早在1950年10月，英国技术幻想家艾伦·图灵（Alan Turing）在《 MIND》杂志上发表了一篇名为“计算机与智能的计算机 ”的文章，提出了当时许多人看来像科幻小说的幻想。

图灵相信，有可能为数字计算机创建软件，使其能够观察环境并学习新事物，从下棋到理解和说人类语言。他认为机器最终可以发展出在没有人工指导的情况下自行完成此操作的能力。他预言：“我们可能希望机器最终将在所有纯知识领域与人类竞争。”

将近70年后，图灵看似古怪的愿景已成为现实。人工智能（通常称为AI）使机器具有从经验中学习和执行认知任务的能力，而这些东西曾经只有人脑才具备。

人工智能正在整个文明中迅速传播，它有希望做的一切，从使自动驾驶汽车能够在街道上导航到做出更准确的飓风预测。在日常工作中，AI会找出在网络上向您展示的广告，并为那些访问电子商务网站时会弹出的友好聊天机器人提供动力，以回答您的问题并提供客户服务。和AI-供电的个人助理语音激活智能家居设备执行任务无数，从控制我们的电视和门铃来回答的小问题，并帮助我们找到喜欢的歌曲。

但是我们才刚刚开始。麦肯锡全球研究所的预测显示，随着AI技术变得越来越复杂和强大，它将有望极大地促进世界经济的发展，到2030年将创造约13万亿美元的额外活动。

SAS是一家全球软件和服务公司，致力于将数据转化为客户的智能，该公司的分析平台策略师Sarah Gates说：“ AI仍处于早期采用阶段，但采用速度正在加快，并且已在所有行业中使用。”

也许更令人惊讶的是，我们的生活正在悄悄地被我们中许多人几乎不了解的技术所改变（如果有的话），这种技术是如此的复杂以至于科学家们甚至都难以理解。

宾州州立大学人工智能研究实验室的教授兼主任Vasant Honavar解释说：“ AI是一门执行任务的技术家族，如果被人类执行则需要智能。” “我说'思想'，是因为没有人真的很确定什么是情报。”

霍纳瓦尔描述了智力的两个主要类别。有窄的情报，这是在一个狭义定义域实现的能力，如在放射学分析从X射线和MRI扫描的图像。相反，一般情报是一种类似于人的能力，可以学习任何事物并进行讨论。霍纳瓦尔解释说：“一台机器可能擅长放射学的某些诊断，但是如果你问它有关棒球的知识，那将毫无用处。” 在这一点上，人类的智力多功能性仍然超出了AI的范围。

霍纳瓦尔认为，人工智能有两个关键要素。其中之一是工程部分-即构建以某种方式利用智能的工具。另一个是智能科学，或者更确切地说，就是如何使机器产生的结果与人脑所能达到的结果相当，即使机器是通过非常不同的过程实现的。用一个比喻来说，“鸟儿飞，飞机飞，但是它们以完全不同的方式飞”，霍纳瓦尔。“尽管如此，它们都利用了空气动力学和物理学。同样，人工智能也基于这样的观念，即关于智能系统的行为存在一般性原则。”

AI是“基本上我们试图理解和模仿的方式的结果是大脑工作方式和这给大脑般的功能，否则自治系统（例如，应用无人机，机器人和代理），” 库尔特卡格尔，作家咨询公司Semantical的创始人，数据科学家和未来主义者在一封电子邮件中写道。他还是每日信息技术通讯The Cagle Report的编辑。

尽管人类并没有真正像计算机那样思考，而是利用电路，半导体和磁性介质而不是生物细胞来存储信息，但还有一些有趣的相似之处。“我们开始发现的一件事是，当您开始谈论数十亿个节点时，图网络真的很有趣，而大脑本质上是一个图网络，尽管您可以通过改变神经元的阻力来控制过程的强度在电容性火花点火之前，” Cagle解释道。“单个神经元本身只能为您提供非常有限的信息，但是会同时发射足够多强度不同的神经元，最终您会得到一种仅响应某些种类的刺激而被激发的模式，数字信号处理 ]，我们称之为视网膜和耳蜗。”

霍纳瓦尔说：“人工智能的大多数应用都在拥有大量数据的领域中。” 再次使用放射学示例，人类放射科医生已经评估了大型X射线和MRI扫描数据库，这使得训练机器来模拟这种活动成为可能。

AI通过将大量数据与智能算法（一系列指令）相结合来工作，这使该软件可以从数据的模式和特征中学习，正如这本SAS人工智能入门书所解释的那样。

如SAS入门所述，在模拟大脑工作方式时，人工智能利用了许多不同的子域。

机器学习可自动进行分析模型构建，以发现数据中隐藏的见解，而无需进行编程以寻找特定的事物或得出一定的结论。

神经网络模仿大脑中相互连接的神经元的阵列，并在各个单元之间中继信息，以找到连接并从数据中获取含义。

深度学习利用非常大的神经网络和大量计算能力来查找数据中的复杂模式，以用于图像和语音识别等应用。

正如SAS所说，认知计算是关于创建“自然的，类似于人的交互”，包括使用解释语音并对之做出响应的能力。

计算机视觉通过模式识别和深度学习来理解图片和视频的内容，并使机器能够使用实时图像来了解周围的事物。

自然语言处理包括分析和理解人类语言并做出响应。

人工智能的概念可以追溯到1940年代，1956年在达特茅斯学院的一次会议上引入了 “人工智能”一词。在接下来的二十年中，研究人员开发了玩游戏，进行简单模式识别和机器学习的程序。康奈尔大学的科学家弗兰克·罗森布拉特（Frank Rosenblatt）开发了Perceptron，这是第一个人工神经网络，它运行在装有重卡的5吨（4.5公吨），房间大小的IBM计算机上。

但据Honavar称，直到1980年代中期，第二波更复杂的多层神经网络才被开发出来以解决更高级别的任务。在1990年代初，另一项突破使AI能够推广到培训经验之外的领域。

在1990年代和2000年代，其他技术创新（网络和功能日益强大的计算机）帮助加速了AI的发展。Honavar说：“随着网络的出现，大量数据以数字形式变得可用。” “ 基因组测序和其他项目开始生成大量数据，并且计算机技术的进步使存储和访问这些数据成为可能。我们可以训练机器完成更复杂的任务。您不可能拥有30年的深度学习模型以前，因为您没有数据和计算能力。”

人工智能与机器人

AI与机器人技术不同，但与之有关，在机器人中，机器可以自己或在人的指导下感知环境，执行计算并执行物理任务，从工厂工作，烹饪到降落在其他星球上。霍纳瓦尔说，这两个领域在许多方面相交。

霍纳瓦尔说：“您可以想象没有很多智能的机器人技术，如自动化织机那样的纯机械设备。” “有一些机器人不是很聪明的例子。” 相反，在机器人技术中，智能是不可或缺的部分，例如在充满人类驱动的汽车和行人的街道上引导自动驾驶汽车。

霍纳瓦尔说：“要实现通用情报，一定程度上需要机器人技术，这是一个合理的论据，因为与世界的互动在某种程度上是情报的重要组成部分。” “要理解扔球意味着什么，您必须能够扔球。”

静悄悄地AI变得无处不在，以至于在许多消费产品中都已发现。

Cagle说：“尽管属于非常专业的AI，但许多属于物联网（IoT）空间的设备都可以使用某种自我强化的AI。” “巡航控制是一种早期的AI，它在工作时比大多数人意识到的要复杂得多。降噪耳机。任何具有语音识别功能的东西，例如大多数现代电视遥控器。社交媒体过滤器。垃圾邮件过滤器。如果您扩展AI涵盖机器学习，这还包括拼写检查器，文本推荐系统，几乎任何推荐系统，洗衣机和烘干机，微波炉，洗碗机，实际上是2017年之后生产的大多数家用电子产品，扬声器，电视，防抱死制动系统，任何电子设备车辆，现代CCTV摄像机。大多数游戏在许多不同级别使用AI网络。

霍纳瓦尔说，在“狭窄的领域”中，人工智能已经可以胜过人类，就像“飞机可以飞更长的距离，载人多于鸟”一样。例如，人工智能能够处理数百万种社交媒体网络互动，并获得影响用户行为的见解-人工智能专家担心的这种能力可能不会带来“很好的后果”。