虽然在过去数十年中，人工智能 (AI) 的一些定义不断出现，但 John McCarthy 在 2004 年的 文章 (PDF, 127 KB) (链接位于 IBM 外部 ) 中给出了以下定义："它是制造智能机器，特别是智能计算机程序的科学和工程。 AI 与使用计算机了解人类智能的类似任务有关，但不必局限于生物可观察的方法"。
然而，在这个定义出现之前数十年，人工智能对话的诞生要追溯到艾伦·图灵 (Alan Turing) 于 1950 年出版的开创性作品"计算机器与智能" (PDF, 89.8 KB)（链接位于 IBM 外部）。 在这篇论文中，通常被称为“计算机科学之父”的图灵提出了以下问题：“机器能思考吗？” 他在这篇文章中提供了一个测试，即著名的“图灵测试”，在这个测试中，人类询问者试图区哪些文本响应是计算机做出的、哪些是人类做出的。 虽然该测试自发表之后经过了大量的审查，但它仍然是 AI 历史的重要组成部分，也是一种在哲学中不断发展的概念，因为它利用了有关语言学的想法。
Stuart Russell 和 Peter Norvig 随后继续发表了“人工智能：一种现代方法 ”（链接位于 IBM 外部），成为 AI 研究方面的重要教材之一。 在这本书中，他们深入探讨了 AI 的四个潜在目标或定义，基于理性、思考和行动来区分计算机系统：
人类方法：
- 像人类一样思考的系统
- 像人类一样行动的系统
理想方法：
- 理性思考的系统
- 理性行动的系统
艾伦·图灵的定义可归入"像人类一样行动的系统"类别。
以最简单的形式而言，人工智能是结合了计算机科学和强大数据集的领域，能够实现问题解决。 它还包括机器学习和深度学习等子领域，这些子领域经常与人工智能一起提及。 这些学科由 AI 算法组成，这些算法旨在创建基于输入数据进行预测或分类的专家系统。
目前，仍有许多围绕 AI 发展的炒作，市场上任何新技术的出现都会引发热议。 正如Gartner 在其 hype cycle 技术成熟度曲线（链接位于 IBM 外部）中指出的那样，自动驾驶汽车和个人助理等产品创新遵循“一个典型的创新周期，从欲望膨胀到期望幻灭、到最终了解创新在市场或领域中的相关性和作用。” 正如 Lex Fridman 在2019 年麻省理工学院演讲中指出的那样 (01:08:15)（链接位于 IBM 外部），我们正处于欲望膨胀高峰期，接近幻灭的谷底期。
随着对话围绕 AI 的伦理道德展开，我们可以开始看到幻灭谷底初见端倪。 如想了解更多关于 IBM 在 AI 伦理对话中的立场，请阅读 这里了解更多信息。
Watson Studio
IBM Cloud Pak for Data
IBM Watson Assistant
弱 AI 也称为狭义 AI 或人工狭义智能 (ANI)，是专注于执行特定任务的经过训练的 AI。 弱 AI 驱动了我们现在使用的大多数 AI。 “狭窄”可能是对这类 AI 更准确的描述，因为它一点也不弱；它支持一些非常强大的应用，如 Apple Siri、Amazon Alexa、IBM Watson 自动驾驶汽车。
强 AI 由人工常规智能 (AGI) 和人工超级智能 (ASI) 组成。 人工常规智能 (AGI) 是 AI 的一种理论形式，机器拥有与人类等同的智能；它具有自我意识，能够解决问题、学习和规划未来。 人工超级智能 (ASI) 也称为超级智能，将超越人类大脑的智力和能力。 虽然强 AI 仍完全处于理论阶段，还没有实际应用的例子，但这并不意味着 AI 研究人员不在探索它的发展。 与此同时，ASI 的最佳例子可能来自科幻小说中的人物，如 HAL、超人以及 《2001 太空漫游》中的无赖电脑助手。
数据科学和 AI
AutoAI
可解释的 AI
IBM Cloud Paks
由于深度学习和机器学习这两个术语往往可互换使用，因此必须注两者之间的细微差别。 如上所述，深度学习和机器学习都是人工智能的子领域，深度学习实际上是机器学习的一个子领域。
深度学习实际上是由神经网络组成的。 深度学习中的“深度”指的是由三层以上的神经网络组成，包括输入和输出，可以被认为是一种深度学习算法。
深度学习和机器学习的不同之处在于每个算法的学习方式。 深度学习可以自动执行过程中的大部分特征提取，消除某些必需的人工干预，并能够使用更大的数据集。 您可将深度学习视为“可扩展的机器学习”，正如 Lex Fridman 在麻省理工学院的同一次讲座中提到的那样。 经典的或“非深度”的机器学习更依赖于人类的干预进行学习。 人类专家确定特征的层次结构，以了解数据输入之间的差异，通常需要更多结构化数据以用于学习。
"深度"机器学习则可以利用标签化数据集，也称为监督式学习，来确定算法，但不一定必须使用标签化数据集。 它可以原始格式（例如文本、图像）采集非结构化数据，并且可以自动确定区分不同类别数据的特征的层次结构。 与机器学习不同，它不需要人工干预数据的处理，使我们能够以更有趣的方式扩展机器学习。
目前，AI 系统存在大量的现实应用。 下面是一些最常见的示例：
- 语音识别： 也称为自动语音识别 (ASR)、计算机语音识别或语音到文本，能够使用自然语言处理 (NLP) 将人类语音转变为书面格式。 许多移动设备 — 如 Siri — 都在其系统中纳入了语音识别功能，以进行语音搜索，或者提供更方便的短信服务。
- 客户服务： 在线虚拟客服正在取代工人客服为客户服务。 他们回答各种主题的常见问题 (FAQ) ，例如送货，或为用户提供个性化建议，交叉销售产品，提供用户尺寸建议，改变了我们对网站和社交媒体中客户互动的看法。 示例包括具有 虚拟客服的电子商务站点上的聊天机器人、消息传递应用（例如 Slack 和 Facebook Messenger）以及虚拟助理和 语音 助手通常执行的任务。
- 计算机视觉： 该 AI 技术使计算机和系统能够从数字图像、视频和其他可视输入中获取有意义的信息，并基于这些输入采取行动。 这种提供建议的能力将其与图像识别任务区分开来。 计算机视觉由卷积神经网络提供支持，应用在社交媒体的照片标记、医疗保健中的放射成像以及汽车工业中的自动驾驶汽车等领域。
- 建议引擎： AI 算法使用过去的消费行为数据，帮助发现可用于制定更有效的交叉销售策略的数据趋势。 这用于在在线零售商的结账流程中向客户提供相关的附加建议。
- 自动股票交易： 旨在用于优化股票投资组合，AI 驱动的高频交易平台每天可处理成千上万个甚至数以百万计的交易，无需人工干预。
"一台会思考的机器"这一构想最早可以追溯到古希腊时期。 而自从电子计算技术问世以来（相对于本文中讨论的某些主题而言），人工智能进化过程中的重要事件和里程碑包括以下内容：
- 1950 年：阿兰图灵发表了“计算机器与智能”。 在这篇文章中，因在二战期间破译纳粹 ENIGMA 密码而闻名的图灵，提议回答 “机器能思考吗?”这一问题 并介绍了图灵测试，用于确定计算机能否展示出与人类相同的智慧（或相同智慧产生的结果）。 自此之后，人们就图灵测试的价值一直争论不休。
- 1956 年：John McCarthy 在达特茅斯学院人工智能会议上创造了“人工智能”(AI) 一词。 （McCarthy 后来又发明了 Lisp语言。） 同年晚些时候，Allen Newell、J.C. Shaw 和 Herbert Simon 创建了有史以来第一个运行 AI 软件程序的机器 “Herbert Simon”。
- 1967 年： Frank Rosenblatt 构建了 Mark 1 Perceptron，这是第一台基于神经网络的计算机，它可以通过试错法不断学习。 就在一年后，Marvin Minsky 和 Seymour Papert 出版了一本名为 《感知器》(Perceptrons) 的书籍，这本书既成为神经网络领域的标志性作品，同时至少在一段时间内，也是反对未来神经网络研究项目的论据。
- 20 世纪 80 年代： 使用反向传播算法训练自己的神经网络在 AI 应用中广泛使用。
- 1997 年： IBM 的深蓝计算机在国际象棋比赛（和复赛）中击败国际象棋世界冠军 Garry Kasparov。
- 2011 年： IBM Watson 在《Jeopardy!》挑战赛中击败了 Ken Jennings 和 Brad Rutter。
- 2015 年： 百度的 Minwa 超级计算机使用一种称为卷积神经网络的特殊深度神经网络来识别图像并进行分类，其准确率高于一般的人类。
- 2016 年： 由深度神经网络支持的 DeepMind 的 AlphaGo 程序在五轮比赛中击败了围棋世界冠军 Lee Sodol。 考虑到随着游戏的进行，可能的走法非常之多，这一胜利具有重要意义（仅走了四步之后走法就超过 14.5 万亿种！）。 后来，谷歌以四亿美元的报价收购了 DeepMind。
IBM 一直是为企业推进 AI 驱动技术的领导者，为多个行业开创了未来机器学习系统的先河。 基于几十年的 AI 研究，与各种规模的组织进行合作的多年经验，以及从超过 3 万 IBM Watson 项目中汲取的经验教训，IBM 开发了AI Ladder，用于成功的人工智能部署：
- 收集： 简化数据收集和可访问性。
- 组织： 创建业务就绪性分析基础。
- 分析： 构建可扩展而且值得信赖的 AI 驱动的系统。
- 注入： 在整个业务框架中集成和优化系统。
- 现代化： 将 AI 应用和系统引入云。
IBM Watson 为企业提供彻底改造业务系统和工作流程所需的 AI 工具，同时显著提高自动化水平和效率。 关于 IBM 如何能够帮助您完成 AI 之旅的更多信息，请探索 IBM 的托管服务和解决方案产品组合。