本文是“人工智能与设计”系列文章中的第一篇，现在重点关注人工智能的基础知识，享受〜

今年年初，由于个人兴趣，我开始研究人工智能。为了更好地理解人工智能与设计之间的关系，我开始学习机器学习，深度学习和Alexa开发。从一开始，我觉得人工智能只能让大多数设计师失业。现在我认为人工智能只是一种设计辅助工具。这也是很大的增长。

这次我希望将积累的知识写入电子书。没有别的，因为有太多的话，更重要的是，它太酷了。写作时间可能太长，互联网每天都在变化，一些更高级的思维可能会变成现实，所以前四章是一个接一个地发布的。

前四章主要讨论人工智能的基本知识，基础设计，互联网产品的设计，以及人工智能与设计之间的关系。第3章至第4章将详细分析人工智能对不同行业设计的影响。目前的考虑因素是室内设计，公共设计和服务设计。

人工智能的历史

说到人工智能这个术语，我不得不提到人工智能的历史。人工智能的概念主要由Alan Turing提出：机器是否在思考？如果机器可以与人类交谈而无法识别其机器的身份，则该机器具有智能功能。同年，艾伦·图灵还预测，创造具有真实情报的机器有一定的可能性。

说明：阿兰图灵（1912.6.23-1954.6.7）协助英国军队破解着名的德国密码系统Enigma，帮助盟军赢得第二次世界大战。由于提出的判断机器是否智能的测试方法，图灵测试，它被称为计算机之父和人工智能之父。

人工智能诞生了

1956年，在达特茅斯学院举行的一次会议上，不同领域（数学，心理学，工程学，经济学和政治学）的科学家正式建立了人工智能作为研究学科。

2006年达特茅斯会议重聚，从左至右：Trenchard More，John McCarthy，Marvin Minsky，Oliver Selfridge，Ray Solomonoff

第一次发展高潮（1955年— 1974年）

在达特茅斯会议之后是伟大发现的时代。对于许多人来说，在这个阶段开发的程序是神奇的：计算机可以解决代数应用问题，证明几何定理，学习和使用英语。在许多研究中，基于搜索的推理，自然语言和微观世界是当时最具影响力的。

大量成功的人工智能计划和新的研究方向不断涌现。研究人员认为，具有完整智能的机器将在20年内出现并给出以下预测：

1958年，H。A. Simon，Allen Newell：“十年后，数字计算机将成为国际象棋的世界冠军。 ” “十年内，数字计算机将发现并证明一个重要的数学定理。 ”的

1965年，H。A. Simon说：“20年后，该机器将能够完成人们可以做的一切。 ”的

1967年，马文明斯基：“在生成……创造”人工智能“问题将得到实质性解决。 ”的

1970年，Marvin Minsky说：“在三到八年内，我们将获得一台具有普通人类智能的机器。”

美国政府在这个新兴领域投入了大量资金，每年在麻省理工学院，卡内基梅隆大学，爱丁堡大学和斯坦福大学的四个研究机构投入数百万美元，并允许研究学者做任何有趣的事情。方向。

当时的主要成就：

人工神经网络在30年代和50年代提出，Marvin Minsky在1951年创建了第一台神经网络机器

提出了Bellman公式（增强型学习原型）

提出了Perceptron（深度学习原型）

提出了基于搜索的推理

提出了自然语言

人工智能第一次具有模仿智能，知道如何使用语言，知道如何形成抽象概念和解决现有人类问题的特点。

亚瑟·塞缪尔在20世纪50年代中期和60年代初期开发的国际象棋项目已经能够以相当高的水平挑战业余爱好者

机器人SHAKEY项目得到了大力推广，它可以“相信”它的行为;人们认为它是世界上第一个通用机器人

微观世界的介绍

第一个冬天（1974年 - 1980年）

在20世纪70年代早期，AI遇到了瓶颈。研究人员逐渐发现虽然机器具有简单的逻辑推理能力，但遇到了当时无法克服的根本障碍，人工智能仍然处于“玩具”阶段，但它远非完全智能化被预测了。由于先前的乐观情绪使人们看起来太高，当人工智能研究人员的承诺无法实现时，公众开始激烈地批评人工智能研究人员，许多组织继续减少人工智能研究的资金，直到资金停止。

当时的主要问题是：

计算机计算能力遇到瓶颈，无法解决指数爆炸的复杂计算问题

常识和推理需要大量关于世界的信息，而计算机并没有达到“理解”和“理解”的程度

无法解决莫拉维克的悖论

无法解决涉及自动计划的一些逻辑问题

神经网络研究学者遇到冷点

说明：莫拉维克的悖论：如果一台机器像数学天才那样下棋，那么模仿婴儿学习有多难？但事实证明这很困难。

第二次发展高潮（1980— 1987）

20世纪80年代初，世界各地的公司采用了名为“专家系统”的人工智能项目，人工智能研究迎来了新一轮的高潮。在此期间，卡内基梅隆大学为DEC设计的XCON专家系统每年可节省数百万美元。经济产业省拨款8.5亿美元用于支持第五代计算机项目。我们的目标是创造能够与人交谈，翻译语言，解读图像和人类理性的机器。其他国家已经回应并为人工智能和信息技术的大型项目提供了大量资金。

描述：专家系统是一种程序，它根据从专业知识中获得的一组逻辑规则来回答或解决特定区域中的问题。由于专家系统仅限于小领域，因此避免了常识问题。 “知识处理”已成为主流人工智能研究的焦点。

当时的主要成就：

专家系统的诞生

人工智能研究人员发现，智能可能需要建立在多种排序大量知识的方法上

BP算法实现了神经网络训练的突破，神经网络研究学者得到了新的关注

人工智能研究人员首次提出，为了获得真正的智能，机器必须拥有一个需要具有感知，移动，生存和与世界互动的能力的机构。感知运动技能对于常识推理等高级技能至关重要，理解事物的能力比抽象能力更重要，这也促进了未来自然语言和机器视觉的发展。

第二个冬天（1987年— 1993年）

1987年，人工智能硬件的市场需求突然下降。科学家们发现，尽管专家系统很有用，但它们的应用领域太窄，而且更新迭代和维护的成本非常高。在同一时期，Apple和I​​BM在美国生产的台式机的性能持续提升，个人电脑的概念继续普及;日本制定的“五代工程”没有实现。人工智能研究再次遇到财务困难，5亿美元的行业在一夜之间崩溃。

当时的主要问题是：

受桌面和“个人电脑”概念的影响

商业组织对人工智能的追求和忽视已经将人工智能变成了泡沫破裂。

计算机性能瓶颈仍然无法打破

仍然缺乏海量数据培训机器

第三次发展高潮（1993年至今）

根据摩尔定律，计算机性能将继续突破。云计算，大数据，机器学习，自然语言和机器视觉等领域发展迅速，人工智能迎来了第三个高潮。

摩尔定律始于戈登摩尔在1965年的一次预测，当时他看到了英特尔公司生产的几种芯片，并认为晶体管的数量可以在18到24个月内减少一半，并且这个数字可能翻倍。能力可以加倍。我没想到会有这么简单的预言成真。在接下来的几十年里，我一直在这个节奏上前进，并成为摩尔定律。

主赛事：

1997年：IBM的国际象棋机器人深蓝色国际象棋世界冠军卡斯帕罗夫

2005年：由斯坦福大学开发的机器人在沙漠小道上成功航行131英里并赢得了DARPA挑战赛;

2006年：Geoffrey Hinton提出了一种用于多层神经网络的深度学习算法; Eric Sc​​hmidt在搜索引擎大会上发表了“云计算”报告。概念

2010年：由Sebastian Thrun领导的谷歌无人驾驶汽车的曝光，创造了超过160,000公里的无事故记录

2011年：IBM Waston参与了益智游戏《危险边缘》，击败了最高奖得主Brad Rutter和连胜持有人Ken Jennings; Apple发布了语音个人助理Siri; Nest Lab发布了第一代智能恒温器Nest。它可以了解用户的习惯并相应地自动调节温度

2012年：Google发布个人助理Google Now

2013年：深度学习算法在语音和视觉识别率方面取得突破

2014年：微软亚洲研究院发布人工智能小冰聊天机器人和语音助手Cortana;百度发布Deep Speech语音识别系统

2015年：Facebook发布了基于文本的AI助手“M”

2016年：谷歌AlphaGo以4: 1的成绩击败九段球员李世石; Chatbots的概念开始流行;谷歌发布了针对机器学习定制的第一代专用芯片TPU;谷歌发布了语音助手助手

2017年：AlphaGO在Go在线战斗平台上以60连胜的成绩击败世界顶级球员;谷歌的开源深度学习系统Tensorflow 1.0正式发布; Google AlphaGo以3: 0的分数赢得了世界上第一个Go九段播放器Ke Jie;沉默地沉浸在机器学习中Apple和机器视觉在WWDC上发布了Core ML，ARKit和其他组件;谷歌发布了ARCore SDK;百度AI开发者大会正式发布Dueros语音系统，无人驾驶平台Apollo 1.0自动驾驶平台;华为发布全球首款AI移动芯片Kirin 970; iPhone X配备前置3D感应式摄像头（TrueDepth），人脸识别点达到3W，具有人脸识别，解锁和支付功能;配备A11仿生神经引擎采用双核设计，每秒实现600亿次操作

许多专家学者都肯定了这波人工智能，并认为这波人工智能可以引发第四次工业革命。人工智能开始渗透到保险，金融等领域，未来，医疗保健，运输，销售，金融服务，媒体娱乐，制造业，能源，石油，农业，政府和社会; …所有垂直行业都将归功于人工智能技术的发展，我们现在谈论的人工智能是什么？

什么是人工智能？

在20世纪60年代，AI研究人员认为人工智能是一种通用机器人。它具有模仿智能的特点，知道如何使用语言，知道如何形成抽象概念，并能够推理自己的行为。它可以解决现有的人类问题。由于思想，技术和数据的限制，人工智能在模式识别，信息表示，问题解决和自然语言处理等不同领域的发展缓慢。

在20世纪80年代，人工智能研究人员改变了方向，并认为人工智能推理事物的能力比抽象能力更重要。为了获得真正的智慧，机器必须具有需要感知，移动，生存和与世界互动的身体。为了积累更多的推理技能，AI研究人员开发了专家系统，可以根据一系列源自专业知识的逻辑规则来回答或解决特定领域的问题。

1997年，IBM的超级计算机Deep Blue在国际象棋领域击败了整个人类代表卡斯帕罗夫。 20年后，谷歌的AlphaGo在Go领域击败了整个人类代表科杰。划时代的事件使大多数人工智能研究人员相信人工智能时代已经到来。

也许每个人都认为国际象棋和围棋之间没有区别。事实上，两者的难度并不是同一水平。尽管国际象棋移动有很多种可能性，但是棋盘的大小和每个棋子的规则都极大地限制了获胜的可能性。深蓝色可以通过蛮力看到所有可能性，只有一台计算机基本上可以得到它。与国际象棋相比，Go是非常不同的。 Go布局的可能性可能超过宇宙中原子的数量。数十台计算机的计算能力尚不确定。因此，Go很难获胜，包括Go和人工智能方面的专家。断言：计算机必须击败Go领域的人类玩家，再等100年。结果，机器确实做到了，并且据说AlphaGo的强度超过十个段落（目前的国际象棋选手最多可达9个）。

那么Deep Blue和AlphaGo有什么区别？简单地说，深蓝色代码由研究人员编程，研究人员也教授知识和经验，因此可以认为对卡斯帕罗夫的深蓝色背后是人性。只是它比人类更强大，而且错误更少。 AlphaGo的代码是自我更新，知识和经验是自我训练。与深蓝色不同，AlphaGo有两个大脑，一个负责预测跌落的最佳概率，整个情况由两个大脑判断。它可以确定接下来几步的胜率。 。因此，AlphaGo对抗柯杰的背后是一个人工智能系统，经过大量训练超过100,000个磁盘后具有独立学习能力。

在这个时候，社会上出现了不同的声音：“人工智能将思考和解决所有问题”，“人工智能将占据人类的大部分工作！”“人工智能会取代人类吗？”到达的人工智能是什么？ ？

人工智能目前有两种定义，即强大的人工智能和弱人工智能。

普通人认为的人工智能是一种强大的人工智能。它属于通用机器人，这是人工智能研究人员在20世纪60年代提出的想法。它可以像人类一样感知并与世界互动，通过自我学习记忆，推理和解决各个领域的问题。如此强大的人工智能需要以下功能：

在使用不确定因素，使用策略，解决问题和制定决策能力时的推理

表达知识的能力，包括表达常识知识的能力

规划能力

学习能力

能够使用自然语言进行交流

能够集成这些功能以实现既定目标

说明：上述结论来自李开复的书《人工智能》。

这些能力在普通人眼中很简单，因为他们都是附身;但由于技术限制，计算机很难具备上述功能，这就是为什么人工智能在这个阶段很难达到普通思维的水平。

由于技术不成熟，现阶段的人工智能属于弱人工智能，并没有达到公众所认为的强大的人工智能。弱人工智能，也称为限制域人工智能或应用人工智能，是指专注于并且只能解决特定领域问题的人工智能，如AlphaGo，其自身的数学模型只能解决Go领域的问题，可以说它是一个非常小的领域问题的专家系统，很难扩展到更广泛的知识领域，例如如何通过国际象棋来表达一个人的性格和灵魂。

弱人工智能与强大的人工智能之间存在巨大差距。为了进一步发展弱人工智能，它必须具备以下能力：

跨域推理

有抽象能力

“知道它，但也知道它为什么&ndd;

有常识

有审美能力

有自我意识和情感

说明：上述结论来自李开复的书《人工智能》。

在计算机概念中，人工智能用于处理管理决策中的不确定性和不确定性。这意味着通过一些不确定的数据输入做出一些不确定从目前的技术实现来看，人工智能是深度学习的。它是Geoffrey Hinton在2006年提出的一种机器学习算法，它使该程序具备学习和进化的能力。

什么是机器学习和深度学习？

机器学习只是通过数学模型从大量数据挖掘有用数据和关系的问题。机器学习建模使用以下四种方法：

监督学习与数学中的功能有关。它要求研究学者不断标记数据，以提高模型的准确性，挖掘出数据之间的关系并给出结果。

无监督学习与现实生活描述有关（例如哪些动物有四条腿）。它可以从原始数据中提取模式和结构而无需额外的信息，并且与需要标签的监督学习相对立。

半监督学习，可以理解为监督学习和半监督学习的结合。

加强学习，这可能意味着通过联想决定下一步该做什么，并比较接下来几步的好处。

目前，机器学习主导有监督学习。

深度学习是机器学习的一个分支。它能够通过多层神经网络自我优化自己的模型，并使用上述四种方法来发现更高质量的数据和连接。

目前的AlphaGo使用深度学习算法来击败人类世界冠军，更重要的是，深度学习促进了人工智能等其他领域的发展，如自然语言和机器视觉。目前人工智能的发展依赖于深度学习，这句话没有问题。

人工智能基本功能

在我们理解人工智能的基础知识之前，让我们先谈谈最底层的事情——数据。有两种类型的计算机数据，结构化数据和非结构化数据。结构化数据是指具有预定义数据模型的数据。其实质是标记和构建所有数据。确定标签后，可以读出数据。该方法易于被计算机理解。非结构化数据是指数据结构不规则或不完整且没有预定义数据模型的数据。非结构化数据格式是多种多样的，包括图像，音频，视频，文本，网页等，这些格式比结构化信息更难以标准化和理解。

音频，图片，文本和视频可以传输来自世界各地的信息。人类对理解这些内容没有任何困难。对于只了解结构化数据的计算机，理解这些非结构化内容比去天堂更好。它仍然很难，这就是人们很难与计算机通信的原因。

世界上80％的数据都是非结构化数据。人工智能想要理解和理解，并且必须分解非结构化数据。学者们借助深度学习在这一领域取得了突破性成就，为其他各种人工智能能力奠定了基础。

如果人工智能就像一个人，那么人工智能应该具备记忆思维，输入视觉，听觉，嗅觉，味觉和触觉等技能的能力，以及语言交流，身体活动等输出能力。上述术语的相应能力是：深度学习，知识地图，移民学习，自然语言处理，机器视觉，语音识别，语音合成（触觉，嗅觉，品味，技术研究没有商业成果，体育活动更多机器人）域名，文章中没有太多内容）

简而言之，知识地图就是一张地图。它从不同来源收集信息并进行组织。每个信息都是一个节点。当信息之间存在关系时，相关节点将建立联系，并且许多信息节点逐渐形成图形。知识地图有助于存储信息，更重要的是，有助于存储搜索信息的速度和质量。

迁移学习将学习的模型参数迁移到新模型，以帮助新模型训练数据集。由于大多数区域没有足够的数据用于模型培训，因此迁移学习可以将大数据模型迁移到小数据，从而实现个性化迁移，例如人类思维中使用的类比推理。迁移学习有助于人工智能获取更多知识。

自然语言处理是一门集语言学，计算机科学和数学于一体的学科。它是人工智能耳语识别和口语合成的基础。计算机能否理解人类思想必须首先理解自然语言，其次，要有广泛的知识和使用它的能力。自然语言处理的主要类别非常广泛，包括语音合成，语音识别，句子分词，词性标注，语法分析，句子分析，机器翻译，自动摘要等，问答系统等等。上。

机器视觉通过相机和计算机而不是人眼识别，跟踪和测量目标，并进一步处理图像。这是研究如何使机器“理解”技术的最重要的输入方法之一。如何使用摄像头实现对外部情况的实时准确识别是人工智能的瓶颈之一。深度学习在这方面帮助很大。今天流行的人脸识别，无人驾驶和其他技术依赖于机器视觉技术。

语音识别的目的是将人类语音内容转换为相应的文本。机器是否可以与人性交流的前提是机器可以理解人类在说什么。语音识别也是人工智能最重要的输入方法之一。由于不同地区有不同的方言和口音，这对语音识别来说是一个巨大的挑战。目前，百度，科达迅飞等普通话语音识别技术的准确率已达到97％，但方言准确率有待提高。

目前，大多数语音合成技术都是由数据库中的许多录音语音连接起来的，但由于对语境和情感表达缺乏了解，阅读效果很差。现在百度和科达迅飞等公司在语音合成方面取得了新的成就：16年3月，百度语音合成了张国荣的语音和粉丝互动; 3月17日，奔邦科技利用科达迅飞的语音合成技术成功帮助小米手机。用“黑技术”实施营销活动H5。他们的主要技巧是提取张国荣和马东语音数据的声纹和语音特征，然后通过自然语言处理来表达内容的情感。合成语音就像你说话中的人。新的语音合成技术不再受数据库中语言和情感表达的限制。

经过多年的人工智能研究，人工智能的主要发展方向分为：计算智能，感知智能和认知智能。这种观点也得到了业界的广泛认可。

计算智能从生物进化的角度识别和模拟智能。一些学者认为，智力是由遗传，变异，生物体的生长和外部环境的自然选择产生的。在使用撤退和适者生存的过程中，保留了具有高适应性的（思维）结构，并且也提高了智力水平。该机器利用自然的启示来设计结构演化和自适应学习的智能。计算智能算法主要包括三部分：神经计算，模糊计算和进化计算。神经网络和遗传算法的出现极大地提高了机器的计算能力，并且可以更有效，更快速地处理大量数据。计算智能是人工智能的基础，AlphaGo是计算智能的代表。

感知智能帮助机器具有视觉，听觉，触觉和其他感官能力，使机器能够理解我们的语言并理解世界。与人类感知相比，机器可以通过传感器获得更多信息，例如温度传感器，湿度传感器，红外雷达，激光雷达等。感知智能也是人工智能的基础。机器人和自动驾驶车辆是智能感知的代表。

认知智能是指机器积极思考和理解的能力。它可以实现自学，无需人类事先编程，有目的的推理和与人类的自然互动。人类有语言，只有概念和推理，因此概念，意识和概念都是人类认知智能的表现。探索机器以实现这些功能还有很长的路要走。

在认知智能的帮助下，人工智能通过发现世界的有用信息和历史上海数量，不断优化其决策能力，并洞察信息之间的关系，从而具备协助人类做出决策的专业水平。认知智能将加强人与人工智能之间的互动，这是基于每个人的偏好。认知智能通过收集的数据（如地理位置，浏览历史记录，可穿戴设备数据和医疗记录）为不同的个人创建不同的方案。认知系统还根据当前场景以及人与机器之间的关系，使用不同的情绪和情绪进行交流。

如果认知智能可以按照设想实施，那么底层平台必须足够广泛且灵活，以便应用于所有领域甚至跨域。因此，开发人员需要从全球角度构建这个强大的底层平台。它应该包括机器学习，自然语言处理，语音和图像识别以及人机交互等技术，以促进上层应用程序开发人员的开发和使用。

下一篇文章将从设计底层平台的角度解释个人思维。

阅读材料：

1.人工智能的历史

https://zh.wikipedia.org/wiki/人工智能历史

艾伦图灵

https://zh.wikipedia.org/wiki/Allen·图灵

60年前达特茅斯会议和大众科学AI的AI

https://tech.163.com/16/0313/12/BI1P1CLI00094P0U.html

2.人工神经网络

https://baike.baidu.com/item/artificial neural network

3.深度学习

https://baike.baidu.com/item/depth learning

4.自然语言

https://baike.baidu.com/item/natural language

5，TensorFlow

https://baike.baidu.com/link?url=dO_lFqvg6FQLYVaQKcwnlol1noc-EgdfIGbG6pQUo481iBQQkXSC8ZtFdAZ7II2SXyvG-mrTu34UuRFGdb0xvu2gmiZL02Sm6X4zOKiJrJ _

6，知识地图

https://www.jiqizhixin.com/articles/2017-03-20

7，《人工智能》 - 李开复，王伟刚

https://item.jd.com/12169266.html

8，小米《奇葩说》花式广告大赛

http://w.benbun.com/xiaomi/koubo/?state=d81c977eeb74e8d8783dc94e39fe1972&code=1abbb176039771a76583804409fb3354

以上是第一章的内容。

« Baiduseo |快速阅读《百度移动搜索建站优化白皮书》 | 综合评估系统启动项目的建立：ePower，Yunyou CMS，微加互连，微企业点 »