最近10年，成本和媒体对这三种技能的热度按韶光排序依次为：云打算、大数据和人工智能。
事实上，若按照技能涌现的韶光排序，结果恰好相反，人工智能涌现最早，大数据其次，云打算则涌现得最晚。

由于每种技能都能运用于各个领域，因此人们可以从不同的角度分别解读每种技能。
作为同时在研发和利用这三种技能的机构卖力人，作者将考试测验从大数据的角度阐明ABC的关系，并且阐述这三种技能对付企业、机构和人类社会的主要性。

作者：冯雷 姚延栋 高小明 杨瑜

如需转载请联系华章科技

人工智能是打算机科学的一个分支，它的紧张研究目标是用打算机程序来表示人类智能。
这个词最早是在1956年的达特茅斯会议上正式提出的。
在达特茅斯会议正式提出“人工智能”这个观点之前，图灵和早期的打算机科学家一样平常用“机器智能”这个词。

须要强调的是，人工智能是建立在打算机之上。
不管人工智能运用多么美妙和繁芜，在图灵眼里都是图灵机上的一个程序（或者叫作可打算数，详细参考《从图灵机、图灵测试到人工智能：什么决定了AI能否取代人类？》）。

人工智能课程的紧张目的是学习建立在模型之上的算法。
这些算法和其他打算机领域的算法并无太大差异，只是这类算法专注在如图1-3所示的智能主体（Intelligent Agent）里面的模型。
在人工智能领域，打算机科学家们试图建立模型使得智能主体能够不雅观察周围环境并做出行动，就像人类的行为那样。

▲图1-3 智能主体作为AI的紧张研究工具

最近5年，由于智能主体模型在无人驾驶、谈天机器人和打算机视觉识别等运用的准确率的提升，人工智能的运用热度也随之提升。
AlphaGo等棋类对弈让人工智能被"大众年夜众津津乐道，由于打算资源和打算能力的提升，在限定韶光内，对弈模型比人类棋手更具上风，这也引发了很多关于人工智能的谈论。

01 AI的发展史

自远古时期，人类一贯希望能够创造一种类似于人类智能的机器，将人类从乏味的重复劳动中解放出来。

直到1936年，打算机科学的鼻祖图灵揭橥了名为《论可打算数》的论文，机器仿照人类智能的哲学话题才转变成一个可以像数学学科那样被论证的课题。
在论文中，图灵布局了假想的机器来模拟人类。
电影《模拟游戏》讲述的便是图灵如何布局假想的机器（打算机）来模拟人类的故事。

在那个时期，人工智能的观点还没有提出，人们更多地利用“机器智能”这个词来谈论打算机带来的智能。
大略地说，图灵的论文证明了机器可以模拟人类智能，以是本日的无人驾驶、谈天机器人、棋类对弈和打算机视觉识别等运用都是图灵预见的，虽然他那时并没有足够的硬件条件测试这些运用。

在图灵提出图灵机后，多个机构便开始设计真正意义上的遵照通用图灵机模型架构的存储程序打算机（Stored-program Computer）。
虽然第一台存储程序打算机（后文称作当代打算机）是谁先发明的至今仍有争议，但是影响较大的是冯·诺依曼提出的EDVAC（Electronic Discrete Variable Automatic Computer）。
冯·诺依曼在后来也确认当代打算机的核心设计思想是受到通用图灵机的启示。

当代打算机发明往后，各种运用如雨后春笋一样发达发展，但是真正把人工智能作为一个运用方向提出来还是在1956年的达特茅斯会议。

在20世纪40年代末当代打算机被发明后，从20世纪50年代开始，各个领域都开始关于“思考机器”（Thinking Machines）的谈论。
各个领域的用词和方法的不同带来了很多稠浊。
于是，达特茅斯学院（Dartmouth College）年轻的助理教授麦卡锡（John McCarthy）决定调集一个会议澄清思考机器这个话题。

调集这样的会议须要资助，聪明的麦卡锡找到了他在IBM公司的朋友罗切斯特（Nathaniel Rochester）和在普林斯顿大学的朋友闵斯基（Marvin Minsky）以及大师喷鼻香农一起在1955年写了一份项目倡议。
在倡议中，他利用了人工智能（Artificial Intelligence）这个词，避免和已经有的“思考机器”一词稠浊。

这里值得一提的是闵斯基，麦卡锡和闵斯基后来在麻省理工学院领导了AI实验室，造诣了麻省理工学院在人工智能领域压倒一切的地位。

会议在1956年举行，这里必须提到其余两位短期的参会者，来自卡内基·梅隆大学的纽厄尔（Alan Newell）和司马贺（Hubert Simon）。
他们虽然只呆了一个星期，但是他们的报告中公布的一款程序“逻辑理论家”（Logic Theorist）代表了人工智能的其余一条路线。
由于纽厄尔和司马贺的奠基事情，卡内基·梅隆大学成为人工智能的另一个重镇。

02 对AI运用的精确预期

达特茅斯会议的意义在于确立了“人工智能”（AI）作为打算机科学的一个研究领域，自那往后，AI在机器视觉、自然措辞处理、无人驾驶等领域取得了长足发展。
但是，“人工智能”这个观点常常被过度消费。
过去，美国的学者用这个观点来申请政府研究经费，本日有不少公司用这个观点来从成本市场募资。

但实际上，AI的进展并不像很多人预言的那样乐不雅观。

就棋类对弈而言，司马贺在20世纪50年代末就预言打算性能打败人类，但没有实现；20世纪60年代末，麦卡锡打赌说打算机将在10年内打败人类，结果他输了；国际象棋程序深蓝在“限定韶光内”胜出人类直到20世纪90年代末才实现。
围棋程序AlphaGo在“限定韶光内”胜出人类则是在2017年实现的。
闵斯基在20世纪80年代末预言，二十年内可以办理自然措辞处理问题，时至今日，各种AI运用在自然措辞处理方面尚有极大差距。
如今的“无人驾驶”在商用中实际上更多起到“赞助驾驶”的浸染，由于在实际的利用中仍涌现过意外情形，从担保行车安全的角度，尚不能实现真正的“无人驾驶”。

人工智能最近一次的持续升温是被包括大数据和云打算在内的软硬件技能持续发展使得很多运用得以落地而驱动的（我们将不才一节中谈论ABC的关系）。
从历史履历来看，大概是由于大众媒体和科幻电影的影响，AI界有种过于乐不雅观的方向。

但实际上，我们对付AI模型的精度该当抱有十分谨慎的态度，由于我们构建的神经网络在内的很多AI模型实质上还是履历模型，并不是一个严格的逻辑证明。
这些模型的精度比起古典力学模型精度还差了很多。
纵然是古典力学模型，在微不雅观量子天下也是失落效的，以是对付这些模型的利用范围也要持谨慎态度。

当然，我们也不能对建立在履历模型上的AI运用持过度疑惑的态度，由于我们的大部分知识来自履历，事实证明，这些知识也是实用的。
以是，AI是一个在不断提高的领域。

人工智能其余一个层面的谈论是机器能否超越人类？这个问题是令我们对付人工智能感到不安的缘故原由。
从打算机发明的第一天，图灵和其他伟大的数学家们就已经对这个话题进行过深入的谈论。

与大众传媒不同，数学家和打算机科学家们对这个问题的谈论是深层次的数学和逻辑层面的谈论。
《从图灵机、图灵测试到人工智能：什么决定了AI能否取代人类？》着重谈论AI和人的关系，有决心探究这一问题的读者可以参考这篇文章。

03 ABC之间的关系

前面已经阐明了ABC的观点，这里我们来谈论一下ABC之间的主要内在关系以及这些内在关系带来的可以赋能于商业的巨大技能产能。
从技能角度上看，ABC之间有以下两层主要关系：

大量数据输入到大数据系统，从而改进大数据系统里建立的机器学习模型。
云打算供应的算力使得普通机构也可以在本日用大数据系统打算大量数据从而得到AI能力。

先看第一层关系。
谷歌研究院的F. Pereira、P. Norvig和A. Halevy揭橥了一篇文章《数据的奇效》，阐明了如何通过大量数据提高机器学习模型的准确率。
早在谷歌之前，微软研究院的Michele Banko和Eric Brill在他们的论文《扩展到非常非常大文本来去除自然措辞歧义》中，展示了利用海量数据后各个机器模型的准确率都有大幅度提高，如图1-6所示。

这一结论为机器学习和人工智能的问题求解指出了一个新方向：用大量数据和大数据打算来提高人工智能。
比拟一下自然措辞翻译在最近10年由于利用大数据和打算所带来的进展，读者就能觉得到这种力量。

▲图1-6 用海量数据后各个机器模型的准确率都有大幅度提高

再看第二层关系。
云打算带来的巨大好处便是供应商品化的打算资源，以前只有政府机构和大型企业才能拥有的巨大打算资源，现在可以被一个创业公司所拥有。
这个从量变到质变的过程使得我们可以重新核阅一些打算机行业的难题。

打算资源的丰富使得大数据技能能够以更低的门槛被利用。
云打算平民化了大数据技能，使得大数据技能被企业广泛采取，企业也利用大数据养成了保管数据的习气，把数据当作未被开采的资源。
大数据的遍及给人工智能的分支——机器学习带来了意想不到的惊喜。

综合前面谈论的ABC的内在含义，当前的机器学习、人工智能可以朝着以下两个方向提高：

设计新的机器学习模型，在古人的模型上有所创新，改进模型效果。
利用已有的机器学习模型，但是利用古人所没有的数据量和云打算带来的打算能力来改进模型效果。

谷歌公司的Norvig曾经说过“我们没有更好的算法，但是有更多的数据”。
显然，Norvig鼓励按第二种方法进行创新，当然，这不虞味着用第一种方法创新不主要。
但须要指出的是，第一种方法的创新门槛要远高于第二种，除了天下顶级的机构，普通机构很难拥有相应的资金、人才及配套的管理和文化来支撑第一种创新方法。

第二种方法对付传统的机构也是可以重复和实践的，按照已经有的方法论、成功案例和人才培训可以实现基于大数据和机器学习的高阶数字化转型。

前面谈论的ABC的关系可以总结成图1-7。
云打算从量变到质变带来前所未有和平民化的打算资源。
企业和互联网在数字化运用方面产生了大量的数据。
这些数据和打算能力使得大数据技能遍及到普通机构，而这些机构利用大数据来创建和改进现有的机器学习模型，带来更好的人工智能成效。

▲图1-7 ABC之间的关系

AI带来的社会影响可能超过前三次技能革命。
随着科技和商业不断推动AI技能提高，AI和人之间的关系是技能领袖、商业领袖和政策制订者们不得不思考的问题。

前面关于AI和人的关系的大部分谈论都没有系统化和逻辑化，因而不是一个学术谈论，《从图灵机、图灵测试到人工智能：什么决定了AI能否取代人类？》则会在邱奇和图灵的学术谈论上回顾并延伸到AI和人的谈论。
这部分谈论非常硬科学但是对付那些有兴趣深入思考AI技能和人类关系的读者或者希望跳出AI框架内运用创新而成为系统创新者的读者，啃啃这根硬骨头定有“会当凌绝顶，一览众山小”的觉得。

本文摘编自《Greenplum：从大数据计策到实现》，经出版方授权发布。

延伸阅读《Greenplum：从大数据计策到实现》

推举语：本书由Greenplum核心研发团队精心编写，融入了团队十余年来对云打算、大数据和人工智能驱动的企业数字化转型、前辈技能发展趋势以及产品研发的深刻思考，对Greenplum这款快速发展的开源大数据平台进行了全方位深度解读，无论是企业决策者，还是大数据干系的技能职员，都能从本书中获益。