由此不丢脸出，人工智能的关键性的根本是大数据。
俗话说，巧妇难为无米之炊，只有积累了海量的演习数据，才能将人工智能的水平向上提升。
AlphaGo也是通过积累了数千万盘围棋对战棋谱数据，并进行充分的模型演习后，才打败了人类顶尖棋手的。

在每一个人工智能的运用处景里，数据积累程度的高低，直接影响该领域里人工智能的运用水平。
然而现实领域里，很多演习数据的积累事情才刚刚开始。
尤其是监督式学习所须要的“标注数据（Labeled Data）”的积累，每每须要大量的人工参与，本钱很高，大大制约了人工智能在干系领域里水平的提升。
其余有一些领域的数据由于受到一些政策成分的限定，例如医疗数据，或者有些数据被部分行业企业垄断，这些都导致数据难以流利，人工智能的水平提升也就比较缓慢。

随着近年来打算机硬件存储本钱的迅速降落，云打算的逐步遍及，数据积累事情的硬件环境迅速改进。
数据采集的意识也逐步觉醒，希望在运用需求的推动下，有越来越多的数据被数字化，并记录下来，演习出精良的算法模型来提升效果。

从弱人类级起步，到强人类级、超越人类级、顶峰级，任重道远。
科学发展的脚步常日都是先易后难、化繁为简。
随着技能不断的积累与进步，相信未来在越来越多的运用领域里，人工智能技能都能代替人类，来完成越来越多有代价的事情。

您可能感兴趣的文章：

刚刚，国家级人工智能方案落地，马云带头冲锋

腾讯开放生态挖深人工 成立AI Lab扶持25个AI创业团队

无人超市火了，归功于新零售还是人工智能?