虽然大家听得多，但是大部分人并不了解AI，甚至存在一些误解。本文将不涉及任何技术细节，帮助所有人理解人工智能的本质。
很多人对人工智能都会存在一些误解：
大家之所以对人工智能存在很多误解，主要是因为大家只是看到一些人的言论，但是并不了解AI的基本原理，本文就帮助大家理解AI的基本原理，事物的本质往往并没有大家说的那么复杂。
我们用传统软件和人工智能进行比较，有了参照系就更容易理解一些。
传统软件是“if-then”的基本逻辑，人类通过自己的经验总结出一些有效的规则，然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界，因为所有规则都是人类制定的。
简单的说：传统软件是“基于规则”的，需要人为的设定条件，并且告诉计算机符合这个条件后该做什么。
这种逻辑在处理一些简单问题时非常好用，因为规则明确，结果都是可预期的，程序员就是软件的上帝。
但是现实生活中充满了各种各样的复杂问题，这些问题几乎不可能通过制定规则来解决，比如人脸识别通过规则来解决效果会很差。
人工智能
人工智能现在已经发展出很多不同分支，技术原理也多种多样，这里只介绍当下最火的深度学习。
深度学习的技术原理跟传统软件的逻辑完全不同：
机器从“特定的”大量数据中总结规律，归纳出某些“特定的知识”，然后将这种“知识”应用到现实场景中去解决实际问题。
这就是人工智能发展到现阶段的本质逻辑。而人工智能总结出来的知识并不是像传统软件一样，可以直观精确的表达出来。它更像人类学习到的知识一样，比较抽象，很难表达。
上面的说法还是比较抽象，下面通过几个方面来帮助大家彻底搞明白：
AI跟我们使用的锤子、汽车、电脑……都一样，其本质都是一种工具。
工具必须有人用才能发挥价值，如果他们独立存在是没有价值的，就想放在工具箱里的锤子一样，没有人挥舞它就没有任何价值。
人工智能这种工具之所以全社会都在说，是因为它大大扩展了传统软件的能力边界。之前有很多事情计算机是做不了的，但是现在人工智能可以做了。
归功于摩尔定律，计算机的能力呈指数级的上涨，只要是计算机能解参与的环节，生产力都得到了大幅提升，而人工智能让更多的环节可以搭上摩尔定律的快车，所以这种改变是意义非凡的。
但是不管怎么变，传统软件和人工智能都是工具，是为了解决实际问题而存在的。这点并没有变化。
实际情况是：现在的人工智还处在单一任务的阶段。
单一任务的模式。
多任务模式
这个阶段类似智能手机，在一台手机上可以安装很多App，做很多事情。
但是这些能力还是相互独立的，在旅行App上定好机票后，需要自己用闹钟App定闹钟，最后需要自己用打车App叫车。多任务模式只是单一任务模式的叠加，离人类智慧还差的很远。
融会贯通
你在跟朋友下围棋，你发现朋友的心情非常不好，你本来可以轻松获胜，但是你却故意输给了对方，还不停的夸赞对方，因为你不想让这个朋友变得更郁闷，更烦躁。
但是大名鼎鼎的AlphaGo绝对不会这么做。不管对方处在什么情况下，哪怕输了这盘棋会丧命，AlphaGo也会无情的赢了这场比赛，因为它除了下围棋啥都不会！
只有将所有的知识形成网状结构，才能做到融会贯通。例如：商业领域可以运用军事上的知识，经济学也可以用到生物学的知识。
当下的人工智能是从大量数据中总结归纳知识，这种粗暴的“归纳法”有一个很大的问题是：
并不关心为什么
庞氏骗局类的诈骗手段就充分利用了这一点！
当我们用逻辑来推导一下这个事情就能得出骗子的结论：
正是因为当下的人工智能是建立在“归纳逻辑”上的，所以也会犯很低级的错误
上图显示了在一张丛林猴子的照片中ps上一把吉他的效果。这导致深度网络将猴子误认为人类，同时将吉他误认为鸟，大概是因为它认为人类比猴子更可能携带吉他，而鸟类比吉他更可能出现在附近的丛林中。
也正是因为归纳逻辑，所以需要依赖大量的数据。数据越多，归纳出来的经验越具有普适性。
AI不是什么全新的东西，他已经发展了大几十年了！下面我们介绍一下最具代表性的3个发展阶段。
上图是从1950年至2017年之间，人工智能领域出现的一些里程碑式的事件。总结下来会分为3大阶段：
第一次浪潮（非智能对话机器人）
20世纪50年代到60年代
图灵测试提出没有几年，人们就看到了计算机通过图灵测试的“曙光”。
1966年，心理治疗机器人ELIZA诞生
那个年代的人对他评价很高，有些病人甚至喜欢跟机器人聊天。但是他的实现逻辑非常简单，就是一个有限的对话库，当病人说出某个关键词时，机器人就回复特定的话。
第一次浪潮并没有使用什么全新的技术，而是用一些技巧让计算机看上去像是真人，计算机本身并没有智能。
第二次浪潮（语音识别）
20世纪80年代到90年代
在第二次浪潮中，语音识别是最具代表性的几项突破之一。核心突破原因就是放弃了符号学派的思路，改为了统计思路解决实际问题。
在《人工智能》一书中，李开复详细介绍了这个过程，他也是参与其中的重要人物之一。
第二次浪潮最大的突破是改变了思路，摒弃了符号学派的思路，转而使用了统计学思路解决问题。
第三次浪潮（深度学习+大数据）
21世纪初
之所以第三次浪潮会来主要是2个条件已经成熟：
2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。
第三次浪潮来袭，主要是因为大数据和算力条件具备，这样深度学习可以发挥出巨大的威力，并且AI的表现已经超越人类，可以达到“可用”的阶段，而不只是科学研究。
人工智能3次浪潮的不同之处
在探寻AI的边界时，我们可以先简单粗暴的把AI分为3个级别：
弱人工智能
弱人工智能也称限制领域人工智能（NarrowAI）或应用型人工智能（AppliedAI），指的是专注于且只能解决特定领域问题的人工智能。
强人工智能
又称通用人工智能（ArtificialGeneralIntelligence）或完全人工智能（FullAI），指的是可以胜任人类所有工作的人工智能。
强人工智能具备以下能力：
超人工智能
假设计算机程序通过不断发展，可以比世界上最聪明，最有天赋的人类还聪明，那么，由此产生的人工智能系统就可以被称为超人工智能。
我们当前所处的阶段是弱人工智能，强人工智能还没有实现（甚至差距较远），而超人工智能更是连影子都看不到。所以“特定领域”目前还是AI无法逾越的边界。
如果在深入一点，从理论层面来解释AI的能力边界，就要把图灵大师搬出来了。图灵在上世纪30年代中期，就在思考3个问题：
图灵还真设计出来一套方法，后人称它为图灵机。今天所有的计算机，包括全世界正在设计的新的计算机，从解决问题的能力来讲，都没有超出图灵机的范畴。
（大家都是地球人，差距怎么就这么大呢？？？）
通过上面的3个问题，图灵已经划出了界限，这个界限不但适用于今天的AI，也适用于未来的AI。
下面我们再进一步把边界清晰的描述一下：
担心人工智能太强大？你想多了！
在一些特定场景中，AI可以表现的很好，但是在大部分场景中，AI并没有什么用。
这个问题是大家最关心的问题，也是对每一个个体影响最大的问题。所以单独拿出来说一下。
首先，人工智能替代“部分人类的行为”是必然的趋势
每一项新技术或者新发明都会替代一部分劳动力：
拉人力车的工作——汽车
挖井的工作——钻进机
需要注意的是，科技替代的只是某些特定的工作。挖井机只能帮你挖洞，但是无法帮你判断应该在哪里挖洞。
人工智能也是如此，它并不是针对某些职业或者某些人，而是替代一些具体的劳动行为。
其次，失业的同时会出现更好新职业
几次技术革命的历史告诉我们，虽然新技术的出现导致了部分人失业，但是同时也会产生很多新的职业。被替代的工作往往是低效的，而创造出来的工作往往更高效。想想拉人力车，再想想开汽车。
当人工智能解放了一部分劳动力，这部分劳动力就可以做更有价值，更有意思的事情。
不要怕！用好AI是一种超级技能
上文说过2个观点：
所以，千万不要怕人工智能取代自己，你应该主动去学习AI，成为最早会用AI的人，成为能把AI用好的人。
想想20年前会使用电脑和网络的人，他们在那时代是非常稀缺的，所以他们赚到了互联网时代的红利。同样的道理，智能时代的红利将属于会用AI的人。
李开复提出过一个判断依据：
这种工作有4个特点：
科学家总结出了3个人工智能很难替代的技能：
人工智能将像工业时代一样，席卷全球。这种情况下，我们要做的不是逃避，而是拥抱这种变化。下面给大家一些具体的建议：
人工智能的基本原理：机器从“特定的”大量数据中总结规律，形成某些“特定的知识”，然后将这种“知识”应用到现实场景中去解决实际问题。
在这个基本原理的基础上，有3个特征：
到目前为止，人工智能经历了3次浪潮：
人工智能分为3个级别：
在失业问题上，人工智能的确会替代部分人类的工作，不过在替代的同时也会出现一些新的更有价值的工作。未来不容易被人工智能替代的技能有3点：