人工智能三個發展階段的驅動力

大數據與人工智能將會是未來發展的兩大趨勢，這容易讓人誤解為這是兩個平行、獨立發展的領域。但實際上，大數據是人工智能發展的基礎，人工智能的發展往往是緊隨大數據的發展。

我們提供的服務有：成都網站設計、成都做網站、微信公眾號開發、網站優化、網站認證、廈門ssl等。為上千多家企事業單位解決了網站和推廣的問題。提供周到的售前咨詢和貼心的售后服務，是有科學管理、有技術的廈門網站制作公司

2016年，AlphaGo戰勝李世石引爆了新的輿論點，人工智能(AI)以及其背后的機器學習(machine learning)、深度學習(deep learning)進入了更多人的討論視野。HBO最近推出的人工智能題材連續劇《西部世界》又再次激發了人們對人工智能的關注，人們開始思考，未來的世界會不會真的有人工智能意識覺醒的那天。不過，在擔心人工智能是否會打敗人類之前，不妨先仔細思考一下人工智能是怎么產生的。

人工智能的驅動力是什么

就目前而言，人工智能的產生需要足夠的硬件能力支撐、匹配的機器學習算法和充足的數據資源。人們常提到，大數據與人工智能將會是未來發展的兩大趨勢，這容易讓人誤解為這是兩個平行、獨立發展的領域。但實際上，大數據是人工智能發展的基礎，人工智能的發展往往是緊隨大數據的發展。按照華裔人工智能專家吳恩達(Andrew Ng)的說法是，數據是人工智能的燃料，如果只有很大的引擎(算法)而沒有充足的數據作為燃料，人工智能這艘火箭是無法實現騰飛的。

按照各個時期不同的驅動力，我們可以將AI的發展分為三個階段：數據技術驅動階段、數據驅動階段和情景驅動階段。三個階段的AI發展對數據的要求各不相同，但從總體上看，人工智能與大數據之間是同生同漲的有機關系。每一次人工智能的增長，大數據行業都起著重要的推動作用。數據量級的增長、計算能力的提升、存儲效率的優化、數據可分析程度的提高……都在加快人工智能的發展。其中，數據是人工智能發展的一個重要的競爭優勢來源。

人工智能1.0：技術驅動

人工智能發展的第一個階段，是集中誕生基礎理論的階段。這個階段奠定了人工智能發展的基本規則，并誕生了基本的開發工具，為日后人工智能的研發工具的升級開辟了先河。在這個階段，技術的發展，尤其是算法的發展，成了推動人工智能進步的大動力。達特茅斯會議之后，人們對于算法程序和語言開發投入了極大熱情，掀起了人工智能發展的第一波高潮。

公認的人工智能發展起點是1956年于美國達特茅斯學院舉辦的第一節人工智能會議。盡管這次會議并未達成普遍的共識，但是卻為會議確定了主題：人工智能。第一批的人工智能研究從此開始。

1946年，人類歷史上第一臺電子計算機ENIAC誕生，盡管它有點笨重，但是毫無疑問廣泛應用于人工智能和計算機領域。計算機與編程算法的相繼出現，從技術層面推動了人工智能的發展。研究者們樂此不疲地運用新的算法和計算工具去解決應用題、證明幾何定理、學習和使用英語……每一次的成功都進一步增強了人們對人工智能的信心。他們甚至認為“在二十年內，機器將能完成人能做到的一切工作”。這一目標顯然是高估了人工智能發展速度。

計算機性能的瓶頸、計算復雜性的指數級增長、數據量的缺失，使得人工智能的研究停滯不前，人們逐漸對人工智能的發展逐漸喪失信心，人工智能研究進入了第一個低谷期。

人工智能 2.0：數據驅動

人工智能發展的第二個階段，是數據推動人工智能更新迭代的階段。這個階段，可獲得和分析的數據飛速增長，不僅磨練和提高了計算的能力，使人工智能的大規模運算成為可能，并且也反過來倒逼了數據的采集、清洗和積累，以及相應的軟硬件基礎設施的發展——這些都帶動了大數據行業的騰飛。大企業在這個階段發揮出了規模優勢，成為了推動人工智能發展第二波高潮的主要動力。

從1981年IBM推出第一臺個人電腦起，到1993年美國政府宣布實施“國家信息基礎設施”計劃，也就是我們常說的信息高速公路，電子計算機與信息數據從實驗室走進普通人的生活，人工智能的研究不再只是局限于實驗室的理論，針對日常生活的具體應用也在不斷增多。在這一階段，數據主要從兩方面來影響人工智能的發展：

一方面，大量的數據要求人工智能不斷提高其計算能力。信息時代數據量的快速增長，對整個人工智能的處理水平提出了更高的要求。人類大腦對數據的處理是十分強悍的，人的大腦擁有幾百億個腦細胞，每個腦細胞大約有幾百條腦神經，每條腦神經上又有幾百個突觸，每個突觸的作用又相當于一塊計算機芯片。

計算機人工智能如果想要實現與人類相似的智能水平，就必須要具備相應的計算能力。1997年，IBM“深藍”在世界象棋中戰勝世界棋王卡斯帕羅夫，最重要原因就是其強悍的數據處理能力。在研發過程中，IBM研制小組向”深藍“輸入100年來所有國際特級大師開局和殘局的下法。“深藍”每秒能夠進行2億次的運算，能夠通過計算預判之后的12步，對比做出最優的決策。

另一方面，大量的數據也在不斷地訓練著人工智能。數據量的增加對人工智能而言，不是負擔，而是財富，因為數據能幫助訓練人工智能，使結果更加精準。回顧“深藍”，令人驚嘆的計算能力并不意味著它就是堅不可摧的。深藍在1996年第一次挑戰時，就以2：4敗給卡斯帕羅夫。在之后的一年，研發團隊引入美國特級大師本杰明，將他對象棋的理解變成程序教給“深藍”。此外，在與卡斯帕羅夫每一場對戰后，都不斷挑戰系統參數，強迫“深藍”進行學習。

如果說主要作為實驗室研究成果的“深藍”并不足以說明數據對于人工智能的重要性，那不妨看看目前占據位居全球市值TOP5中的谷歌與亞馬遜。谷歌的搜索引擎與亞馬遜的智能推薦系統都是人工智能的具體應用領域，在大量數據的訓練下，無論是谷歌的搜索結果，還是亞馬遜的推薦結果，都越來越精準——這構成了兩家數據公司的核心競爭力。

人工智能 3.0：情景驅動

人工智能發展的第三個階段，是情境推動人工智能更深入到具體應用的階段。隨著人工智能的技術發展和數據積累，行業逐漸發現短期內通用智能和強人工智能是難以實現的，數據分布的情境化特性使得人工智能在特定情境下的垂直發展成為了可能。

這個階段，新的實用情境的識別與發現，以及對該情境的人工智能解決方案的研究，極大的推動了人工智能行業的前進。移動互聯網時代，各種移動終端設備的出現，使得數據呈現指數級的增長。相對于之前，現階段的“數據”包含的信息量越來越大、維度越來越多，從圖像、聲音等富媒體數據，到動作、姿態、軌跡等人類行為數據，再到地理位置、天氣等環境數據……按照以往數據處理的思路已經難以適應“數據”本身的發展。這對于人工智能應用者來說，既是驚喜，又是挑戰，因為一個融合人類智慧、人工智能以及海量數據的智能數據時代已經來臨。

在圍棋領域戰勝人類的AlphaGo已是人工智能的典型代表，但除了AlphaGo，人工智能研究中更多的是各種具體應用。2011年，蘋果推出語音虛擬助手Siri，讓人們開始體驗“人機對話”，當用戶懶得輸入時，便可以直接詢問Siri。盡管Siri剛推出時的回答經常讓人啼笑皆非，但是大量的數據訓練使Siri的語音識別越來越精準，反饋的答案也讓用戶越來越滿意。2014年，亞馬遜推出語音智能家庭管家Echo，人們無需觸碰手機，就能直接喚醒Echo，讓其完成指令，享受智能家居。

人們更能感受到的是生活中的各類推薦系統(比如圖書、音樂、新聞相關的手機App)，在搜集用戶的個性化數據之后，利用機器學習，為用戶反饋出獨一無二的結果。一直將自己定義為科技公司而非媒體公司的“今日頭條”便是利用數據獲取成功的典型案例。大量場景化的數據為人工智能應用于各種情景提供了發展的土壤，沒有數據就不會有智能。李開復也曾提到，人工智能更適合于擁有大數據、且數據量可以實現自我推動的公司，沒有數據的人工智能是無法前行的。

情景驅動對應用型人工智能企業的數據處理能力提出了要求。企業不僅需要采集數據，還需要利用深度學習將這些數據轉化為人工智能的“知識”，最后根據企業的需求，轉化為相應的應用決策。

也就是說，應用型的企業至少要形成縱向的生態鏈，才能實現完成整個場景閉環。令人慶幸的是，有些公司提供的智能數據平臺能夠協助企業完成整個數據流程的服務，讓企業無需重新開發一套自己的平臺系統。以TalkingData的智能數據平臺(SmartDP)為例，SmartDP能夠提供數據管理、數據科學、數據工程的能力，企業能夠利用這一平臺與自己的具體產業行業相結合，全面利用數據創造更多商業價值。

結語

互聯網的發展將大家帶入了大數據的時代，而智能數據時代是大數據時代的新的階段。人工智能與大數據一樣，對社會經濟起到賦能的作用，幫助人類感知、認知、分析和預測這個世界。

對于人工智能這艘火箭，算法是引擎，數據是燃料。當行業日漸開放，越來越多的算法選擇了開源，此時數據便成為了影響人工智能成敗的關鍵點。豐富、多維度的情景化數據使人工智能更多更深的被應用起來，而人工智能的深度應用，又產生了更加海量、精準、高質量的面向情景的數據，為模型的進一步優化提供了條件。

對于未來，我們相信，人工智能和大數據將會共同發展，給人類帶來更加智能的生活。

創新互聯面向全國提供域名注冊、虛擬主機、云服務器、服務器托管與租用，如需了解，請聯系QQ:171356849微信：zh18159893430 咨詢，謝謝！

當前文章：人工智能三個發展階段的驅動力
文章地址：http://vcdvsql.cn/article18/ceegp.html

成都網站建設公司_創新互聯，為您提供手機網站建設、App開發、建站公司、搜索引擎優化、做網站、網站收錄