本学期在走进数据科学这门课程中，我有幸聆听了由贾维嘉教授主持的《人工智能赋能智慧城市》讲座。在讲座中我进一步了解了人工智能及其发展历史，同时对机器学习有了初步的认识，尽管受制于时间限制，老师并未就智慧城市进行进一步的展开，但我依旧受益匪浅。 #### **一、人工智能的定义** AI的实现具有两个目标：近期上，它研究人脑功能，以期进行理性的思维或理性行动，判断、理解和推理，形成概念、适当的反应和适应环境的总体能力，用计算机去模拟，从而提升计算机的智能，更接近人；远期上，它研究人脑微观结构和宏观功能，从而实现类人思考或行动，即制造出和人脑结构一致的智能机，并能完成人脑的宏观功能。这也引出了AI的四个定义，即理性行动的系统，类人行为，理性思考的系统，类人思考。  人工智能似乎并没有一个确切统一的定义。维基百科中的定义：“人工智能就是机器展现出来的智能，所以只要机器有智能的特征和表现，就应该将其视为人工智能。”百度百科中的定义：“人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术和应用系统的一门新的技术科学。”我国《人工智能标准化白皮书（2018年）》中也给出了人工智能的定义：“人工智能是利用数字计算机或者由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统。”对于人工智能不同的定义，贾教授建议我们重要的学习AI方法，在实践中逐步深入领会。 #### **二、AI简史** AI的发展共分为孕育、诞生、期望、寒冬、专家系统、成为工业、成为科学七个时期。1956年，John McCarthy自普林斯顿大学毕业后在达特茅斯大学与其他九人参加了时长两个月的研讨会，自此人工智能被命名，并以其目标不同，方法论不同成为了一个全新的领域。然而在受到广泛关注之后，世界对其报以无限期望之后，由于AI无法实现泛化，无法专化，无法自动化遭遇了寒冬。除此第一类困难外，AI遭遇了更多瓶颈： 第二类困难——AI试图解决的许多问题是不可操作的（NP类）   第三类困难——基本结构存在限制  1968年，美国斯坦福大学费根鲍姆成功研制了专家系统DENDRAL，其探索知识的表示、存储、获取、推理及利用等技术对AI发展产生的影响远远超过了系统本身的价值，帮助了AI走出了低迷时期，走向了实用阶段。 在八十年代的AI研究浪潮中，日本提出了五代机计划，目的建造运行Prolog程序的智能机，而美国也建立了MCC研究集团。但其中的AI部分从未实现其野心勃勃的目标，“AI成为工业” 并未实现。此后，AI逐渐接受控制论及统计学的理论和方法，并通过互联网进行测试数据和程序代码的共享，成为一门科学。 #### **三、机器学习** 机器学习的步骤基本包括收集数据，输入数据，数据探索与预处理，训练数据进行模型训练，测试数据，评估及优化。尽管并不能深刻理解其中内涵，但我有了一个基本流程的概念。 贾教授接着对机器学习的一些案例进行了简要的剖析，如网页搜索、新闻推荐、在线广告、社交网络等。 机器学习的算法多样化：监督学习、无监督学习、强化学习、表示学习、半监督式学习及深度学习。   由于数学储备知识的不足，对于监督学习的进一步深入等部分，我没能跟随老师的脚步进行进一步的思考。 #### **四、感悟** 在可预见的未来里，AI的发展与应用已经成为了不可避免的趋势。AI作为科技的产物，不可避免地具有科学本身的双刃剑属性。而作为时代里的沙砾，作为一个普通人，我们唯一能做的只能是拥抱AI带来的新世代。对于其可能造成的问题，并不是否认AI本身的理由。例如失业问题，百年前，第一次工业革命带来了生产力与科技的巨大进步，其造成了无数手工纺织工人的失业，但也创造了无数工人的工作机会。我相信，AI的发展也会如此，那些短暂存在的问题只会帮助AI更好的发展。我认为真正重要的是，在人的物质需求被科技极大地满足之后，我们人类应该如何寻求自身定位，实现进一步的发展。当然这个问题可能还很遥远，但我相信这个问题的答案值得我们探索……