六十多年来，机械程序已经复制了许多我们过去认为是人类独有的才能和行为，我们被迫不断地改变那些区分我们人类与它们之间的界限。最近的人工智能的发展更是给我们提出令人恐慌的挑战。Tesla的老板Elon Musk声称自动驾驶汽车会表现非凡，以至于人类驾驶将被禁止。现在我们从事的工作，不断地被机器人取代，或自动化，十年后，还有多少工作留给我们和我们的子女？              

有人说，医生的工作不是容易取代的，另一个预言就是，当今天的新生儿成人之时，他们就不需要找医生诊断疾病了，因为IBM的Watson智能，虽然还没有直接为患者服务，已开始为医院和医生提供服务。

那就做些人文和艺术吧？也没那么简单，几年前，在德州，奥斯丁的Southwest Festival上，IBM就让它的Watson根据各种营养，风格，味道，成分，和现成菜谱而设计出新的大受欢迎的菜谱。而这盘菜不大可能由人类自己想出来，真是充满异域风情。 这类智慧也被划分成为“外来”智慧（Alien Intelligence）。

不过也没有想象的这么可怕，我们还是有许多事情可做的，而且会做的更好。这也就给你一个理由，学点CS。

（二 ）是对手，更是助手

1997 年，IBM的“Deep Blue”打败了当时的世界冠军国际象棋大师Garry Kasparov。随后的几场人机大战，大多以机器棋手宣告胜利而结束。但是这个故事远远没有结束，可惜的是同样具有开拓意义的“人加机”的概念没有引起普罗大众同等的兴趣。Kasparov鼓吹和推广了这中借助了AI辅助手段的“半人马”（Centaur）棋手。在2014年的混合棋手冠军赛中，这种“半人马”棋手赢了53场，而纯AI棋手则赢了42场。在“Deep Blue”战胜人类冠军20年的今天，国际象棋的棋手并没有丧失信心或消失，更多的棋手在这些“聪慧”的棋类软件的陪伴下成长。如今的国际大师也是但年的两倍。

如果说AI能帮助人们成为更好的棋手，我们也有理由相信，它能帮助我们成为更好的飞行员，更好的医生，更好的法官，更好的老师。这也就给你又一个理由，学点CS。

（三） 两个领军人物

介绍两个为最近这轮AI发展作出突出贡献的人。一个是Geoffrey Everest Hinton（https://en.wikipedia.org/wiki/Geoffrey_Hinton），另一个就是吴恩达（Andrew Ng https://en.wikipedia.org/wiki/Andrew_Ng）。两人都是英国人。前者在英国出生，在英国受教育，后来到UCSD和CMU任教，现是加拿大多伦多大学的教授。后者在英国出生，在华人社会，香港，和新加坡接受中小学教育，从CMU，MIT，和UC Berkeley分别获得学士，硕士，和博士。

Hinton 教授在2012年的工作重新激活了神经网络的研究。MIT的Winston教授在OCW《人工智能》课中专门提到这一节。Hinton将多层神经网络用于图像识别，取得了激动人心的结果。这一技术被称为“Deep Learning”（深度学习）。而Hinton也被人称为深度学习的教父。

吴恩达很出名的工作是他在Google和百度所领导的AI研发，以及线上教育。他是Coursera（https://en.wikipedia.org/wiki/Coursera）的合伙创始人。这里所要说的是他与Stanford的团队在2009年发现GPU芯片可以进行神经网络的平行计算。尽管计算能力的发展是多方面的，多核CPU也在不断的进步，GPU却已普遍应用于AI计算。

有人总结三点来阐释当前AI的快速发展，上面提到的低价平行计算，和更有效的算法就是其中两个。第三个是大数据。单单围绕着深度学习的这三点，已经可以应用到数不清的领域，从医药，到网络服务，从自动驾驶汽车，到用于工厂生产的机器人。

深度学习是人工智能的一大突破，也是目前最火的。但它只是其中的一个节点。在这个节点上，人们还在不断的改进，不断的应用到新的领域。人们还在研究其他的方法，寻求解决更多的AI问题。与此同时，人们对人类智能的探索似乎还没有走多远。大量的工作需要去做。用智慧去研究智慧，并利用所获的成果，还是大有作为的。

（四） 人类智能与机器智能

做为一个人工智能学术中心CMU（Carnegie Mellon University，卡内基梅隆）则开始设立本科人工智能专业［1］［2］，系统化培养人工智能专门人才。

目前的深度学习［3］的工作集中于深度（多层）神经网络（Neural Networks）模型与算法上。这个发展多少受到经年视觉神经系统（Visual Cortex）探索的影响。另一个在行为心理学（Behavior Psychology）启发下发展起来的机器学习是强化学习（Reinforcement Learning）［4］。计算机模拟为脑神经系统的研究提供了有力的工具。神经科学（脑科学和认知科学）与机器智能的发展交互影响，加速两者的“乘积式”发展。

这正是MIT前不久发起的跨学科倡议“寻求智能”（Quest for Intelligence） 的双核（Core）［5］。这个探索是要回答两个问题：一是人的智慧，从工程的意义上，是怎样工作的？二是如何掌握智慧来制造出更有用，更好的机器，服务我们的社会？

（五） 商业智能（Business Intelligence）［6］［7］和统计分析［8］［9］

在这波人工智能热之前，伴随着网络经济的发展，商业智能曾经很是火热。商业智能（Business Intelligence，简称：BI），又称商业智慧或商务智能，指用现代数据仓库技术（Data Warehouse）、线上分析处理技术（OLAP， Online Analytical Processing）、数据挖掘（Data Mining）和数据展现（Data Representation and Display）技术进行数据分析（data analysis），企业绩效管理，决策预期分析，以实现商业价值。这一领域对数据和统计方法的应用发展了大数据和统计分析的计算机工具。这些工具被应用于AI领域，并进一步得到发展。

科技的发展大多是螺旋式推进的，每前进一步，似乎已抛开了过去和现今；每前进几步，似乎又回到从前，但是却已面目全改，似是而非，因为在过去的基础上，技术有了提升，认知层面更加深入，解决问题的领域更加开阔。

［1］https://www.cs.cmu.edu/bs-in-artificial-intelligence/curriculum

［2］http://www.360doc.com/content/18/0601/10/48906365_758702067.shtml

［3］https://en.wikipedia.org/wiki/Deep_learning

［4］https://en.wikipedia.org/wiki/Reinforcement_learning

［5］https://quest.mit.edu

［6］https://en.wikipedia.org/wiki/Business_intelligence

［7］https://baike.baidu.com/item/商业智能/406141?fr=aladdin

［8］https://en.wikipedia.org/wiki/Statistics

［9］https://en.wikipedia.org/wiki/Data_analysis