自从1956年在达特茅斯会议上首次引用人工智能以来，它的定义一直在发展。 从模拟人脑的工作方式到解决集中的复杂问题，做人可以做的所有事情，例如看，听，交流，行动，学习，感知，思考，决定，展示情感和同情心或与环境互动并做出回应 上下文。 人工智能在视觉，语言识别和自动驾驶方面的最新突破改变了我们今天对人工智能的认识。 下面给出的是人工智能的简单和非正式的定义。

人工智能（AI）作为广义的术语可以定义为计算机科学领域，涉及使计算机能够像人类一样工作或执行通常需要人类智能的任务。

人工智能系统的目的一直在发展。 在本部分中，我们将介绍根据其核心目的进行分类的不同类型的人工智能系统。 我们还可以观察到这些不同类型的AI系统如何标志着向构建更智能系统迈出的一步。

下图列出了不同类型的人工智能：

1. Reactive Machines AI是第一类AI t。 这些机器没有内存，也不使用经验信息。 在这些机器中，可以直接感知当前上下文并付诸行动。 这使得计算机在遇到任何情况时的行为都完全相同。 这样的好处是可靠和一致的结果。 示例：Deep Blue（IBM开发的象棋游戏计算机，在象棋游戏中击败Kasparov赢得了比赛）。

2.另一方面，有限内存AI机器可以回顾过去并将其用作世界的预编程表示，并应用于当前数据集。 例如，在自动驾驶汽车中，有关车道标记，速度限制或道路方向，车辆的当前速度以及相对的相邻汽车速度的数据将由汽车何时应更改车道来决定。

3.心智理论AI机器是使用先进技术的智能机器，这些技术与理解人类情感有更多关系。 "心理理论"是一个心理学术语，指的是生物具有感觉和思想并决定其行为的事实。

4.自我感知AI机器：这些机器是对Theory of Mind AI的扩展，它们可以配置表示形式； 这意味着我们将拥有在特定环境下有意识和有意识的设备。 这也称为人类感知AI或人类互动AI。 这些机器上没有建立原型。

AI类型

对AI系统进行分类的另一种方法是基于手头问题的复杂程度。 人工智能（ANI），人工智能（AGI）和人工智能（ASI）。

人工智能（ANI）是针对能力有限的给定请求解决问题。 在这种情况下，可以将智能手机中的Siri之类的功能视为一个示例。 这也称为弱AI，

另一方面，人工智能（AGI）被称为Strong-AI，是指具有人类能力的机器。 Pillo Robot是一个示例，其中机器人可以诊断疾病并可以服用药丸。

人工智能（ASI）是关于超越人类能力的机器。 Alpha 2机器人是对此的首次尝试，其中机器人可以管理智能家居并在家中进行操作。 它可能是家庭成员。 今天，大多数现有的AI是ANI。 AGI和ASI处于发展阶段。

下图显示了位于中心的人工智能系统的核心功能和特性，以及支持实现这些功能的相关子领域。

人工智能的应用或子领域是：

1.自然语言处理

2.机器人技术

3.机器学习和深度学习

4.专家系统

5.语音或语音识别

6.智能自动化与

7.计算机视觉

这些子字段中的每一个都是相互关联的，并且任何实际应用中通常都包含一个或多个子字段。 在下一部分中，我们将在深入研究Computer Vision之前，通过适用的实际示例和相关技术工具，对每个子领域进行简要定义。

自然语言处理

自然语言处理，也称为NLP，是指计算机科学的专业领域，用于分析和从自然语言或人类语言中获取有用或有意义的信息。 在较高的级别上，这需要采用正式的技术，例如令牌化，针对特定业务案例的上下文中的关系提取，单词分类和句子检测。 对于语言而言，指代语言遵循的基本规则的语法以及指代其含义的语义都起着重要的作用。 文本的目的可能是模棱两可的，并且会随上下文而变化，这带来了复杂性。 例如，"饱和度"一词在人类行为的背景下与颜色一起使用时可能意味着不同。

下图显示了NLP当前应用的关键领域。

NLP被广泛用于解决各种问题。 简要的应用列表是； 搜索是指在更大的内容上下文中标识文本的特定元素。 机器翻译，是指将文本从一种自然语言翻译成另一种自然语言，汇总在文档，博客等更实质性内容中描述的文本。命名实体识别（NER）可以从文本中提取位置，人员和事物的名称， 关于基于文本的内容和上下文对文本进行分类的信息分组。 情感分析通常用于感知并提供有关产品在市场上的表现的自动化帮助或反馈，例如书籍，电影等。回答用于药品或服务的查询或支持； 例如，聊天机器人和语音识别功能可帮助您通过与人的对话自动分析和理解上下文。

下面列出了一些基本的NLP技术及其示例：

机器人技术

机器人技术是一门计算机科学学科，涉及物理机器人或旨在执行通常由人类完成的任务的机器的设计，编程，工程和开发。

采用机器人技术最初的目标是对人类有害的工作，例如焊接，铆接，采矿，清理有毒废物或化解炸弹等，或那些需要高精度或对人为错误具有较低容忍度的工作，例如医学领域的长期手术 。

关于机器人权利：可以奴役机器人吗？ | 数据驱动的投资者

人们是否可以按自己喜欢的方式对待机器人？ 一个人会对其机器人"暴力"吗？ 机器人应该…

尽管机器人已经存在并发展了几十年，但直到现在，在日常活动中对机器人的使用仍在增加。 随着物联网和大数据的到来，大量流数据点和分析的同化已不是挑战。 例如，如果我们看一看自动驾驶汽车上的简单传感器[LJ1]，它每毫秒或每秒处理成千上万个数据点，以评估汽车的移动是否安全并对准了规定的目标目的地 时间。

机器学习

机器学习是将智能构建到机器中的一种方法，该机器将能够随着时间的推移而学习，并利用自身的经验做得更好。 它涉及一种模式搜索机制，该机制全是从更多信息或环境中过滤相关细节。

以这种方式构造的机器学习算法可处理建筑智能。 学习算法的目标是以最大程度准确和精确的规则形式产生结果。

下图描述了机器学习的各个子领域。

监督式学习正在按预期的期望进行，这意味着需要从数据中分析哪些内容已定义。 在没有明确目标或特定问题需要解决的情况下，该学习称为无监督学习。 在这种情况下，目标是首先解密数据中的结构并识别潜在的输出属性。 举个例子，训练一只宠物幼崽在每次他遵循指示时都会奖励他，效果很好。 他很快想出什么行为可以帮助他获得奖励。 专注于从结果中获得最大回报的学习方法称为强化学习。

深度学习是机器学习的一个领域，致力于通过人工智能将机器学习统一起来。 对于面部检测要求，一种深入的学习算法可以记录或学习诸如鼻子的长度，眼睛之间的距离，眼球的颜色等特征。 该数据用于解决分类或预测问题，与传统的浅层学习算法有很大不同。 在第2章中，我们将介绍计算机视觉中使用的一些特定的深度学习方法。

专家系统

专家系统也被称为ES，是与斯坦福大学最早相关的AI最重要的研究领域之一。 这些系统主要以示例性的人类智能或专业知识为重点，致力于解决特定领域中的复杂问题。 专家系统具有快速响应，可靠，准确和高性能的特点。 尽管在决策方面他们不能替代人，但它们被用作对人的建议。 他们可以帮助诊断，解释，预测，论证或推理。 任何专家系统都包括三个核心组件，知识库，推理引擎和用户界面。

专家系统在很多领域都得到广泛使用，例如，欺诈检测，金融领域可疑交易和股票市场交易的识别，重大疾病诊断以及医疗领域疾病根源的推断以及预测潜在行为的一些示例 通过根据早期监视报告中得出的模式监视系统的当前状态来对系统进行监视。

语音和语音识别

语音识别技术使计算机能够识别口语单词，然后将其转换为文本进行分析。 处理过程中的自然进展包括在提取的文本上应用NLP技术。 语音识别是语音识别的子集，其目标之一是基于语音识别一个人。 如今，许多电子产品（如手机，电视，电子产品）都支持语音识别，该语音识别可基于简单指令进行智能和自动操作。 苹果，谷歌和亚马逊等技术巨头提供了Siri，Alexa和Google Assistant等高级服务，这些服务正在打破简化生活和日常活动的障碍。

智能过程自动化

自动化已经从运行重复性的，平凡的任务演变为处理复杂的案例并优化了人类执行任务的整体方式。 机器人流程自动化（RPA）是一项技术应用，允许用户配置"软件机器人"（BOT）来捕获和解释现有应用，以处理交易，处理数据，触发响应以及与其他数字系统进行通信。 有效的方式和规模以进行更大量的工作，并根据需要提出要求。

与NLP（自然语言处理），机器学习，计算机视觉和其他子领域结合使用时，智能过程自动化（IPA）具有针对RPA的更多认知功能。 下图描述了构成智能自动化系统的所有组件。

计算机视觉

计算机视觉，也称为视觉，是计算机科学领域的一个新前沿领域，通常涉及使计算机，设备或机器能够查看，理解，解释或操纵所看到的内容。

计算机视觉技术实现了深度学习技术，并且在少数情况下，还采用自然语言处理技术作为分析图像中提取的文本的自然步骤。随着深度学习的所有进步，诸如图像分类，对象检测，跟踪和图像处理之类的建筑功能变得更加直接和准确，从而引领了探索更复杂的自动驾驶应用程序的方式，例如无人驾驶汽车，人形机器人或无人机。通过深度学习，我们现在可以操纵图像，例如，将汤姆·克鲁斯（Tom Cruise）的特征叠加到另一张面孔上。或将图片转换为素描模式或水彩绘画模式。我们可以消除照片的背景噪点，甚至可以用大多数手抖的物体突出焦点。可以单击稳定的图片。我们可以估计物体的紧密度，结构和形状，也可以确定表面的纹理。使用不同的光线或相机曝光，我们可以识别物体并识别我们之前见过的物体。

有关更多详细信息，请获取#apress出版的我的书的副本：

使用OpenCV学习计算机视觉

使用带有Python的OpenCV库构建计算机视觉的实际应用程序。 本书讨论了不同的……

另外，在这里引用我以前所有的"简化"博客系列：

简化了深度学习，简化了集成学习，并且简化了强化学习。

另外，订阅我的网站sunilagollapudi.com。

(本文翻译自Sunila Gollapudi的文章《Artificial Intelligence Simplified》，参考：
https://medium.com/datadriveninvestor/artificial-intelligence-simplified-838de55441de)