國內對于人工智能的討論大多是不成體系的碎片式，很難從中深入了解人工智能的發展脈絡和技術體系，也很難有實際借鑒意義。德勤DUP發布的一份報告中，對人工智能的歷史、核心技術和應用情況進行了詳細說明，尤其是其中重要的認知技術。這份報告將有助于我們對人工智能和認知技術進行深入了解，也有助于各行業的公司考量人工智能應用的實際價值。

　　一、概述

　　近幾年各界對人工智能的興趣激增，自2011年以來，開發與人工智能相關的產品和技術并使之商業化的公司已獲得超過總計20億美元的風險投資，而科技巨頭更是投資數十億美元收購那些人工智能初創公司。相關報道鋪天蓋地，而巨額投資、計算機導致失業等問題也開始浮現，計算機比人更加聰明并有可能威脅到人類生存這類論斷更是被媒體四處引用并引發廣泛關注。

　　IBM承諾撥出10億美元來使他們的認知計算平臺Watson商業化。

　　谷歌在最近幾年里的投資主要集中在人工智能領域，比如收購了8個機器人公司和1個機器學習公司。

　　Facebook聘用了人工智能學界泰斗Yann LeCun來創建自己的人工智能實驗室，期望在該領域獲得重大突破。

　　牛津大學的研究人員發表了一篇報告表明，美國大約47%的工作因為機器認知技術自動化而變得岌岌可危。

　　紐約時報暢銷書《The Second Machine Age》論斷，數字科技和人工智能帶來巨大積極改變的時代已經到來，但是隨之而來的也有引發大量失業等負面效應。

　　硅谷創業家Elon Musk則通過不斷投資的方式來保持對人工智能的關注。他甚至認為人工智能的危險性超過核武器。

　　著名理論物理學家Stephen Hawking認為，如果成功創造出人工智能則意味著人類歷史的終結，“除非我們知道如何規避風險。”

　　即便有如此多炒作，但人工智能領域卻也不乏顯著的商業行為，這些活動已經或者即將對各個行業和組織產生影響。商業領袖需要透徹理解人工智能的含義以及發展趨勢。

　　二、人工智能與認知科技

　　揭秘人工智能的首要步驟就是定義專業術語，勾勒歷史，同時描述基礎性的核心技術。

　　1、人工智能的定義

　　人工智能領域苦于存在多種概念和定義，有的太過有的則不夠。作為該領域創始人之一的Nils Nilsson先生寫到：“人工智能缺乏通用的定義。”一本如今已經修訂三版的權威性人工智能教科書給出了八項定義，但書中并沒有透露其作者究竟傾向于哪種定義。對于我們來說，一種實用的定義即為——人工智能是對計算機系統如何能夠履行那些只有依靠人類智慧才能完成的任務的理論研究。例如，視覺感知、語音識別、在不確定條件下做出決策、學習、還有語言翻譯等。比起研究人類如何進行思維活動，從人類能夠完成的任務角度對人工智能進行定義，而非人類如何思考，在當今時代能夠讓我們繞開神經機制層面對智慧進行確切定義從而直接探討它的實際應用。值得一提的是，隨著計算機為解決新任務挑戰而升級換代并推而廣之，人們對那些所謂需要依靠人類智慧才能解決的任務的定義門檻也越來越高。所以，人工智能的定義隨著時間而演變，這一現象稱之為“人工智能效應”，概括起來就是“人工智能就是要實現所有目前還無法不借助人類智慧才能實現的任務的集合。”

　　2、人工智能的歷史

　　人工智能并不是一個新名詞。實際上，這個領域在20世紀50年代就已經開始啟動，這段探索的歷史被稱為“喧囂與渴望、挫折與失望交替出現的時代”——最近給出的一個較為恰當的評價。

　　20世紀50年代明確了人工智能要模擬人類智慧這一大膽目標，從此研究人員開展了一系列貫穿20世紀60年代并延續到70年代的研究項目，這些項目表明，計算機能夠完成一系列所本只屬于人類能力范疇之內的任務，例如證明定理、求解微積分、通過規劃來響應命令、履行物理動作，甚至是模擬心理學家、譜曲這樣的活動。

　　但是，過分簡單的算法、匱乏的難以應對不確定環境（這種情形在生活中無處不在）的理論，以及計算能力的限制嚴重阻礙了我們使用人工智能來解決更加困難和多樣的問題。伴隨著對缺乏繼續努力的失望，人工智能于20世紀70年代中期逐漸淡出公眾視野。

　　20世紀80年代早期，日本發起了一個項目，旨在開發一種在人工智能領域處于領先的計算機結構。西方開始擔心會在這個領域輸給日本，這種焦慮促使他們決定重新開始對人工智能的投資。20世紀80年代已經出現了人工智能技術產品的商業供應商，其中一些已經上市，例如Intellicorp、Symbolics、和Teknowledge。

　　20世紀80年代末，幾乎一半的“財富500強”都在開發或使用“專家系統”，這是一項通過對人類專家的問題求解能力進行建模，來模擬人類專家解決該領域問題的人工智能技術。

　　對于專家系統潛力的過高希望徹底掩蓋了它本身的局限性，包括明顯缺乏常識、難以捕捉專家的隱性知識、建造和維護大型系統這項工作的復雜性和成本，當這一點被越來越多的人所認識到時，人工智能研究再一次脫離軌道。

　　20世紀90年代在人工智能領域的技術成果始終處于低潮，成果寥寥。反而是神經網絡、遺傳算法等科技得到了新的關注，這一方面是因為這些技術避免了專家系統的若干限制，另一方面是因為新算法讓它們運行起來更加高效。

　　神經網絡的設計受到了大腦結構的啟發。遺傳算法的機制是，首先迭代生成備選解決方案，然后剔除最差方案，最后通過引入隨機變量來產生新的解決方案，從而“進化”出解決問題的最佳方案。