近幾年，關(guān)于人工智能的討論很多，許多人對人工智能一知半解，媒體的報道也未必全面，那么什么是人工智能？人工智能的本質(zhì)是什么？未來可能的應(yīng)用場景？本文將帶你一一熟悉這些。

什么是人工智能？

什么是人工智能？簡單講就是用計算機(jī)實現(xiàn)人的頭腦功能，即通過計算機(jī)實現(xiàn)人的頭腦思維所產(chǎn)生的效果。人工智能算法所要處理的問題，以及處理后的結(jié)果具有不可預(yù)測性。

目前，社會上把普通的模式識別、機(jī)器人技術(shù)混同于人工智能，其根本原因是對人工智能的概念不清楚，因而把一切先進(jìn)的技術(shù)統(tǒng)統(tǒng)歸屬于人工智能。從另一個角度來說，這反而會影響人工智能的發(fā)展。

長期以來，人們習(xí)慣把導(dǎo)入計算機(jī)處理的系統(tǒng)統(tǒng)稱為智能系統(tǒng)，所以，人們看到“人工智能”這個詞時馬上就聯(lián)想到智能系統(tǒng)，其實這是完全不同的兩個概念。

智能系統(tǒng)是依據(jù)確定性的算法所實現(xiàn)的系統(tǒng)，是按照一種算法實現(xiàn)某種目標(biāo)函數(shù)的處理，其處理結(jié)果是確定性的。例如自動控制系統(tǒng)，通過閉環(huán)的PID調(diào)節(jié)，使機(jī)械位置能夠盡快達(dá)到所定位置，使溫度盡快達(dá)到所定指標(biāo)等等，這種算法往往是經(jīng)典的理論；再者，在模式識別的智能系統(tǒng)中有很多經(jīng)典的分類的算法，例如利用歐幾里得距離，可以計算出一個特征向量數(shù)據(jù)同若干個向量數(shù)據(jù)中的哪個向量數(shù)據(jù)最接近，這些都是模式識別的基本算法，導(dǎo)入這些算法的模式識別系統(tǒng)就是一個智能的系統(tǒng)。

在機(jī)器人系統(tǒng)中，機(jī)器人的行走以及手臂的動作需要人為地事先通過程序輸入到機(jī)器人系統(tǒng)中，機(jī)器人才可以按照人為輸入的程序進(jìn)行行走以及做各種手臂動作。外行人可能以為機(jī)器人同人一樣可以隨心所欲地做出各種動作，其實不然。例如，機(jī)器人在行走過程中，如果路上出現(xiàn)一個不可預(yù)知的障礙物，這時機(jī)器人肯定會被絆倒；然而，如果在機(jī)器人系統(tǒng)中搭載了人工智能的算法，機(jī)器人就可以依據(jù)自己的判斷，自主地繞過障礙物。

所以，普通的智能系統(tǒng)與人工智能的區(qū)別是：普通智能系統(tǒng)是經(jīng)典的算法，是僅以滿足目標(biāo)函數(shù)的算法，是解決其結(jié)果是可預(yù)測性問題的算法，人工智能是模仿人類大腦處理問題的方法，或能客觀上實現(xiàn)人腦所能實現(xiàn)的處理過程，人工智能所要解決的問題以及處理的結(jié)果往往是不確定性的，或者說是事先不可預(yù)知的。

常用的人工智能的算法

1 基于知識庫技術(shù)的專家系統(tǒng)

客觀地講，人工智能最成功的應(yīng)用應(yīng)該是知識庫技術(shù)的專家系統(tǒng)，早在20多年前，筆者研究室里就針對手寫文字如何看起來美觀為題開發(fā)了手寫文字的專家系統(tǒng)，把美觀的手寫文字的規(guī)則輸入到知識庫中，運用這個系統(tǒng)可解決苦于手寫字不流暢的企業(yè)負(fù)責(zé)人手寫書信問題，通過專家系統(tǒng)的處理既保留了企業(yè)負(fù)責(zé)人書寫文字的個性化，同時看起來又具有一定的美觀效果。

同20多年前落后的硬件環(huán)境相比，今天的科研環(huán)境先進(jìn)了許多。人們可以借助大型網(wǎng)絡(luò)服務(wù)器構(gòu)筑社會性的大知識庫系統(tǒng)，可以得到意想不到的應(yīng)用效果。例如，最近日本在網(wǎng)絡(luò)服務(wù)器上建立了10萬人的語音知識庫,該庫可以實現(xiàn)完全無障礙的自動語音交流，目前用于外國游客坐出租時的自動翻譯系統(tǒng)中。

基于知識庫技術(shù)的專家系統(tǒng)是把人的經(jīng)過頭腦加工的知識通過標(biāo)準(zhǔn)的知識庫的形式歸納起來，使專家系統(tǒng)能夠達(dá)到人腦所能實現(xiàn)的處理功能，因此可以解決傳統(tǒng)算法所解決不了的難題。

2 基于模糊數(shù)學(xué)的空間映射理論*

空間映射理論的倡導(dǎo)者至今才發(fā)現(xiàn)這個理論是屬于人工智能范疇的理論。空間映射理論的原理可以用來解決類似人臉識別、圖像識別或文字識別等復(fù)雜系的模式識別問題。由于復(fù)雜系的問題往往很難找到可以直接解決的算法，因此不能像傳統(tǒng)的智能系統(tǒng)一樣，直接通過傳統(tǒng)的算法進(jìn)行處理；基于模糊數(shù)學(xué)的空間映射理論是把一個復(fù)雜系空間的問題映射到若干個簡單系空間的問題，雖然在每一個簡單系的空間中只能解決有限的問題，但是根據(jù)組合理論，若干個簡單系空間的組合卻能解決復(fù)雜系空間的問題；這里最重要的地方是由復(fù)雜系空間問題映射到簡單系空間，是基于人的大腦的處理，學(xué)術(shù)上稱為人為介入的方法；由于傳統(tǒng)的數(shù)學(xué)方法非常死板，不易進(jìn)行人為介入，模糊數(shù)學(xué)則給我們提供了便利，可以根據(jù)人對處理對象的理解，從若干個角度通過模糊數(shù)學(xué)的Membership函數(shù)進(jìn)行定式，從而實現(xiàn)對復(fù)雜系問題的解決。由于這樣的算法是按照人頭腦處理的方式，再通過模糊數(shù)學(xué)的定式達(dá)到解決復(fù)雜系問題的效果，因此應(yīng)當(dāng)屬于人工智能的理論范疇。

20多年前，日本利用這個理論在手寫體數(shù)字的自動識別上得到了非常高水平的應(yīng)用效果。比如，在區(qū)別數(shù)字“9”和數(shù)字“4”的自動識別方面。那個時候，普遍使用的掃描儀的解像度只有100dpi，掃描后的數(shù)字“9”和數(shù)字“4”很容易混淆：如果數(shù)字“4”豎線下面的筆畫較長，很容易被識別成數(shù)字“9”，反過來手寫的“9” 下半部分筆畫較短時，可能會被識別成數(shù)字“4”。于是，研究人員利用空間映射理論中的Membership函數(shù)定式，把數(shù)字“9”和數(shù)字“4”的模糊值進(jìn)行量化，從而可以得到非常高精度的識別結(jié)果。該技術(shù)主要用于超市傳票的自動高速讀取系統(tǒng)中,成為當(dāng)時日本頗具代表性的手寫文字識別方法。

該理論也可以用于其他應(yīng)用。例如，利用這個理論，日本電氣化軌道交通的無人駕駛系統(tǒng)可以通過模糊推論，成功地按照駕駛員的經(jīng)驗自動地處理在自動駕駛過程中可能遇到的隨機(jī)問題，從而可以平穩(wěn)地自動駕駛列車在各種條件下運行。

3 基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)理論

神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)理論是基于直接模仿人腦的神經(jīng)元的信息處理的機(jī)理，因此當(dāng)仁不讓地屬于人工智能范疇。人們曾經(jīng)對這個算法寄予了很大希望，相信能夠在模式識別這類復(fù)雜系的問題上得到令人意想不到的應(yīng)用效果。遺憾的是，神經(jīng)網(wǎng)絡(luò)算法從一開始就遇到計算復(fù)雜度高、迭代收斂慢等難題，很難得到實際的應(yīng)用。2000年以后，神經(jīng)網(wǎng)絡(luò)技術(shù)升華為深度學(xué)習(xí)技術(shù)，人們再次掀起對神經(jīng)網(wǎng)絡(luò)技術(shù)高度的期望。但是，能夠大規(guī)模地應(yīng)用所必需的具有突破性的技術(shù)進(jìn)步目前還未看到。

4 概率尺度自組織理論*

早在20多年前，為了能同神經(jīng)網(wǎng)絡(luò)技術(shù)相對抗，有發(fā)明者提出了概率尺度自組織理論，至今，人們才意識到這個理論也屬于機(jī)器學(xué)習(xí)理論。這個理論的出發(fā)點是出于人為思想，如果能找到一個最大概率值的尺度就可以通過自組織的方法，針對隨機(jī)分布的數(shù)據(jù)得到一個超越傳統(tǒng)算法的最大概率值的解。由此，產(chǎn)生了概率尺度自組織的算法。

傳統(tǒng)算法的程序設(shè)計是程序的開始、中間乃至結(jié)果的整個處理過程都是程序員事先設(shè)計出來的，是具有預(yù)知性的，而概率尺度自組織算法的一個顯著特點就是程序員對處理的過程以及結(jié)果都具有不可預(yù)知性。

截至到這一理論出現(xiàn)之前，一切與統(tǒng)計學(xué)有關(guān)的算法的處理結(jié)果都停留在這一算法的處理之前，反過來講，該算法處理之后的結(jié)果可以讓一切與統(tǒng)計學(xué)有關(guān)的算法的處理結(jié)果產(chǎn)生突破，而且這種算法出現(xiàn)之后，目前被人們視為不可逾越的統(tǒng)計學(xué)的各種常數(shù)已經(jīng)不是最佳的常數(shù)了。

同深度學(xué)習(xí)的算法相比，概率尺度自組織算法的自組織的目標(biāo)清晰，效率極高，每一次迭代必有作用，計算復(fù)雜度為線性，普通手機(jī)App就可實現(xiàn)，極具應(yīng)用前景。

由于這種算法在理論上有大的突破，且計算復(fù)雜度低，因此使得它在出現(xiàn)以后一直顯示出特殊的應(yīng)用效果。例如，在文字識別OCR系統(tǒng)上、在計算機(jī)打印出的文檔文件上。在沒有基準(zhǔn)線的情況下，當(dāng)文件在掃描儀上放偏時，利用這個算法，僅通過文字的排列，系統(tǒng)就可以很快地計算出文件放偏的角度。

在人臉識別的應(yīng)用中，例如在給定的一個圖像中找到人臉的部位，傳統(tǒng)的方法是先給出人臉的顏色數(shù)據(jù)，程序按照順滕摸瓜的方法找到屬于人臉顏色的所有像素。然而，同一個人在不同的光線下拍攝出的圖像的顏色差別很大，再者，世界上有不同膚色的人，同一種膚色所含的具體顏色也是千差萬別的，因此，傳統(tǒng)的定義一種顏色進(jìn)行搜尋的算法肯定不能滿足實際應(yīng)用的需要。導(dǎo)入概率尺度自組織算法可以直接地僅通過若干次的自組織就可精確地找到人臉部位，因為不論是那種膚色，不管由于拍攝光線的不同所拍攝圖像的顏色如何失真，在整個圖像中的人臉部位的顏色的分布密度值最大，也就是說人臉部位的膚色的概率值最大。通過概率尺度自組織的算法很簡單地解決了這一難題，而且無需采用順滕摸瓜的方法，在初始時可以通過圖像的任何部位，在概率尺度自組織的過程中自動地遷移到人臉部位，并最終給出整個人臉部位的輪廓。這是在傳統(tǒng)的模式識別的算法里不可想像的識別效果，而且這樣一個勝似深度學(xué)習(xí)的算法僅僅通過手機(jī)終端就可在瞬間實現(xiàn)。

嚴(yán)格來說，概率尺度自組織理論應(yīng)該屬于機(jī)器學(xué)習(xí)理論。這個理論并不鮮為人知，其原因是20多年來一直作為技術(shù)訣竅并沒有公開，2014年才在美國、歐洲、日本以及中國申報了專利，目前已在美國和日本獲得了專利權(quán)。

5 基于模糊事件概率的最佳組合理論*

組合理論是人工智能的基礎(chǔ)理論，因此人工智能理論的突破必然依賴于組合理論的突破。

組合理論通過圖論解決最佳組合問題，最初是由美國佛羅里達(dá)大學(xué)***籍劉教授發(fā)明的，上世紀(jì)80年代初留美訪問學(xué)者中國籍王教授提出了利用“熵”的最佳組合理論，從理論上證明能夠獲得最佳的組合結(jié)果，因此引起世界學(xué)術(shù)界的高度重視。然而，利用“熵”的最佳組合理論也存在計算復(fù)雜度大、收斂慢的問題，其應(yīng)用受到局限。

如何高效率地實現(xiàn)最佳的組合結(jié)果，例如大規(guī)模集成電路需要實現(xiàn)面積最小、配線長最短、甚至還要考慮電氣特性等多目的的組合，這是傳統(tǒng)的組合理論所無法解決的難題。上世紀(jì)90年代，出現(xiàn)了一個被稱為具有代表性的組合理論，即模糊事件概率的最佳組合理論。這個理論把復(fù)雜的集成電路的各個模塊之間的連接關(guān)系通過模糊事件概率的測度進(jìn)行定量化，通過考慮各個單元間的連接關(guān)系——越密切越要盡可能地排列在一起的模糊關(guān)系，同時還要考慮針對一個單元同有可能在這個單元附近排列的各個單元的概率關(guān)系，將不明顯的微小的概率信息，以及不明顯的微小的模糊信息積分起來，得到穩(wěn)定的、明顯的以及有價值的信息。這就是模糊事件概率理論的突破點，因此可以高效率的、針對多目的的集成電路的優(yōu)化需求，直接計算出最佳的組合結(jié)果。這個理論的基礎(chǔ)是出于人為主觀地對單元之間的連接關(guān)系的模糊值的定義，因此也屬于人工智能理論的范疇。

谷歌公司在英國投資6億美元的一個創(chuàng)業(yè)公司利用人工智能的深度學(xué)習(xí)算法研制出的下棋程序戰(zhàn)勝了韓國棋手，這一消息轟動了世界。當(dāng)聽到這一消息的時候，筆者立即猜測該程序的制作者一定是下棋高手。果不其然，當(dāng)日本NHK派記者去英國采訪程序的制作者后，證實了程序制作者在下棋方面是出類拔萃的。那么，這從側(cè)面證明了，這個程序恐怕不主要是利用的深度學(xué)習(xí)的算法。作為組合理論的研究者都會知道，屬于40個以上的組合要素都屬于圖靈機(jī)不可解的NP問題，對于下棋問題當(dāng)然是屬于NP問題，但是，如果加入人為的經(jīng)驗，NP問題就可以解決，英國創(chuàng)業(yè)公司的程序制作者把下棋的經(jīng)驗做到了程序中，因此可以實現(xiàn)戰(zhàn)勝棋手的效果，從這一點看這個結(jié)果并不稀奇。

人工智能在未來的應(yīng)用亮點

1 三維立體移動目標(biāo)識別

20多年前，在筆者的研究室里有一個三維移動物體識別課題組，當(dāng)時從事這個研究的所有人都知道，三維移動物體識別技術(shù)是應(yīng)用于軍事方面的。1991年海灣戰(zhàn)爭爆發(fā)后，曾經(jīng)有媒體曝光，美國載有導(dǎo)彈的戰(zhàn)機(jī)曾經(jīng)對準(zhǔn)一列民用火車發(fā)射導(dǎo)彈，但是很萬幸沒有擊中火車。2003年第二次海灣戰(zhàn)爭中，有媒體再一次報道出美國載有導(dǎo)彈的戰(zhàn)機(jī)對準(zhǔn)一列民用火車發(fā)射導(dǎo)彈，準(zhǔn)確地將這列火車擊毀造成大量傷亡。面對手無寸鐵乘客的火車，美國接連兩次發(fā)射導(dǎo)彈目的何在？從事三維移動物體識別的研究者深知，這是美國在展示其三維移動物體識別的技術(shù)，因為使用GPS定位技術(shù)只能對固定目標(biāo)進(jìn)行跟蹤，對于移動目標(biāo)必須依靠三維移動物體識別技術(shù)。

在1991年第一次海灣戰(zhàn)爭中，美國使用的三維移動物體識別技術(shù)是通過將三維物體的三個方向上的圖像輪廓的特征向量值進(jìn)行登錄，在識別三維移動物體時，把攝取到的三維物體的任何角度的圖像的輪廓的特征向量值與登錄的特征向量值進(jìn)行比對，求出近似值。這種算法在正常情況下會得到比較好的識別結(jié)果。但是，在真正的戰(zhàn)爭環(huán)境下，周圍炮火濃濃，硝煙彌漫，這對所攝取的移動物體的圖像干擾很大。特別是通過輪廓識別圖像本身違背了信息學(xué)的原理，用一維的方法識別二維圖像，信息量本來就不夠，如果圖像的輪廓部分再有一點干擾，就會出現(xiàn)截然不同的識別結(jié)果。因此，在第一次海灣戰(zhàn)爭中，美國試驗打擊移動目標(biāo)的結(jié)果沒有達(dá)到預(yù)期的效果。

在2003年第二次海灣戰(zhàn)爭中，美國在移動物體識別技術(shù)中導(dǎo)入了人工智能算法，特別針對由于惡劣環(huán)境造成圖像嚴(yán)重干擾的情況，可以非常準(zhǔn)確地打擊移動目標(biāo)。

當(dāng)前，通過無人駕駛飛機(jī)對地形地貌的測繪、自動搜索遇難人員等都需要具有人工智能的三維移動物體的識別產(chǎn)品，這樣的高端技術(shù)產(chǎn)業(yè)具有很高的商業(yè)價值。

2 自動股票交易基金對沖以及金融預(yù)測*

在社會上最具有價值的技術(shù)是預(yù)測技術(shù)，如果人們能夠正確預(yù)測股市就會獲得巨額財富，然而目前預(yù)估股市結(jié)果的算法并不能滿足人們的要求。例如，美國有一些號稱軍事機(jī)密的預(yù)測算法，當(dāng)公開后筆者發(fā)現(xiàn)，這些算法在保密期也并沒有想象之中的那種高水平的技術(shù)進(jìn)步。因此，在預(yù)測方法上哪怕有一點技術(shù)進(jìn)步都將是非常重要的。

進(jìn)入人工智能的時代，預(yù)測技術(shù)將展現(xiàn)突出的顛覆性的效果。首先，在最佳預(yù)測的概念上顯示其進(jìn)步性。以往人們渴望得到一個最佳的預(yù)測值，然而，根據(jù)數(shù)學(xué)上的最優(yōu)化理論，最優(yōu)化解一定是建立在給出的某一邊界條件上的最優(yōu)化。人工智能的最優(yōu)化預(yù)測值就是建立在預(yù)測者對社會諸因素的了解、對預(yù)測目標(biāo)的認(rèn)識程度、個人的智力情況等等諸因素以及諸條件的影響為邊界條件所得到的最優(yōu)化值，而且這個最優(yōu)化的值一定是超越人的本身所能得到的解，這將把預(yù)測理論推向最高階段。

其次，人工智能之所以能在最優(yōu)化預(yù)測上具有突破性，其一是運用了概率自組織理論，顛覆了傳統(tǒng)的統(tǒng)計學(xué)的預(yù)測；其二是運用了模糊數(shù)學(xué)的空間映射理論，可以把預(yù)測者對社會諸因素與預(yù)測對象的關(guān)系的認(rèn)識通過Membership函數(shù)定式構(gòu)建成社會模型，把對預(yù)測效果產(chǎn)生影響的有關(guān)社會學(xué)、哲學(xué)、歷史學(xué)甚至易學(xué)中所提煉出的經(jīng)驗在人工智能的最優(yōu)化預(yù)測系統(tǒng)中都可以定式，都可以起到對最優(yōu)化預(yù)測的作用；其三是可以建立社會性的專家系統(tǒng)，針對預(yù)測對象建立大型的社會性的大專家?guī)欤黄渌氖抢脵C(jī)器學(xué)習(xí)的相關(guān)分析、回歸分析等算法。一句話，人工智能的最優(yōu)化預(yù)測系統(tǒng)是將所有與預(yù)測有關(guān)的算法、知識以及信息全部利用起來。

人工智能最優(yōu)化系統(tǒng)不是將這些算法分離地進(jìn)行計算，而是構(gòu)建成一個最優(yōu)化決策平臺，各種不同的算法的計算結(jié)果是融合在一起的，相互驗證，信息彼此共享，并通過機(jī)器學(xué)習(xí)算法最終進(jìn)行自組織運算，去偽存真，從而獲得超越統(tǒng)計學(xué)的計算結(jié)果，得出最大概率的預(yù)測值。導(dǎo)入了人工智能的決策平臺，將上述所有可以對預(yù)測起作用的因素通過新型的可對數(shù)據(jù)直接進(jìn)行無監(jiān)督學(xué)習(xí)的超深度學(xué)習(xí)的算法進(jìn)行如同人的神經(jīng)元系統(tǒng)那樣的對各種數(shù)據(jù)的整合，以及如同人的大腦那樣對預(yù)測結(jié)果的判斷，對已經(jīng)發(fā)生的數(shù)據(jù)同該系統(tǒng)的各個算法所得出的結(jié)果進(jìn)行自動評價，自動修正系統(tǒng)的各種參數(shù)，平衡各種因素的影響的實際效果，實現(xiàn)自動的知識更新以及知識積累。上述這些都是在自動的基礎(chǔ)上瞬間實現(xiàn)的，在這個平臺上預(yù)測結(jié)果包括股票交易、基金對沖都是自動地進(jìn)行的。

另一方面，這個系統(tǒng)尚需人為處理的功能是，系統(tǒng)在運行時可以不斷地根據(jù)操作者對預(yù)測因素認(rèn)識的提高，人為地修正各種因素的數(shù)值，或增加信息、增加預(yù)測要素，或重新調(diào)整預(yù)測戰(zhàn)略的框架等，使預(yù)測水平不斷提高。這樣的系統(tǒng)之所以能正確預(yù)測是來源于人的頭腦的智慧，但是在高速處理、果斷決策方面人類是望塵莫及的，這樣的系統(tǒng)一定會在自動股票交易、基金對沖以及金融預(yù)測上發(fā)揮不可估量的作用。

3 汽車自動駕駛

導(dǎo)入人工智能理論的汽車自動駕駛系統(tǒng)是當(dāng)前產(chǎn)業(yè)界最為關(guān)注的應(yīng)用課題。在這個應(yīng)用領(lǐng)域中，其一是導(dǎo)入人工智能的機(jī)器學(xué)習(xí)理論的模式識別系統(tǒng)，可以在線地將路況信息自動識別出來，供自動駕駛系統(tǒng)作為汽車運行的依據(jù)；其二是導(dǎo)入人工智能的汽車自動運行系統(tǒng)。

汽車自動駕駛為什么需要人工智能？以剎車控制為例。首先，汽車不可能以一個速度運行，當(dāng)需要停止在某位置上時有好多種情況：熟練的駕駛員有時會不睬剎車直接停在需要的位置，有時會輕輕地踩一下剎車，也可能會使勁踩一下剎車等等。這樣的控制問題是目前所有的傳統(tǒng)自動控制理論不可解決的，導(dǎo)入人工智能的模糊推論技術(shù)就可以把熟練的駕駛員的經(jīng)驗通過Membership函數(shù)定式，再按照模糊推論的算法實現(xiàn)同熟練駕駛員接近的自動駕駛控制。

這里舉出的僅僅是剎車控制，在實際道路上的自動駕駛還有更復(fù)雜的控制問題，因此導(dǎo)入人工智能算法勢在必行。

3.4 ITC圖像變換代碼*

隨著代碼技術(shù)的進(jìn)化，當(dāng)今技術(shù)已發(fā)展到無需事先設(shè)計出代碼符號、構(gòu)成代碼圖形以求得到穩(wěn)定的識別結(jié)果。在人工智能的算法下，自然的紙紋、聲紋、自然的圖像甚至身體信息都可以直接變換成代碼。

近年社會上流行的AR技術(shù)，可以通過手機(jī)拍攝的某一個印刷圖像的信息，就能夠上網(wǎng)連接到某一網(wǎng)站。由于這種技術(shù)可以從網(wǎng)絡(luò)上下載開源程序，所以迅速普及。但是，AR技術(shù)是通過圖像識別的算法，識別結(jié)果是一個占用十幾兆內(nèi)存的文件，不利于網(wǎng)絡(luò)操作以及大量圖像的應(yīng)用。

從另一個角度看，谷歌眼鏡、圖像檢索都需要通過拍攝一個圖像，然后通過這個圖像直接上網(wǎng)，或進(jìn)行網(wǎng)絡(luò)檢索。這樣，另一個技術(shù)——ITC（Image To Code）技術(shù)應(yīng)運而生。ITC運用空間映射的算法，可以把圖像的某些特征構(gòu)造成圖像的特征向量，再通過概率尺度自組織的算法組織成一個1036的代碼，實現(xiàn)了將任何一個圖像經(jīng)過移動終端的拍攝就可成為一個代碼，也就是說可以把任何圖像直接作為二維碼使用。這一成果可以讓任何商品標(biāo)識在無需任何處理的情況下成為一個二維碼，可以使世界上的所有產(chǎn)品在一夜之間都可以連接到網(wǎng)上去，而且不破壞商品標(biāo)識的美觀，也可以實現(xiàn)谷歌眼鏡看到任何圖像都可以連接網(wǎng)絡(luò)的設(shè)想，可以實現(xiàn)通過手機(jī)拍攝任何商品圖像就可直接在網(wǎng)上檢索該商品，促進(jìn)網(wǎng)絡(luò)銷售的發(fā)展，同時對VR產(chǎn)品的發(fā)展起到重要作用等等。與傳統(tǒng)的AR相比，ITC代碼容量僅有其10萬分之一，便于手機(jī)終端識別，具有占用服務(wù)器容量小、檢索速度快的特點，適于國際性的大范圍、大容量的應(yīng)用。

未來的人工智能應(yīng)用展望：

人工智能技術(shù)正在帶動一些產(chǎn)業(yè)變革。比如無人駕駛技術(shù)已成為未來汽車行業(yè)發(fā)展的重要趨勢和戰(zhàn)略制高點，除谷歌、優(yōu)步、特斯拉等科技公司在這一領(lǐng)域發(fā)力，奔馳、奧迪、豐田等傳統(tǒng)汽車廠商也在競相投入巨資研發(fā)。

谷歌母公司“字母表”旗下的“出行新方式”（Ｗａｙｍｏ）公司今年表示，基于谷歌自動駕駛技術(shù)的汽車已從公路測試轉(zhuǎn)向公共試乘，還宣布下一階段的目標(biāo)是向公眾提供無人駕駛出租車服務(wù)。如果無人駕駛汽車真的大規(guī)模商業(yè)應(yīng)用，將給相關(guān)行業(yè)帶來巨變。

在金融行業(yè)，全球首只完全由人工智能自主選定投資標(biāo)的、以美國股票為投資組合的ＥＴＦ類型基金今年１０月在美國紐約證券交易所問世。該基金由位于硅谷的ＥｑｕＢｏｔ公司提供技術(shù)支持，使用了ＩＢＭ公司的“沃森”人工智能平臺。

ＥｑｕＢｏｔ公司首席執(zhí)行官希達(dá)·卡圖阿接受新華社記者采訪時介紹，他們使用的人工智能程序每天自動掃描分析６０００多只股票的相關(guān)信息，自主選出具有上漲潛力的股票，并對投資組合進(jìn)行主動管理。這標(biāo)志著人工智能取代人腦的革命在金融業(yè)拉開序幕，今后可能對此類知識密集型行業(yè)產(chǎn)生強(qiáng)大沖擊。

人工智能還深入到了社會生活之中。在醫(yī)療領(lǐng)域，位于硅谷的斯坦福大學(xué)研究人員今年初公布了一項診斷皮膚癌的算法，經(jīng)過訓(xùn)練，算法的表現(xiàn)已經(jīng)可以媲美專業(yè)皮膚科醫(yī)生。

人們身邊的一些數(shù)碼設(shè)備中也都有人工智能。比如蘋果公司最新發(fā)布的ｉＰｈｏｎｅＸ手機(jī)重點宣傳了快速人臉識別功能，相關(guān)芯片就使用了生物神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)。還有亞馬遜公司推出的Ａｌｅｘａ智能語音助手，背后也有強(qiáng)大的人工智能技術(shù)支持。

社交媒體網(wǎng)站“臉書”最近還開始利用人工智能技術(shù)來發(fā)現(xiàn)有自殺傾向的用戶，并主動介入，鼓勵他們與朋友溝通，走出陰影。

最后，人工智能在各個領(lǐng)域的迅猛發(fā)展，引發(fā)了人們對未來前景的討論。雖然現(xiàn)在的人工智能技術(shù)還只是限定在各自領(lǐng)域中，尚不具備通用性，但有觀點認(rèn)為人工智能遲早會發(fā)展到那一步，應(yīng)未雨綢繆。特斯拉公司首席執(zhí)行官馬斯克認(rèn)為，將來可能出現(xiàn)超級人工智能，有可能威脅人類自身生存，人類需要應(yīng)對挑戰(zhàn)。