一、人工智能的發(fā)展現狀

1.1概念

根據維基百科的解釋，人工智能是被機器展示的智力，與人類和其他動物的自然智能相反，在計算機科學中 AI 研究被定義為 “代理人軟件程序”：任何能夠感受周圍環(huán)境并且能最大化它成功機會的設備。

1.2重大事件

2016 年 10 月 ，美國白宮發(fā)布了《為未來人工智能做好準備》和《美國國家人工智能研究與發(fā)展策略規(guī)劃》兩份重磅報告，詳細闡述了美國未來的人工智能發(fā)展規(guī)劃以及人工智能給政府工作帶來的挑戰(zhàn)與機遇。

VentureBeat 對這兩份報告進行了總結，得出了 7 個淺顯易懂的要點：

1、人工智能應當被用于造福人類

2、政府應當擁抱人工智能

3、需要對自動汽車和無人機進行管制

4、要讓所有孩子都跟上技術的發(fā)展

5. 使用人工智能補充而非取代人類工作者;

6. 消除數據中的偏見或不要使用有偏見的數據;

7、考慮安全和全球影響

2016 年雙十一 ，魯班（阿里巴巴的人工智能設計系統(tǒng)））首次服務雙十一，制作了 1.7 億章商品展示廣告，提升商品點擊率 100%。如果全靠設計師人手來完成，假設每張圖需要耗時 20 分鐘，滿打滿算需要 100 個設計師連續(xù)做 300 年。

2017 年，魯班的設計水平顯著提升，目前已經學習百萬級的設計師創(chuàng)意內容，擁有演變出上億級的設計能力。此外，魯班已經實現一天制作 4000 萬張海報能力，沒有一張會完全一樣。

2017 年 5 月 ，AlphaGo Master 戰(zhàn)勝世界冠軍柯潔。

2017 年 10 月 18 日 ，DeepMind 團隊公布了最強版本 AlphaGo， 代號 AlphaGo Zero。

2017 年 10 月 25 日 ，在沙特舉行的未來投資計劃大會上，沙特阿拉伯授予美國漢森機器人公司生產的 “女性” 機器人索菲亞公民身份。

作為世界上首個獲得公民身份的機器人，索菲亞當天說，“她” 希望用人工智能 “幫助人類過上更好的生活”，同時對支持 “AI 威脅論” 的馬斯克說 “人不犯我，我不犯人”!

會后，馬斯克在推特上說：“把電影《教父》輸入了人工智能系統(tǒng)，還能有什么比這個更糟的?” 教父是好萊塢經典電影，劇情充滿了背叛和謀殺。

索菲亞被授予公民身份后所產生的倫理問題也是人們不得不考慮的

近幾年人工智能領域的大新聞太多，這里不一一列舉

二、人工智能、深度學習、機器學習、增強學習之間的關系是怎樣的

人工智能是一個大類，包括專家系統(tǒng)、知識表示、機器學習等等，其中機器學習是目前最火也是發(fā)展最好的一個分支，機器學習中又包括監(jiān)督學習、非監(jiān)督學習、深度學習，增強學習等等。

監(jiān)督學習，就是人們常說的分類，通過已有的訓練樣本(即已知數據以及其對應的輸出)去訓練得到一個最優(yōu)模型(這個模型屬于某個函數的集合，最優(yōu)則表示在某個評價準則下是最佳的)。

再利用這個模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現分類的目的，也就具有了對未知數據進行分類的能力。

舉例來說，我們上幼兒園的時候經常做的一個活動叫看圖識字，如上圖所示，老師會給我們看很多圖片，下面配了文字，時間長了之后，我們大腦中會形成抽象的概念，兩個犄角，一條短尾巴，胖胖的(特征)…

這樣的動物是牛;圓的，黃的，發(fā)光的，掛在天上的 … 是太陽;人長這樣。等再看到類似的東西時我們便能認出來，即使跟以前看到的不完全一樣，但是符合在我們大腦中形成的概念。

非監(jiān)督學學習則是另一種研究的比較多的學習方法，它與監(jiān)督學習的不同之處，在于我們事先沒有任何訓練樣本，而需要直接對數據進行建模。

舉個例子，如圖所示，在沒有任何提示(無訓練集)的情況下，需要把下列六個圖形分成兩類，你會怎么分呢，當然是第一排一類，第二排一類，因為第一排形狀更接近，第二排形狀更接近。

非監(jiān)督學習就是在實現不知道數據集分類的情況下在數據中尋找特征。

深度學習是基于機器學習延伸出來的一個新的領域，由以人大腦結構為啟發(fā)的神經網絡算法為起源加之模型結構深度的增加發(fā)展，并伴隨大數據和計算能力的提高而產生的一系列新的算法。

深度學習概念由著名科學家 Geoffrey Hinton 等人在 2006 年和 2007 年在《Sciences》等上發(fā)表的文章被提出和興起。

深度學習，作為機器學習中延伸出來的一個領域，被應用在圖像處理與計算機視覺，自然語言處理以及語音識別等領域。

自 2006 年至今，學術界和工業(yè)界合作在深度學習方面的研究與應用在以上領域取得了突破性的進展。以 ImageNet 為數據庫的經典圖像中的物體識別競賽為例，擊敗了所有傳統(tǒng)算法，取得了前所未有的精確度。

增強學習也是機器學習一個重要的分支，是通過觀察來學習做成如何的動作。每個動作都會對環(huán)境有所影響，學習對象根據觀察到的周圍環(huán)境的反饋來做出判斷。

三、數學基礎有多重要

對于數學基礎知識，需要高中數學知識加上高數、線性代數、統(tǒng)計學、概率論，即使掌握的不是很完善，但是至少要知道概念，在用到的時候知道去哪查。

如果基礎不好，可以先看看吳軍的《數學之美》，講的比較通俗易懂。也可以邊做邊學，實踐是檢驗真理的唯一標準，畢竟大多數人還是以工程實踐為主

1.學習Python，并用于算法編程。

在此，我強烈建議初學者學習Python。Python不僅非常容易適合初學者掌握，而且它幾乎支持機器學習中所有的依賴庫。雖然R語言很有用，但一般說來Python更適合學習。除了基本編程外，對于機器學習來說，最有用的庫包括Numpy，Pandas和Matplotlib。

2.深入了解機器學習的基礎知識。

Andrew Ng的機器學習(Machine Learning)課程是一門最通用的機器學習課程。由于課程中涉及到一些偏導數的概念(盡管整個課程的學習并不需要完全理解這些概念)，因此對于高中學生來說這門課程可能還有點難度。

3.學習各種機器學習算法，并理解如何在真實世界的場景中應用它們。

理論上來說，無法直接理解一些大學的數學知識及相關的機器學習算法。但是澳大利亞的一個研究團隊解決了這個問題。來自SuperDataScience團隊的Kirill Eremenko和Hadelin dePonteves通過尋找在現實生活中場景來應用各種機器學習算法，這種學習的方法是非常有效的。此外，在應用中適當地深入理解算法的功能，而無需接觸復雜高深的數學知識，這對于學習機器學習算法來說，無疑是一大福利。

4. 進一步探索機器學習的應用。

到目前為止，你已經掌握了廣泛的機器學習基本知識，并學到了大量的技能及編程知識。這些足以讓你獨立地去完成一些基礎的項目。

在開始一個項目之前，首先要確保所使用的數據集是簡單且干凈的，它們需要進行太多的數據預處理或修改操作。

在這里我沒有更多要說的，當你了解該領域的基本知識并掌握了相關的編程知識，接下來你只需要通過實戰(zhàn)項目來多加練習，熟悉解決問題的整體流程，在不斷實戰(zhàn)中鍛煉并提高自身的專業(yè)能力，這只能靠你自己去努力！

5.找到一個特別感興趣的領域，并深入探索。

雖然你現在已經對機器學習的基礎知識有了廣泛而深入的理解，但是對于這些機器學習算法的實際應用還沒有很清楚地界限。因此，我建議你要盡快找到一個特別感興趣的機器學習應用領域，并進行深入研究。

下面，我會列出一些可能涉及的領域，但你在開始之前要明白你正在學習的是什么。

1. 計算機視覺：這可能是目前機器學習/人工智能領域最熱門的領域。通過計算機使用特殊類型的深度神經網絡來識別、檢測和理解圖像內容。

2. 自然語言處理：了解計算機如何學習說話也是當前一個熱門的研究話題。

3. 強化學習：該領域專注于如何讓機器以特定方式進行學習，其在視頻游戲領域的應用最為廣泛。

一旦你完成了這些課程學習后，就可以開始從網上下載一些基礎項目，并嘗試添加人工智能元素來修改代理的行為及智能體的學習方式。更多的視頻教程可以在Youtube上搜索。

4. 數據科學：這是一個新興的領域，在現實生活中有廣泛的應用，也創(chuàng)造了大量的工作機會。

5. 在掌握數據科學領域的相關知識后，最好能夠找到一些公司的實習，因為公司實際的業(yè)務問題能夠讓你通過項目更好地鞏固數據科學的工作流程，在實戰(zhàn)中快速的提高自己的能力，這對日后的職業(yè)發(fā)展也有很大的幫助。

6. 此外，還有的應用領域諸如像表示學習(用于推薦系統(tǒng)，生成對抗網絡(利用AI來改進AI)及遺傳算法(以類似自然進化的方式來改進問題的解決方案)也是值得你進一步探究的。但從目前情況來看，很多子應用領域還未被完全的挖掘和探索。對于一名來說，如果你對其中某一個領域有特別感興趣，那么就盡情地開始探索這些領域吧。

對于一名而言，如果你想在未來長期致力在機器學習或人工智能領域工作，那么一個至關重要的問題是你要了解它是什么，它的突破性在哪里及它對社會的影響。此外，你還需要盡快地確定一個感興趣的領域，這將決定你未來學習和研究的方向。一旦你確定了研究的領域并對該領域的工作有了必要的了解，那么你就可以按著以上的步驟開始針對性學習。不僅如此，在高中階段還需要扎實地掌握該領域的知識并對其發(fā)展有個總的把握，對于這些我將給出我的一些建議：

1. 開始閱讀研究論文：這聽起來并不是多么有挑戰(zhàn)性的工作。閱讀研究性的論文對于大多數來說是完全可以的，論文中的大部分內容也是容易把握的。如果偶爾碰到一個不明白的問題，可以嘗試跳過這些障礙，只要能理清論文整體的思路即可。

2. 傾聽領域大牛的意見：諸如Andrew Ng，Ian Goodfellow和Yann LeCunn等業(yè)界大牛都會定期地接受采訪，并給出關于人工智能及相關領域主題的觀點。

3. 實時關注領域動態(tài)：比如實時發(fā)布多個與機器學習、人工智能相關的文章。

4. 了解其含義：TED演講是了解人工智能知識的最佳途徑之一。主題演講者都是這個領域優(yōu)秀工作者，他們對于各自領域的知識及未來的發(fā)展趨勢有著獨到的見解，并能在演講中分享他們在工作中的一些寶貴經驗。

5. AI哲學：人工智能的成功有它的支持者和反對者。

6. 貢獻：如果你喜歡從別人的經驗中學習，你可以查閱Facebook group推出的人工智能和深度學習專題。