人工智能从1.0时代到4.0时代
人工智能的五个等级：
1.无法与人类进行交互的人工智能
2.可以与人类进行交互的人工智能
3.可以通过外接设备进行升级的人工智能
4.可以通过云端进行信息共享的人工智能
5.能够自主学习并创新的人工智能
机器学习：主要是通过模拟人类的学习行为，以便能够自己获取更多的知识或者能力，通过不断重新组织自己的结构来让自己变得更为完善，拥有更高的性能。（例如搜索引擎在大量的信息中筛选出有用的信息，人工智能还可以快速的完成检索是因为它超强的高速运算能力，例如广告的应用AD technology的拍卖广告的功能）
以下为重点内容~
First：人工智能1.0时代：图灵的计算王国
图灵：15岁异于常人的数学思维和科学理解能力研究爱因斯坦的相对论并撰写了爱因斯坦的一部著作的内容提要。
18岁发表一篇题目为《亚硫酸盐和卤化物在酸性溶液中的反应》的文章。（1930年）
23岁第一篇数学论文《左右殆周期性的等价》发表于《伦敦数学会》杂志，同年写出《论高斯误差函数》一文。
24岁毕业。
24岁成名之作《论数学计算在决断难题中的应用》
1956年达特茅斯会议提出了人工智能的概念（两个观点：模式识别和计算机下棋）。
之后的几十年，用搜索树探寻迷宫（深度搜索是深入每一条路径，找到目标后就无需继续探索，因此这种方法不需要占用太多的存储空间；分层搜索由于要记住每一条路径所以需要记住没一条路径所以需要巨大的存储空间，但是可以列出所有的可能性）。
机器人的行动规划：
前提条件
行动
结果
将搜索树和自然语言相结合掀起人工智能第二次发展浪潮，进入2.0
Second：人工智能2.0时代：知识，让计算机更聪明
1.人机对话。例如siri
2.堪比专家的专家系统。
设计思路：利用已有信息对目标进行约束；得到一个或多个可能的结构；进行最终的验证，得到答案。
需要定期人工维护系统的知识库（银行、医院）
3.本体研究：如何正确的描述知识。（语义网络向人工智能描述知识，存在语境歧义）
4.重量级本体论与轻量级本体论。
5.机器翻译。（必须克服自然语言中有关歧义的问题，理解常识问题）
6.第五代算计。（能够主动对知识进行处理，并且能够自主学习，对手机到的信息进行形式化推理，最终帮组人类进行判断、决策或获取未知知识等，目前计算机和人还不能进行直接交流）
Third：人工智能3.0时代：悄然兴起的“机器学习”
1.数据激增与机器学习的兴起。（浏览器的出现）
机器学习的基本结构：环境向学习系统提供信息，而学习系统利用这些信息修改知识库。
2.学习即区分。
3.有监督学习和无监督学习。
机器学习分为两大类：有监督学习（最优分类）和无监督学习
临近算法是比较成熟的有监督学习的应用
无监督学习更加重要，因为它没有放置任何可以参考的样本或者已经分类的参考目标，机器需要对 已有的数据建立模型：无监督学习中的聚类分析法（这个是一个典型的案例）
聚类分析是数据挖掘的主要任务之一：可以促进语义的理解。
4.各式各样的分类方法。
经典算法有：
决策树
正则化法
朴素贝叶斯算法（处理数据十分巨大，实际计算非常复杂）
人工神经网络（权重）
5.用人工神经网络识别手写文字
人工神经网络的“权重通道”数量逐层增加
6.机器学习的难点：有了机器学习，自然语言处理问题也迎刃而解
选择哪个特征量决定了整个运算过程的精确度。
Fourth：人工智能4.0时代：“深度学习”打破岑寂
1.2006年提出“深度学习”概念，是机器学习分支无监督学习下的研究
2.自动编码器：输入和输出相同
解决了人工神经网络层级太多造成信息传播的误差
3.层级架构深度挖掘
隐层为第一层，带有自动编码器。
隐层的作用就是将正确分类的数据输入给计算机，并让其进行自我学习降低信息维度，接着再度进入隐层进行处 理，数据在这个隐层中具有资料更高的特征量（剥离出需要分析的信息进入下一个隐层），但是数据在这各隐层的 自动编码器的作用下被还原成原来信息维度的数据（此为数据的反向还原）。在众多节点的作用下，数据被分成众 多输出端的已学习内容。分层数量为无数层时，特征量就变得极度清晰。
4.情绪识别里的“深度学习”
让机器可以通过人的语言表达和面部表情了解人的情绪
5.鲁棒性：飞跃发展的关键
人工智能“软实力”基础：深度学习、自动编码器、鲁棒。
鲁棒性达标才能精准，否则运算会崩溃。【目前。已经经过测试的鲁棒性控制方法，大多数都依赖于对系统数据模型进行精确的数学分析，这就导致了虽然我们在线性系统方面取得了较好的成绩，但是对于非线性系统的研究有所欠缺。我们想要在人工智能的深度学习上取得更多的成果，就必须摆脱对数学模型的依赖。作为人工智能领域前沿课题，鲁棒性研究还需要更好地向非线性系统扩展】