A3源码
18世纪60年代的
工业化革命
；
1834年，第二次的工业革命，
电力革命
；
第三次工业革命：
信息化
；
第四次工业革命：
智能化
；
我们回顾这场由18世纪起始的历史。我们发现每一次工业革命带来的都是机器智能的提升，极大的提升人类的生产力。
AI: Engineering or Science?
在我看来，AI同时包含
工程
以及
科学
两部分内容。
1、构建智能系统来解决世界上的问题（工程）；
2、了解构建智能系统的机制、算法和表示（工程；）
3、了解智能的本质（人类或其他）（科学）；
4、实施智能模型以评估和理解（科学）；
5、探索不同算法和表示的结果（科学）。
Turing Test 图灵测试定义AI
图灵测试 (Turing Test)
是人工智能 (AI) 中的一种查询方法，用于确定计算机是否能够像人类一样思考。
图灵提出，若人类A同时提供给计算机和人类B一个问题，计算机和人类B同时作答。在不知道哪个答案是从哪里回答的前提下，若无法判断哪个是计算机哪个是人类作答的，那么我们就可以说计算机具有人工智能 (AI)。
Intro to Expert System
Expert System，专业系统，其目的在于训练一个系统，让其模拟专家来做决定。
其通过专家的知识进行训练，将专业知识记录到数据库中；在运用推理机去对用户提出的问题与知识库做对比来作答。
数据驱动的机器学习的发展
机器学习，通过对大量数据的统计、归纳、整理、分析，从而构建模型、测试，最终得到模型与结果。而机器学习的发展，自然而然离不开大数据领域的进步，尤其是近年来新增的海量的数据。
而
等硬件制造商，提出更为先进的架构，更为强悍的硬件设施也进一步提升了训练模型的效率，减少了训练模型所需要的时间。
“软件”层面，更先进的模型算法，算法的优化、选择，一直是人工智能领域研究者们一直在攻克的领域。宏观上，从“基于规则”的架构发展到“基于统计”的模型架构，再到现如今“深度学习”的架构；微观上，监督学习的分类问题领域，从
大ReLU函数，大大减少了梯度下降所需时间，大大的提升了效率。
小结
更优化的模型，性能更强悍的计算机资源基础，更庞大的数据，支撑起了现在机器学习的发展和进步。
大数据
大数据，不只是大量的数据。大数据基于四个V进行定义：
这个指的就是大量的数据，庞大的数据量。
速度。指的是数据产生的速度之快。
种类。数据的种类多种多样，有图片、视频等非结构化数据，有数据库等结构化数据…
脏数据。大量的无意义、错误的数据充斥在大数据中，不仅仅没有价值，甚至还会“污染”其他的数据。所以在大数据与人工智能领域，如何在训练模型前将“脏数据”剔除，一直也是一个研究的方向。
机器学习与深度学习的架构
机器学习架构
深度学习模型架构
机器学习基本分类
机器学习 (Machine Learning)
主要分为
监督学习 (Supervised Learning)
以及
非监督学习 (Unsupervised Learning)
。其中监督学习与非监督学习最本质的区别在于：监督学习有Label，而非监督学习没有Label。换句话说，监督学习不仅有自变量，还有因变量的值。而非监督学习只有自变量，没有因变量，而是尝试找规律，找特征。
而监督学习，业主要分为两类，
回归问题 (Regression)
与
分类问题 (Classification)
。其中回归问题解决的是连续值的预测，而分类问题解决的是离散值的预测。
ANI、AGI与ASI
Artificial Narrow Intelligence，狭义人工智能
，是最基础的人工智能，通过人类的设定，完成人类指定的任务。该人工智能所谓的智能，不是机器本身具备的智能去解决问题，而是通过人类的设定，通过模型的建立，大数据的训练与最终的优化，从而能通过规律与概率解决问题。这也是现今人工智能所处于的领域。
Artificial General Intelligence，通用人工智能
，该人工智能层面指的是机器具有思想，可以自己去学习，建立模型，解决问题，不需要人类的干预。从现在的科技水平来看，这是暂时达不到的。
Artificial Super Intelligence，超级人工智能
，比人更聪明，比人更拥有智慧。这只是一个幻想。AGI都没搞明白，ASI根本不可能。
人类所谓的
Artificial Intelligence
，可能如果说是井底之蛙过分的话，那也只是看到了冰山的一角。希望诸位与我一样的人工智能领域的研究者们，努力前行。
