眾所周知，刷臉認證、自動駕駛、大資料推送、智慧音箱、手術機器人……人工智慧被廣泛應用於各個領域，由此引起的資料偽造、演算法瓶頸、隱私安全、倫理困境等問題也日益凸顯。“AI 基礎設施建設亟需從自身底層能力增強出發，以內生驅動力突破演算法關、資料關、應用關三大關卡，向演算法可靠、資料安全和應用可控的第三代人工智慧邁進。
一、什麼是人工智慧？
人工智慧（Artificial Intelligence），英文縮寫為 AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧是計算機科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括機器人、語言識別、影象識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的“容器”。人工智慧可以對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧，但能像人那樣思考、也可能超過人的智慧。
人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智慧才能完成的複雜工作。但不同的時代、不同的人對這種“複雜工作”的理解是不同的。 2017 年 12 月，人工智慧入選“2017 年度中國媒體十大流行語”。
二、人工智慧的分類
人工智慧的定義可以分為兩部分，即“人工”和“智慧”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智慧程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。
關於什麼是“智慧”，就問題多多了。這涉及到其它諸如意識（CONSCIOUSNESS）、自我（SELF）、思維（MIND）（包括無意識的思維（UNCONSCIOUS_MIND））等等問題。人唯一瞭解的智慧是人本身的智慧，這是普遍認同的觀點。但是我們對我們自身智慧的理解都非常有限，對構成人的智慧的必要元素也瞭解有限，所以就很難定義什麼是“人工”製造的“智慧”了。因此人工智慧的研究往往涉及對人的智慧本身的研究。其它關於動物或其它人造系統的智慧也普遍被認為是人工智慧相關的研究課題。
人工智慧在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用。
例如繁重的科學和工程計算本來是要人腦來承擔的，如今計算機不但能完成這種計算，而且能夠比人腦做得更快、更準確，因此當代人已不再把這種計算看作是“需要人類智慧才能完成的複雜任務”，可見覆雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，另一方面又轉向更有意義、更加困難的目標。
通常，“機器學習”的數學基礎是“統計學”、“資訊理論”和“控制論”。還包括其他非數學學科。這類“機器學習”對“經驗”的依賴性很強。計算機需要不斷從解決一類問題的經驗中獲取知識，學習策略，在遇到類似的問題時，運用經驗知識解決問題並積累新的經驗，就像普通人一樣。我們可以將這樣的學習方式稱之為“連續型學習”。但人類除了會從經驗中學習之外，還會創造，即“跳躍型學習”。這在某些情形下被稱為“靈感”或“頓悟”。一直以來，計算機最難學會的就是“頓悟”。或者再嚴格一些來說，計算機在學習和“實踐”方面難以學會“不依賴於量變的質變”，很難從一種“質”直接到另一種“質”，或者從一個“概念”直接到另一個“概念”。正因為如此，這裡的“實踐”並非同人類一樣的實踐。人類的實踐過程同時包括經驗和創造。這是智慧化研究者夢寐以求的東西。
實際應用:
機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智慧搜尋，定理證明，博弈，自動程式設計，智慧控制，機器人學，語言和影象理解，遺傳程式設計等。
三、應用範疇
學科範疇 ：人工智慧是一門邊緣學科，屬於自然科學和社會科學的交叉。
涉及學科 ：哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論
研究範疇：自然語言處理，知識表現，智慧搜尋，推理，規劃，機器學習，知識獲取，組合排程問題，感知問題，模式識別，邏輯程式設計軟計算，不精確和不確定的管理，人工生命，神經網路，複雜系統，遺傳演算法
意識和人工智慧 P：人工智慧就其本質而言，是對人的思維的資訊過程的模擬。
對於人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，製造出“類人腦”的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的資訊過程的模擬。
弱人工智慧如今不斷地迅猛發展，尤其是 2008 年經濟危機後，美日歐希望藉機器人等實現再工業化，工業機器人以比以往任何時候更快的速度發展，更加帶動了弱人工智慧和相關領域產業的不斷突破，很多必須用人來做的工作如今已經能用機器人實現。
而強人工智慧則暫時處於瓶頸，還需要科學家們和人類的努力。
四、實現方法
人工智慧在計算機上實現時有 2 種不同的方式。一種是採用傳統的程式設計技術，使系統呈現智慧的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（ENGINEERING APPROACH），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。遺傳演算法（GENERIC ALGORITHM，簡稱 GA）和人工神經網路（ARTIFICIAL NEURAL NETWORK，簡稱 ANN）均屬後一型別。遺傳演算法模擬人類或生物的遺傳 - 進化機制，人工神經網路則是模擬人類或動物大腦中神經細胞的活動方式。
為了得到相同智慧效果，兩種方式通常都可使用。採用前一種方法，需要人工詳細規定程式邏輯，如果遊戲簡單，還是方便的。如果遊戲複雜，角色數量和活動空間增加，相應的邏輯就會很複雜（按指數式增長），人工程式設計就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程式，重新編譯、除錯，最後為使用者提供一個新的版本或提供一個新補丁，非常麻煩。
採用後一種方法時，程式設計者要為每一角色設計一個智慧系統（一個模組）來進行控制，這個智慧系統（模組）開始什麼也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種複雜情況。這種系統開始也常犯錯誤，但它能吸取教訓，下一次執行時就可能改正，至少不會永遠錯下去，用不到釋出新版本或打補丁。利用這種方法來實現人工智慧，要求程式設計者具有生物學的思考方法，入門難度大一點。
但一旦入了門，就可得到廣泛應用。由於這種方法程式設計時無須對角色的活動規律做詳細規定，應用於複雜問題，通常會比前一種方法更省力。
過去十年來，人們廣泛討論如何將人工智慧（AI）引入計算領域，並允許機器從經驗中學習，做出類似人類的決策，從而幾乎改變我們經濟的每一個環節。人工智慧項技術多應用在幫助企業自動化日常任務，透過分析客戶的行為更好地瞭解他們的客戶，降低運營成本，以及在不同行業個性化服務產品，無論是金融銀行，還是交通運輸、安防保衛、醫療健康等領域，都逐漸展現出 AI 獨特的優勢。
人工智慧技術發展的步伐不會止步，當層出不窮的新演算法、新程式碼出現時，新產品市場的機會大大增加了，而面臨的非授權使用和惡意篡改風險無疑也隨之增長，數字版權的保護任重道遠。
