上天賜予人類驚人的學習能力。我們從出生開始就學習復雜的任務，如語言和圖像識別，之后在一生中以這種*學習體驗為基礎不斷進行修正。之后，似乎自然而言的是，我們利用這種學習概念來積累知識，并能夠建立模型和預測結果，甚至將這種概念應用于與計算機相關的程序和任務中。而這些涉及于上述計算過程中的技術，就是所謂的“人工智能”。
只是個游戲
20世紀90年代末，人工智能世界一個決定性時刻到來。在1996年，象棋大師加里·卡斯帕羅夫對戰IBM公司的“深藍”計算機，以4-2獲勝。一年后，卡斯帕羅夫與深藍再次交手。這一次，深藍笑到zui后。本次勝利令外界對人工智能的看法發生*轉變。象棋大師必須不斷進行非常復雜的計算，考慮多種不同的走法以及相應的策略。他們也可以自己進行學習，并創出新奇的走法。如果能夠模仿這個過程，甚至將其應用到象棋這樣的特別任務里，那將展露人工智能技術真正的潛力。
得益于上述成功，人工智能不斷發展，我們因而進入了成熟和階段。Google旗下的DeepMind公司使用深度學習算法。這些算法正是基于那種讓人類得以學習神經通路或者網絡的想法。人工智能再一次被應用到游戲中，以為自己正名。DeepMind采納了“人機對戰”的主意，這次挑戰的是非常復雜的圍棋游戲。DeepMind公司對該游戲的描述是“棋子位置數比宇宙中的原子數多”。因此，對人工智能技術來說這是的挑戰。DeepMind使用深度學習算法來訓練自己如何應對專業級棋手的走法。該公司開發的智能圍棋系統就是的AlphaGo，其對戰其他圍棋程序的勝率達到99.8%，并且在zui近對戰圍棋專業選手李世石的比賽中取得5局4勝的好成績。
看起來這只是一個游戲，但事實上，它證明了這項技術，表明人工智能可以像人類一樣學習如何建立模型和預測結果。與李世石的比賽證明了計算機具有這種能力，現在人工智能技術正進入一個成熟的階段，至此該項技術將被應用于解決更為現實的問題。
人工智能世界里的一些定義
在這個章節，我們需要關注一下人工智能技術的一些術語和定義。
我們可以這樣去理解：深度學習是機器學習的分支；機器學習是人工智能的分支。
人工智能：這個一般術語用來描述一種由人類打造的技術，這項技術在解決問題時能夠達到類似人類的智商程度。它可能會(也可能不會)使用生物結構作為其智能操作的潛在基礎。人工智能系統通常會經過訓練，并從中進行學習。
機器學習：在上述我們用作舉例的人機對戰里，機器學習利用棋手棋譜進行訓練。通過學習棋手的走法和策略，該系統可以將非常龐大的數據集作為訓練輸入，之后它們將這些數據集用來預測結果?；跈C器學習的系統可以使用經典和非經典的算法。機器學習其中一個zui為寶貴的方面是適應能力。適應性學習能提高預測的準確度。反過來，這也能促進處理所有可能性和組合并根據輸入的數據來提供*結果。在游戲對戰的情況里，這種學習幫助機器贏得更多比賽。
深度學習：這是機器學習的分支，是機器學習的一種實現方式。系統的類型學是非常重要的；在學習時，關鍵不是在于“大”，而在于表面區域或者深度。更復雜的問題可以由更多神經元和層塊來解決。這個系統用于對系統進行訓練，將已知的問題和答案應用于解決任何給定的問題，這就創造了一個反饋回路。訓練結果是一個加權結果，這種加權會傳遞給下一個神經元來決定該神經元的輸出——通過這種方式，它根據各種可能性建立起一個更為準確的結果。
人工智能在現實世界的應用
我們已經看到人工智能應用于游戲中，那么在現實世界的商業應用呢？人工智能現在已經應用于多種處理流程和系統中。
機器學習也被用于多個后端流程，例如獲得銀行貸款和抵押貸款等所需的評分。在銀行業里，可使用機器學習來提供產品的個性化，從而為銀行帶來競爭優勢。
深度學習已經應用到更復雜的任務當中，在這些任務里規則更為不明確也更加復雜。大數據時代將提供一些更有利于推動使用深度學習的工具。我們可以看到深度學習應用于任何與模式識別相關的東西中，例如面部識別系統、語音助手和用于防止詐騙的行為分析。
例如在蘇州千視通，已經在視頻結構化服務器和視頻大數據結構化平臺使用了深度學習算法技術，較之以往的傳統智能算法,深度學習在解決視頻結構化問題方面更“智能”。專為視頻監控場景設計優化的深度學習算法，具備了比人腦更的安防大數據歸納能力，實現了在各種復雜環境下人、車、物的多重特征信息提取和事件檢測，支持單臺設備自成一個完整的系統，提供結構化分析和視圖庫存儲。
由于有這些更為復雜和更的算法的幫助，人工智能正進入一個新時代。這是下一個劃時代的技術——Gartner很多關于2016年及以后的技術的預測都是基于人工智能和機器學習。人工智能抓住了那些不能解決的問題的關鍵——這些問題我們此前認為只有人類才能解決。zui終，甚至有一天像寫這篇文章這樣的工作，都可以由機器來完成。
