人工智能（英语：Artificial Intelligence，缩写为AI）亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。该词也指出研究这样的智能系统是否能够实现，以及如何实现。人工智能于一般教材中的定义领域是“智能主体（intelligent agent）的研究与设计”，智能主体指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程”。安德里亚斯·卡普兰（Andreas Kaplan）和迈克尔·海恩莱因（Michael Haenlein）将人工智能定义为“系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力”。人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。
人工智能会替代翻译吗？
1.人工智能会不会取代所有的翻译，会在多久后取代？
可能不会，起码在短时间内不会。原因很多，例如语音识别技术尚不健全，多语言夹杂文本AI翻译困难。人类在同一句话中可能蕴含复杂的感情，人类翻译都未必能很好地传达，遑论AI。现阶段人工智能更多的还是用来协助做记录，提示术语等。
不过，即使人工智能取代不了所有翻译，劳动密集型的低端翻译也会被淘汰。理由很简单，翻译行业具有数量不稳定，质量不可控的问题：最好的同声传译，也不过是血肉之躯，进行了一天的同传后，翻译状态不可避免地会有波动；即使是最好的翻译，对相关领域非常熟悉，翻译速度也够快，一天的工作量仍然是有上限的，做不到立等可取。更不消说各个专业领域间隔行如隔山，能在一两个领域深耕且小有成就已经是大牛了，有的初学者连一般文本都无法胜任呢。反观人工智能，只要能正常运转，速度和质量都不会出现较大的波动（虽然现在质量还欠佳），还能很快地积累不同领域的术语，切换不过是小菜一碟。有的人类翻译都不一定能准确把握演讲人要表达的微言大义和复杂情感并精准传达，也没有对沟通造成很大的影响，因为听众也是会脑补的，上下文和句子本身很多时候已经可以说明问题了。
人工智能的学习速度很快，以大量语料为基础，进步一日千里绝非梦想，但具体多久后取代还要看技术的进步速度与程度。牛津大学的一份研究报告显示，机器学习领域的研究者预测人工智能将于2024年取代业余人工翻译。当然，这个说法留有余地，只是取代初学者而已，但这个时间足以令人惊心了。
2. 人工智能是翻译工具，还是完美替代品？
目前看人工智能的工具成分更浓。从博鳌暴露的问题来看，由于现场语言环境复杂，演讲者多语夹杂，人工智能往往无法随机应变，闹出很多笑话。对引经据典，方言识别，口误，修辞手法，碎片式口语，俚语，同音字的辨识和处理还不尽如人意。因此，目前人工智能虽然强大，恐怕主要还是以工具为主，它可以转化、放大、乃至优化人的能量，但目前还无法完全取代人类。
面对这样强大的工具，人类可以选择俯首称臣，也可以借助它的力量。问题在于能运用工具的人毕竟是少数，而且工具本来就是用于提高生产力，解放人力。过去劳动密集型的翻译工作会越来越少，不及时转型，可能就需要转行。
3. 人工智能能做翻译，是好事还是坏事？
人工智能的优势和劣势都同样明显，它词汇量大，能各领域无缝转换，不知疲倦，最擅长计算与存储，学习速度也很快；但同时它目前还很难处理数据库中未曾涵盖的内容，或是现有数据较少的内容，例如成语，典故，方言，口误，口语化表达。这里有的问题可以通过增加更多数据、改进语音识别技术来解决；有的则更为复杂，需要改进算法才能实现。同时，谷歌的算法可能完全与语言无关，基于大量的数据根据统计获取相关的参数，增添了灵活性。但人类翻译的译文也未必无懈可击，尤其是在低端市场，对翻译要求本来就不高，人工翻译也不见得句句精准，有的初学者水平还不一定比机器强。至少在这个领域人工智能大有可为。
对于大众而言，我觉得整体利大于弊。人工智能如果能保质保量地迅速完成任务，便能提高生产力，更快地解决问题，大众也多了更多选择。同时，日后也无需自己再去苦学，就能自如使用外语进行交谈，好处也是显而易见的。
但对于外语学习者和译员而言，前景则未必如此美妙。任何职业只要不只是精英游戏，就应当为不同水平、不同经验的从业者提供各个层面的机会，指明清晰的上升渠道。人工智能即使无法取代所有翻译，将来提供的职位数目必将大大减少。
4. 在人工智能能很好地完成基本翻译任务后，是否还有学习并从事翻译行业的必要？
如开头郭士纳所说，学会分辨不同的战争是卓越领导者的重要标志。同样，以人类的短板与机器的长处相抗衡也是没有必要的。现有的翻译教学囿于条件限制，培养的学生在毕业时大多无法直接从事高难度的翻译工作，主要还是逐渐积累单词，句型，翻译技巧等等。而机器现在较少依赖语言学的规则，主要还是依靠统计，这和具体的语言关系并不大，也无需缓慢地积累。如果翻译教学继续延续原有的教学模式，便有拿人工之短比机器之长的问题，培养的学生在低端翻译任务上不如机器，很有可能出现毕业便失业的问题，不得不改行。因此，如果翻译学习还需要继续下去，培养的就一定不能是只会背书的呆子。这样的人才需要很好地与人工智能合作，运用人工智能，开发人工智能，而不是呆板不知变通，翻的内容连机器都不如。
人工智能又经历那些发展阶段
2015年3月，随着Google Deepmind开发的AlphaGo程序打败了韩国职业围棋高手李世石（Lee Se-dol），媒体在通稿中开始普遍使用“AI”“机器学习”和“深度学习”这样的字眼，“AI”也迅速成为人们茶余饭后的热门话题，AI技术相关的企业如雨后春笋般迅速崛起，至今依然是投资市场上十分风靡的版块。然而，AI的历史却远比AlphaGo悠久得多。通常，一项新技术的出现都会经历“Gartner曲线”（技术成熟度曲线），经历促动期、峰值期、泡沫期、稳步爬升期、实质生产期，然而AI的发展历程却颇具戏剧化，经历了“三起两落”。
早在1956年的达特茅斯会议（Dartmouth Conference）上，约翰·麦卡锡（John McCarthy）、马文·闵斯基（Marvin Minsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（Allen Newell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能，目的是让逐渐成熟的计算机能够代替人类解决一些感知、认知乃至决策的问题。这一年也被认为是人工智能元年。这个议题是如此令人神往，吸引了一大批学者进行研究，这是第一“起”。
人工智能最初采用的方法是专家编制规则，教机器人认字、语音识别，但是人们没能很好地总结提炼出人类视听功能中的规律，因此在机器学习的转化上效果并不好，结果事与愿违，人工智能也在残酷的现实中走向下坡。
因为，人为知道这条路行不通，人们开始另辟蹊径，把目光投向了基于大量数据的统计学方法。于是，人工智能在人脸识别等一些较简单的问题上取得了重大进展，在语音识别上也实现了基本可用。人工智能初见成效，这是第二“起”。
然而，基于大数据的统计学方法很快遇到了瓶颈，因为单纯依靠数据积累并不能无限地提高准确率。从“基本可用”到“实用”之间出现了一道难以逾越的鸿沟，十几年都没能跨过。人工智能再次没落。
直到2006年，加拿大多伦多大学的计算机系教授杰弗瑞·辛顿（Geoffrey Hinton）在《科学》上发表一篇关于深度学习的文章，人们又重新看到了人工智能的希望。随着GPU（图形处理器）的广泛使用，计算机的并行处理速度大幅加快、成本更低、功能更强大，实际存储容量无限拓展，可以生成大规模的数据，包括图片、文本和地图数据信息等，人工智能迎来了新的生机，于是，AlphaGo的胜利顺理成章。
AlphaGo实际上只是人工智能界的一个小学生，仍然属于“弱人工智能”（Narrow AI）。它可以像人类一样完成某项具体任务，也有可能比人类做得更好。但它并不是真正拥有智能，也不会有自主的意识。例如Pinterest利用人工智能给图片分类，Facebook利用人工智能进行面部识别等。麦卡锡在达特茅斯会议上提出的AI，一般指的就是“弱人工智能”。与“弱人工智能”相对的，是“强人工智能”（General AI），指的是机器拥有像人类一样的感知能力，甚至还可以超越人类的感知，它可以像人类一样思考，就像电影中的终结者。当机器智能超越人脑智能的那一刻，也就实现了机器智能与人脑智能的融合，美国未来学家雷蒙德·库兹韦尔（Raymond Kurzweil）称之为“奇点”（Singularity），时空中的物理规律将不再适用。不过，就目前为止，科学家普遍达成的共识是，我们仅仅实现了弱人工智能的一小部分。
人工智能会给我们带来那些创收
欧能智能CEO陈六表示，2019年将会是真正的人工智能年，在我们身边各种人工智能都早已充斥我们的生活，人工智能在不同的领域生根发芽，在教育、房地产行业率先突出重围。需求决定发展，现实证明中国的适应能力在全世界是数一数二，中国的需求量在全世界也是数一数二，结合二者，人工智能的发展脚步不会放缓，降低成本和提升效益是当前的重中之重。
欧能智能研究带头人作为嘉宾，与观众分享了深耕人工智能十几年的欧能智能对人工智能的理解，以及对未来的大胆预测。
时间决定，未来人工智能几乎会覆盖我们所能知道的所有的行业，包括音乐家、诗人、作家、设计师、建筑师等等这些需要灵感创意的行业。不过目前首先别做技术技术和平台，也别提前把实验室的成果提前商业化。要在法律法规的正确行使的条件下，做好算法与数据的平衡，这是都是大企业该做的事，负责就是以卵击石，得不偿失。
近年人工智能最广泛的应用场景电话机器人，早已普及到了大大小小的电销型企业，不少中小企业的高管表示，自从有了智能语音机器人，公司的整体业绩大幅度上升，成本也在极速下降，更不会为招人而烦恼。电话机器人好不好用？这句话也成为那些还未接触人工智能机器人的口头禅。
人工智能必定会迎来爆发期，将会发生市场变革，电信运营商需要从大数据、大计算、大算法、大应用四个关键要素来开发人工智能。
学习人工智能年入百万？
随着深度学习技术的成熟，AI人工智能正在逐步从尖端技术慢慢变得普及。从走在前沿的科技公司，到努力创新的传统行业，几乎每家公司都想把握这个新“风口”。而人工智能的核心就是人才，那么对于热门中的热门，人工智能领域的人才供需情况到底如何呢？
1、数据科学家
数据科学家属于分析型数据专家中的一个新类别，他们对数据进行分析来了解复杂的行为、趋势和推论，发掘隐藏的一些见解，帮助企业做出更明智的业务决策。正如致力于商业分析和商业智能软件的SAS所说的那样，数据科学家是“部分数学家，部分计算机科学家和部分趋势科学家的集合体”。
2.Java资深架构师
负责系统架构设计，针对行业客户设计场景化的解决方案，并对解决方案的竞争力及商业目标达成负责；技术分享，将人工智能产品／方案的销售技巧传递给销售团队，并支持重点项目的售前工作；
3、数据标签专业人员
随着数据收集几乎在每个垂直领域实现普及，数据标签专业人员的需求也将在未来呈现激增之势。事实上，在AI时代，数据标签可能会成为蓝领工作。
IBMWatson团队负责人GuruBanavar表示“数据标签将变成数据的管理工作，你需要获取原始数据、对数据进行清理，并使用机器来进行收集。”标签可以让AI科学家训练机器新任务。
Banavar继续解释道：“假设你想训练一台机器来
4、AI硬件专家
AI领域内另外一种日益增长的蓝领工作是负责创建AI硬件（如GPU芯片）的工业操作工作。大科技公司目前已经采取了措施，来建立自己的专业芯片。
英特尔正在为机器学习专门打造一个芯片。与此同时，IBM和高通正在创建一个反映神经网络设计、并且可以像神经网络一样运行的硬件架构。据FacebookAI研究总监YannLeCun表示，Facebook也在帮助高通开发与机器学习相关的技术。随着人工智能芯片和硬件需求的不断增长，致力于生产这些专业产品的工业制造业工作岗位需求将会有所增长。
人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，有兴趣的朋友，可以关注小编，将为您持续推出相关知识！