1）、究竟作甚人工智能

所谓人工智能，便是人工的智能，而非人类生命体本身的智能。
广义地说，大凡借助于任何外部设备、工具和技能手段实现的非人类自身天生的智能，皆可称之为人工智能。
然而，绝大多数的设备、工具和技能手段的发明、设计、制造和利用，包括机器设备、电气设备或人类发明的其他工具设备，都是人类智能的精品。
也正是这些设备工具的利用，大大地拓展了人类天生的智能。
以是说，人工智能则是人类智能在生命体之外的拓展与延伸，而人类智能才是人工智能的始作俑者。

狭义地说，借助于打算机软件技能实现的、非人类自身天生的智能，则是目前我们所说的人工智能AI（以下用AI缩写特指狭义观点的人工智能）。
随着打算机的发明、软件技能的发展，打算机专家早在1950s（二十世纪五十年代）就提出了AI的观点，期望通用AI能面向不同的情境，能够阐明、办理普遍性的智力问题，并通过不断学习进化，乃至可以具有单领域或多领域超人的强智能。

2）、AI的发展简述

近年来，AI技能的发展和运用成为了全体天下关注的技能热点，并在图像处理、自然措辞处理（Natural Language Processing，NLP）及其他方面得到了广泛的实际运用，特殊是近日非常火的ChatGPT更是引起了热议，彷佛AI很快就要进入人们的日常事情和生活。

关于AI、ChatGPT的科普先容到处都是，这里就不再赘述，只是对AI背后的思维方法、发展轨迹做粗略的梳理。
如果读者希望更深入地理解人工智能的发展细节、干系事理和范例运用，不妨在网上自行搜索理解。

说到AI技能的发明与发展，我们不妨剖析大略地剖析一下人脑的组成构造和思维办法。
一方面，神经科学家研究创造，大脑中的有很多神经元，每个神经元可以吸收人体各种感官的输入，不同的神经元之间还相互连接，构成繁芜的大脑神经网络。
另一方面，我们的大脑在学习、思考和解决问题的过程中，总有总结、思考和推理的思维轨迹可以追溯。
因此，AI技能大体的发展路径正是从这两个方面出发的：

一方面，人们在思考、推理、归纳、总结等思维过程中，总是参考或依赖于他已经节制的履历和知识，同时，还依据一定的规则、逻辑和方法进行思考、剖析、判断和推理。
这便是AI中专家系统（Expert System，ES）、机器证明等方向的发展办法。

另一方面，AI技能在发展中仿照大脑的物理构造，设计了人工神经元，多个人工神经元连接在一起就构成了人工神经网络（Artificial Neural Network，ANN），被简称为神经网络（Neural Network，NN）。
这便是AI中机器学习技能（Machine Learning，ML）的发展办法。

人们普遍认为，AI基于上述两种路径，其发展经历了两个紧张阶段：

第一阶段：自1950s以来，AI观点被正式提出，并得到了快速的发展。
人们希望能制造出那样的机器，可以像人一样具有真正的智能。
在1990s之前，AI经历了出身、快速发展、繁荣、低谷、冬天的发展过程。

在专家系统ES和机器证明等方向，早期的AI技能借鉴大脑思考问题、归纳总结的思维方法，根据人类智能的推理过程，建立AI运用系统或智能机器。
我们大脑在思考和推理时，总是基于已节制的知识，并遵照一定的规则和逻辑，方能办理问题、得出结论或答案。
因此，早期的AI系统在类似于大脑进行思考和推理的过程中，不仅须要建立一定的知识库（Knowledge Base，KB），而且还须要建立相应的规则库（Rule Base，RB），实现AI软件系统，方能对已有的事实进行推理，得到所希望的推理结果。

所谓专家系统ES，顾名思义，便是基于某个详细领域专家的知识和履历所实现的软件系统。
常日来说，专家系统ES都聚焦于某个详细的领域，由该领域的专家供应非常专业的知识内容和规则方法，构建相应的知识库KB和规则库RB，再利用打算机软件技能进行编程，通过规则实现类似人脑的推理过程，进而实现智能化的功能。
然而，大千天下，无奇不有，要做普遍适用的知识库KB和规则库RB，形成广泛适用的专家系统ES并不现实。
因此，早期的专家系统ES一样平常局限于某个领域性的专家系统ES，如中医专家诊疗系统、各种目标识别系统等。

专家系统ES和机器证明背后的理论根本核心，便是数理逻辑，又被称之为形式逻辑，属于逻辑学的知识范畴。
逻辑学的核心便是研究思维的形式及其规律性，分为演绎逻辑、归纳逻辑、形式逻辑、非形式逻辑平分歧类型。
个中，基于数学符号描述思维逻辑的逻辑体系，统称为数理逻辑。
数理逻辑试图用数学化的符号表达人们思维逻辑的推理过程，详细包括命题逻辑、谓词逻辑等。
在此根本上，打算机科学家们设计发明了早期的人工智能编程措辞LISP、Prolog等，希望AI的运用能够像人类一样，实现智能化的逻辑推理、机器证明。

另一方面，机器学习是AI最主要的发展分支之一。
所谓机器学习，便是指机器就像人类一样，不断地学习知识、增加智能。
根据这种思路和方法，早期的打算机科学家提出了人工神经元（以下简称“神经元”）的观点，并发明了感知器（Perceptron）。
每个感知器就相称于一个神经元，具有学习和决策的能力。
所谓学习和决策，实际上便是通过打算机实现运算、判断的功能。
图1是一个神经元的模型示意图[引自数学中国"大众年夜众号]。

图1 人工神经元模型图

在图1中，左边是输入旗子暗记，右边是人工神经元的输出。
咋一看，这个模型图彷佛很繁芜，实在，如果我们结合大脑神经元的事情过程，只要具有高中数学的基本知识，也就不难明得个中的含义了：

首先，咱们人脑通过各种感官感知外部天下，如咱们的五官、皮肤等，可以接管多种外部旗子暗记的输入，并将这些输入旗子暗记通报到某个神经元k，在图中左边被表示为x1、x2、...、xp等多个变量的输入；

其次，不同的外部输入旗子暗记对该神经元的刺激和影响也是不同的，p个输入旗子暗记对该神经元k的刺激影响的权重在图中就分别表示为连接权wk1、wk2、...、wkp，以是，某个输入旗子暗记xi对该神经元k的刺激影响就可以表示为xi乘以wki，即xi x wki。
如此一来，图中所有p个输入旗子暗记综合起来，即图中的求和部分，表示为该神经元k的输入勉励uk：

第三，该神经元k对所有外部输入勉励uk进行相应，产生输出yk，表示为从输入勉励uk映射到输出yk的激活函数F（·）（注：这里用函数F，是由于"大众号里不能显示图1中的希腊字母，下同），即图中的右边部分。
然而，神经元又分为多种类型，不同类型的神经元对外部旗子暗记输入勉励的相应程度又不一样，假设为阈值q（大概q的值为零）（注：这里用字母q，是由于"大众年夜众号里不能显示希腊字母）。
我们将神经元k对输入勉励uk的相应阈值表示为qk，这时，图中的神经元k的激活函数就变为F（uk - qk），其相应输出yk就可以表示为（注：下面是用图片形式，以是函数和阈值就用希腊字母表示，以便与图1中的表示同等）：

至于函数F（·）的详细形式，人工智能专家们针对不同场景中的各种繁芜问题，设计了多种不同类型的非线性的激活函数，如Sigmoid函数、Tanh函数、ReLU函数等等，作者在这里就不展开深入谈论了。