市面上有很多全球最大的博彩平台“什么是人工智能”的文章，这里还有一篇. 作为一家人工智能公司，这几乎是我们的义务 Fuzzy Labs to write one.
历史的东西
对人工智能的研究可以追溯到20世纪50年代. 说计算能力有限是一种保守的说法, 尽管如此，还是打下了一些重要的基础:
- 自动推理人类擅长推理. 我们一直在做这样的事情，比如在道路封闭时想办法回家.
- 自然语言处理我们的梦想是计算机能够理解人类语言. 想象一下，向电脑询问去全球最大的博彩平台的路, 计算机通过自动推理找出最佳路线——这是1950年的科幻小说, 但是今天很正常.
- Robotics: 人工智能驱动的智能手机和智能家居是一个遥远的幻想. 人形机器人是未来的趋势! 机器人需要能看、能说、能听，由此开启了计算机视觉和语音识别的研究.
第一个冬天——1974年到1980年
在探索智能机器的过程中，从真正的大脑中寻找灵感是有意义的. 大脑是由神经元(神经细胞)相互交织的大网络组成的。, 如果我们模拟这些神经网络, 我们将拥有一台会思考的电脑, 就像这样!
这是个好主意，但比看起来要难. 1969年，马文·明斯基(Marvin Minsky)出版了一本书，指出了一种叫做感知器的特殊神经模型的一些基本局限性. 这对人工智能研究来说是一个巨大的打击. 到1974年，对人工智能的乐观情绪已经消退，资金也消失了.
第二个冬天——1987年到1993年
在20世纪80年代，计算机从房间大小的庞然大物变成了方便的桌面大小的机器. 人工智能又酷了起来，出现了很多应用, 从在视频游戏中使用它来提供具有挑战性的虚拟对手到采用专家系统来自动化各种流程的企业.
这波新的人工智能研究浪潮主要是由企业推动的，到1993年，资金再次枯竭.
半现代- 1993年至2010年
记得垃圾邮件? 在90年代和21世纪初，它让我们都疯了. 现在这不是问题了，因为有了贝叶斯分类器. 这种垃圾邮件检测从人类垃圾邮件报告中学习垃圾邮件的样子.
神经网络再次流行起来. 这些被认为是模仿构成我们大脑的神经细胞网络, 就像我们的大脑, 神经网络可以学习识别模式. 比如猫的照片.
人们对优化问题重新产生了兴趣. 假设您是亚马逊，希望使用最少的货车运送尽可能多的包裹, 或者你雇佣轮班工人，你想以最低的成本完成所有的轮班. 对于这些问题，找到完美的解决方案往往是不可行的, 但我们可能会想出足够好的解决方案.
今天
人工智能无处不在. 当你预订航班时，你的收件箱会自动对邮件进行分类，并填充你的日历, 你的照片应用知道你的照片里有什么, 机场使用面部识别检查你的护照.
今天人工智能应用的激增很大程度上是因为拥有了强大的计算机, 包括移动设备, 但这也是由于云计算的普及.
Cloud AI
想象一下，你想从一张照片中识别狗的品种. 你首先收集成千上万张照片(认识新狗的好方法)，然后手动给这些照片贴上正确的品种标签. 接下来，你把这些数据输入一个神秘的人工智能盒子，它会产生一个被称为模型的东西.
这个模型是你辛苦收集和标记数据所得到的奖励. 这个模型可以识别没有训练过的新狗.
训练一个模型来识别狗的品种
很可爱，但这和云计算有什么关系呢?
Google Photos可以帮你整理照片. 它知道照片是在户外拍的，里面是人还是动物. 这是因为谷歌花了数年时间收集和标记大量的照片，他们用这些照片来训练模型.
所有主要的云提供商都为图像分类提供了预训练的人工智能模型, 文本分析等等. 谷歌照片使用的相同模型可以通过谷歌云获得.
云人工智能代表了在产品中拥有成熟人工智能功能的捷径. 使用其他人投入到预训练模型中的工作可以节省大量的时间和金钱.
外来神经网络
自50年代以来，神经网络发生了很多变化. 也许你听说过深度学习这个词. 这通常意味着使用非常大的神经网络和非常大的训练数据集.
另一个经常出现的术语是卷积神经网络. 这是一个专门的神经网络, 根据我们自己的视觉皮层设计的, 这在自动驾驶汽车或狗狗识别等视觉应用中很受欢迎.
道德的考虑
随着人工智能开始以重大方式影响人们的生活，公共话语开始强调道德.
如果你申请了一份工作，发现人工智能负责筛选申请, 你会相信吗?? 几年前，亚马逊在工程职位上试用了这个想法，结果是 对女性的偏见. 人工智能是根据人类做出的历史决策进行训练的，因此计算机采用了人类的偏见.
当人工智能做出影响人类的决定时，考虑哪些偏见可能会影响它是至关重要的.
组织像 AI for Good英国 推动工业道德建设. 与此同时，人们也在努力利用人工智能做好事. 许多参与人工智能的公司都有一个人工智能公益计划， 包括我们自己.
The future
预测人工智能的未来是困难的. 我们正处于人工智能的繁荣时期，但这种繁荣可能不会永远持续下去, 但即使炒作停止，我们也认为人工智能会继续存在. 它与我们日常使用的技术交织在一起.
随着计算能力的提高，我们将看到更复杂的人工智能模型和基于云的模型 AI-as-a-service 产品将使这些模型能够被广泛的受众所访问.
边缘计算正在引领新的应用领域. Edge的意思是“不在云端”，但它并不像听起来那么傻. 你可能想在云端训练一个模型，那里有很多计算能力，并将该模型部署到功率和带宽有限的设备上. 想想监控工厂设备的智能摄像头.
另一个需要关注的是可解释的人工智能. 这是指当人工智能做出决定时，它应该能够解释自己. 现在我们训练的模型给了我们一个答案, 比如“那只狗是博德牧羊犬”, 但他们无法解释原因. 可解释的人工智能解决了一些道德问题，也使我们更容易调试和改进我们的模型.
但实际上，什么是人工智能?
奇怪的是，一旦一个研究想法变成了一项有用的技术, 它不再被大众认为是人工智能. 例如，垃圾邮件过滤感觉很简单，而“人工智能”听起来很复杂.
也许人工智能的与众不同之处在于其学习和概括的能力? 啊，但是人工智能还是有学习的能力. 最终，它只是软件.
