第一次人工智能浪潮，是以PC（计算机）为代表的，因为那时候我们看到计算机可以记忆信息、处理程序，我们就觉得很惊奇。PC的出现让大家看到了机器代替人类思考、工作的希望，大家对人工智能抱有非常大的期待。但是后来发现，技术的积累和计算能力各方面都不具备，所以在1970年左右的时候，有很明显的低潮。
第二次人工智能浪潮开始于19世纪80年代，到2000年左右进入一个低潮，主要以日本研究第五代计算机为代表。第五代计算机的特征就是逻辑推理、语言组织，当时想把计算机做成具有强大能力的推理机，可以像人一样做逻辑思考，希望通过比较复杂的逻辑推理模拟人的思维。
简单而言，那时候主要的想法是，人类的思维应该是有一定的逻辑的，只要计算机把人类的逻辑模拟下来，人工智能的能力就能够得到很大的提升。
但后来我们发现，人类的很多能力并不是靠逻辑思维得到的。真正具备严密的逻辑思维对人是少数，或者说生活中使用严密的逻辑思维的场景是少数。人类的智能，很多时候还是比较模糊，但又很直接的判断。我们解一个数学题，可能有比较严格的逻辑，但是我们做人脸识别的时候，其实没有办法把它表示成一个非常严密的逻辑的过程。所以第二次人工智能浪潮中很多的东西做得不是太理想。2000年左右投资减少，不仅仅是风险投资，还有政府对人工智能的投资也减少了，因为大家觉得可能性不是太大。
第三次的人工智能浪潮，则普遍被认为是2006年加拿大的Hinton教授一篇关于深度学习在图象识别当中的应用的文章带动起来的。目前的第三次人工智能浪潮就是以深度学习为代表的。深度学习是机器学习的一种，一般叫深度神经网络，或者叫多层的神经网络。
机器学习与前面提到的严密的逻辑思维的人工智能的区别在于，机器学习类似于统计，逻辑思维是演绎。统计的方法，可以通过大量的标注好的数据，去找到规律从而形成模型，这个模型就可以帮助我们去做一些任务，比如说像人脸识别，语音识别的任务。
原来机器学习是单层的，深度学习是多层的，能够对数据信息进行加工、总结。简单地说，就是在大量的数据中，人工智能自己去发现数据之间的联系、规律，原来是人类去给计算机设定思维逻辑，而深度学习则是计算机自己对数据信息进行总结、抽象，并发现其中的规律。所以我们如今的图像识别、语音识别，都是如此。
举个例子，对一张人脸，也就是一个图像进行识别，原来可能需要用户坐好，表情端正，然后机器根据不同部位的特点、定位来进行判断是不是这个人。但我们人脑不是这样工作的，同一个人，不论是哭、笑，喜怒哀乐，我们都知道是这个人。深度学习就能够将这些信息数据进行抽象、总结，然后输出结果，比如确认你就是这台电脑的用户。
在其他领域，也是如此。比如你给了一幅画，它通过分析告诉你这幅画有一个太阳，一座山，两个人；你给了一段中文，它可以帮你翻译输出为英文或日文；你给了一段语音，它转换成了文字。但一个特点就是深度学习需要大量数据的输入，没有大量的数据来进行分析，是没有办法得到很好的结果的。
有的领域，技术不是问题，但是人们对人工智能带来的市场需求预期过高了。比如图像识别这块，目前图像识别领域只有一个市场需求在支撑，那就是人脸识别。图像识别的技术已经发展得比较成熟了，但是我们发现人们对人类识别的需求并不是那么大，市场需求不足。
去年下半年开始，受资本寒冬影响，经历过一些投资的泡沫和人工智能的行业探索后，人工智能有一个理性的回归。行业内对于人工智能能够做什么，不能做什么，跟前两次人工智能浪潮相比，期望是降低了的，这也有利于人工智能自身的发展。
我们对人工智能的期待程度其实是需要降低的。人工智能就是代替人完成一些人类不愿意做的，比如服务员、简单的文字处理、简单的法律服务这样基础性、重复性的工作，从而让人类去做更有创造性的事情，它不是万能的。
上页 1 2