1956 年，John McCarthy（1927~2011）在達特茅斯會議上提出了“人工智能 (artificial intelligence，AI）”一詞。他將人工智能定義為：

“制造智能機器的科學與工程。”

The science and engineering of making intelligent machines.

人工智能也可定義為能夠執行需要人類智能的任務的計算機系統的開發，如制定決策、檢測對象、解決復雜問題等等。

很多文章都認為，強人工智能（Artificial General Intelligence）、弱人工智能（Artificial Narrow Intelligence）以及超人工智能（Artificial Super Intelligence）是不同類型的人工智能。其實更確切地說，它們是人工智能的三個階段。

弱人工智能，又稱為狹義人工智能。在這一階段，機器并不具備任何思維能力，只是執行一組預定義的功能，如語音識別、圖像識別等，是擅長單個方面的人工智能，類似高級仿生學。它們只為解決某一特定具體的任務而存在，大多是統計數據，從中歸納出模型。比如，AlphaGo 只會下圍棋，并不能執行其他任務。

弱人工智能的例子包括 Siri、Alexa、自動駕駛汽車、AlphaGo、人形機器人 Sophia 等。到目前為止，幾乎所有基于人工智能的系統都屬于弱人工智能。

強人工智能，又稱為通用人工智能。不同于弱人工智能，強人工智能可以像人類一樣應對不同層面的問題，而不僅僅只是執行一組預定義的功能。不僅如此，強人工智能還具有自我學習、理解復雜理念等多種能力。也正如此，強人工智能的開發比弱人工智能要困難得多。事實上，人工智能國際主流學界所持的目標也僅局限于弱人工智能。目前很少有人進行強人工智能的研究，也尚未形成相應的成果。

強人工智能還被許多科學家視為對人類生存的威脅， Stephen Hawking 警告稱：

“完全人工智能（Full Artificial Intelligence）的發展可能意味著人類文明的終結……人工智能一旦脫離束縛，會不斷加速重新設計自身。而人類由于受到生物進化的時間限制，無法與之競爭，很可能會被取代。”

當弱人工智能已經大部分實現，強人工智能正在通過深度學習不斷逼近之時，超人工智能的概念呼之欲出。在這一階段，計算機的能力將超越人類。目前，強人工能智能是電影和科幻小說中描述的一種假想情景：機器已經接管世界。

“人工智能（我指的不是狹義的人工智能）的發展速度快得令人難以置信。除非你能夠直接接觸到 DeepMind 這樣的組織，否則你根本不會知道人工智能的增長速度有多快——它正以接近指數級的速度增長。在五年內（最多十年）將存在發生危險事件的風險。"

——Elon Musk

當有人讓你解釋不同類型的人工智能系統時，你必須根據它們的功能進行分類。密歇根州立大學 Arend Hintze 將人工智能分為以下幾種類型：單一反應型、有限記憶型、具有心智型以及自我意識型。

這種類型的人工智能是最基本的人工智能系統，它僅基于當前數據運行的機器，只考慮當前情況。也就是說，反應型機器只能進行反應，它既沒有記憶能力，也無法利用過去的經驗來制定現在的決策。

反應型機器的一個典型例子就是著名的 IBM 國際象棋程序 Deep Blue)。1997 年 5 月，它以 3.5:2.5 的戰績擊敗了世界冠軍 Garry Kasparov，成為首個在標準比賽時限內擊敗國際象棋世界冠軍的計算機系統。

Deep Blue 看似擁有人的智慧，實際上，它只關注棋盤上的現狀，并在可能的走法中作出決策。除了遵守重復棋局不能連續出現三次的規定外，和經驗豐富的人類不同，它對過去并沒有任何概念。

目前的人工智能，要么對世界沒有概念，要么只對其執行的特定任務有極其有限、具體的概念。Deep Blue 的創新之處在于，它放棄了拓寬計算機可能考慮的棋路范圍的這種思路。相反，開發人員找到了一種方法，讓它縮小自己的“視角”，根據它對某些走法的結果進行評估，停止追求一些可能的走法。類似地，AlphaGo 也無法評估所有的走法，但它采用了比 Deep Blue 更為復雜的方法：使用神經網絡來評估棋局的走勢。

這種類型的人工智能無法在專業領域之外發揮作用，而且容易被愚弄。它們無法通過交互的方式成為世界的組成部分。很顯然，它們只是最基本的人工智能系統，并不符合我們對人工智能系統的未來預期，即能夠與人類展開真正的互動，甚至對周圍的環境作出真實的反應。

有限的記憶，顧名思義，指人工智能可以通過研究以往的數據作出明智的決策。這種類型的人工智能具有短暫或臨時的記憶，可以用來存儲過去的經驗并評估未來的行為。

自動駕駛汽車就是這種類型的人工智能，它利用最近收集的數據作出即時決定。例如，使用傳感器識別過馬路的行人、陡峭的道路以及交通信號等，從而作出更好的駕駛決策，這有助于防止交通事故的發生。

然而，自動駕駛汽車的歷史信息存在的時間很短暫，無法像經驗豐富的人類駕駛員那樣將其存儲在“經驗庫”中。這種類型的人工智能，并不能構建全面的“表現”（representations），它并不能記住自己的經驗，并學會如何應對新的情況。

心智理論，心理學術語，是人類能夠理解自身及周圍人的心理狀態的能力。這一理論來源于哲學，進入心理學領域后，慢慢成為認知心理學與神經心理學的研究重心之一。心智理論是人類社會形成的關鍵，通過這一理論，人們可以更好地理解社交、互動的內在動力。試想，如果人類不能理解彼此的動機和意圖，那么，相互間的溝通、合作就會變得異常困難，甚至毫無可能。

這種類型的人工智能較前兩種更為先進，它在心理學中扮演著重要的角色，主要體現在對機器“情商”的開發上。

如果人工智能系統真的能夠與人類并肩行走，它們就必須能夠明白，每個人都有思想和感受，理解人類預期，并由此調整自身行為，這正是我們目前的人工智能與未來的人工智能之間的重要差異。

這是人工智能發展的最后一步：構建一套能夠形成自我表征的系統。像 Elon Musk 和 Stephen Hawkings 這樣的天才一直警告我們警惕人工智能的進化。讓我們祈禱，我們永遠不會達到這種人工智能的狀態。因為，在這種狀態下，機器將擁有自己的意識，它能夠意識到自我，知道自己的內部狀態，還可以預測他人的感受。當前，具有自我意識的人工智能離我們還有很遠的距離。然而在未來，到達超人工智能的階段仍存在可能。

人工智能可以通過以下技術解決現實問題：

1. 機器學習

2. 深度學習

3. 自然語言處理

4. 機器人

5. 模糊邏輯

6. 專家系統

機器學習 是一門借助機器解釋、處理和分析數據以解決實際問題的科學。它的根源可以追溯到 1952 年就職于 IBM 的 Arthur Samuel（被譽為“機器學習之父”）設計的一款西洋跳棋程序。機器學習有三種類型，分別為監督式學習、無監督式學習和強化學習。

毫無疑問，機器學習有助于人類克服知識和常識方面的瓶頸，而我們認為這些瓶頸會阻礙人類水平的人工智能的發展，因此許多人將機器學習視為人工智能的夢想。

深度學習 是在高維數據上實現神經網絡以獲得洞察力并形成解決方案的過程。深度學習是機器學習的一個高級領域，可以用于解決更高級的問題，它是 Facebook、自動駕駛汽車、Siri、ALexa 等虛擬助手人臉認證算法背后的邏輯。

自然語言處理 是一門從人類自然語言中提取洞察力，以便與機器交流并發展業務的科學。它也是人工智能中最古老、研究最多、要求最高的領域之一。開發智能系統的任何嘗試，最終似乎都要解決一個問題，即使用何種形式的標準進行交流。例如，比起使用圖形系統或基于數據系統的交流，語言交流通常是首選。

20 世紀四五十年代，人們使用有限自動機、形式語法和概率建立了自然語言理解的基礎。但是，20 世紀五六十年代，早期使用機器翻譯語言的嘗試被實踐證明是徒勞無功的。20 世紀 70 年代，當時的潮流趨于使用符號方法和隨機方法。進入 21 世紀后，隨著機器學習的興起，自然語言處理迎來新的突破，并推動了隨機過程、機器學習、信息提取和問答等現有方法的應用。比如，Twitter 使用自然語言處理技術來過濾推文中的恐怖主義的語言，Amazon 使用自然語言處理了解客戶評論并改善用戶體驗。

人工智能機器人是在現實環境中行動的人工智能體，通過采取負責任的行動來產生結果。這一領域在計算幾何和視覺方面與人工智能密切相關。目前，在機器人技術中，特別是嵌入式系統中，我們可以看到人工智能的許多體現，包括搜索算法、邏輯、專家系統、模糊邏輯、機器學習、神經網絡、遺傳算法、規劃甚至博弈等。人形機器人 Sophia 就是機器人技術中人工智能的一個典例。

模糊邏輯是一種基于“真實度”原則的計算方法，而非通常意義上的現代計算機邏輯，即布爾邏輯。換言之，我們所得到的結果往往并非非黑即白、非正即負，而是“在一定程度上”的結果。比如，機器人在實現目標的路徑上可能會遇到阻礙，而機器人卻必須堅持實現目標。換句話說，機器人的世界不僅是離散的，它也取決于某些 “自由度”，某些屬性具有不同程度的變化，而不只是產生“開”或“關”、“是”或“否”的結果。

模糊理論由 Lotfi Zadeh（1921~）于 1965 年提出，Zadeh 最初并沒有想到模糊邏輯可以用于工程師的工業過程以控制和“智能”消費產品。后來，Mark Hopkins 在多個領域發現了模糊邏輯的應用，包括經濟、農業、航天、核科學、生物醫學等等。實際上，模糊邏輯目前已經實現了廣泛的應用。

專家系統是一個智能計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。也就是說，專家系統是一個具有大量的專門知識與經驗的程序系統，它應用人工智能技術和計算機技術，根據某領域一個或多個專家提供的知識和經驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題，簡而言之，專家系統是一種模擬人類專家解決領域問題的計算機程序系統。20 多年來，知識工程的研究，專家系統的理論和技術不斷發展，應用滲透到幾乎各個領域，包括化學、數學、物理、生物、醫學、農業、氣象、地質勘探、軍事、工程技術、法律、商業、空間技術、自動控制、計算機設計和制造等眾多領域，開發了幾千個的專家系統，其中不少在功能上已達到，甚至超過同領域中人類專家的水平，并在實際應用中產生了巨大的經濟效益。

專家系統使用 if-then 邏輯符號來解決復雜問題。它們不依賴于傳統的程序編程。專家系統通常由人機交互界面、知識庫、推理機、解釋器、綜合數據庫、知識獲取等 6 個部分構成。其中尤以知識庫與推理機相互分離而別具特色。專家系統的體系結構隨專家系統的類型、功能和規模的不同，而有所差異。專家系統的基本工作流程是，用戶通過人機界面回答系統的提問，推理機將用戶輸入的信息與知識庫中各個規則的條件進行匹配，并把被匹配規則的結論存放到綜合數據庫中。最后，專家系統將得出最終結論呈現給用戶。

相關文章：

https://dzone.com/articles/types-of-artificial-intelligence-you-should-know

https://www.livescience.com/56858-4-types-artificial-intelligence.html


原文鏈接：https://www.infoq.cn/article/ogeMu2FBaU5UO5j_Gphb

繼續閱讀：

未經允許不得轉載：RPA中國 | RPA全球生態 | 數字化勞動力 | RPA新聞 | 推動中國RPA生態發展 | 流 > 未來人類將被AI取代？一文讀懂人工智能類型與發展階段