人工智慧在近幾年備受關注。科技公司自2011年以來對研究開發人工智慧相關產品和技術的投資已超過20億美元，還投資了數十億美元來收購人工智慧初創公司。
認識人工智慧的第一步是定義這個術語，概述它的歷史，並描述其中的一些核心技術。
1、定義人工智慧
人工智慧的領域定義太少也太多。Nils Nilsson是該領域的奠基人之一，他寫道，人工智慧“可能缺乏一個公認的定義……”。一本備受尊重的人工智慧教科書在它的第三版中，提供了人工智慧的8個定義，但並未明確表明更推崇其中的某一個。對我們來說，人工智慧的一個有用的定義是計算機系統的理論和發展能夠執行通常需要人類智慧參與的任務。例如視覺認知、語音識別、決策不確定、學習和跨語言翻譯等。當我們用人類所做能的事情，而不是人類的思維方式來定義人工智慧時，我們就可以在科學界對智力的神經機制產生明確認識之前，討論它的實際應用。
2、人工智慧的歷史
人工智慧不是一個新概念。實際上，這個詞本身可以追溯到上世紀50年代。這一領域的歷史可以被恰當的總結為“充滿了炒作和高期望的時期，交替出現挫折和失望”。研究人員於1950年闡明模擬人類智慧的大膽目標後，在1960年開發了一系列示範專案，並在70年代展現了計算機能夠實現一些一度被認為是隻有人類才能完成的任務，如證明定理，解決計算問題，通過計劃和執行身體動作來回應命令——甚至模仿心理治療師和作曲師。但是處理不確定性問題的演算法不夠成熟，以及計算能力的限制，阻礙瞭解決更難或更多樣化問題的嘗試。在缺乏持續進步的失望之中，到20世紀70年代中期，AI研究不再是一種潮流。
上世紀80年代初，日本推出了一項計劃，開發一種先進的計算機架構，以推動人工智慧領域的發展。西方對被日本趕超的擔憂促使其決定重新投資人工智慧領域。20世紀80年代見證了商業AI產品供應商的誕生，其中一些公司已經開始上市，比如英特爾、Symbolics和Teknowledge。到了20世紀80年代末，500強中有近一半正在開發或維護“專家系統”。
人工智慧是以事實和規則為基礎，對人類的專業知識進行模擬的一種技術。人們曾對“專家系統”的潛力寄予厚望，但是由於它們的侷限性，包括缺乏明顯的常識，難以捕捉專家的隱性知識，以及建立和維護大型系統的高成本和高複雜性等的問題，這種期望最終又被擱置。人工智慧技術的發展又失去了動力。
上世紀90年代，人工智慧方面的技術工作仍處於較低的水平。但是神經網路和遺傳演算法等技術得到了新的關注，一部分原因是它們避免了專家系統的一些侷限性，另一部分是因為新演算法使它們更有效。神經網路的設計靈感來自於大腦的結構。遺傳演算法旨在通過迭代地生成候選解決方案來“升級”解決問題的方法，剔除掉最弱的解決方案。並且通過引入隨機突變生成新的解決方案。
3、人工智慧發展的催化劑
到20世紀末，許多因素推動了人工智慧的進步，尤其是在一些關鍵技術方面。下文列舉了促進人工智慧發展的幾大關鍵性因素，並對其進行了詳細闡述。
摩爾定律：在給定的價格和規模下，計算能力的持續增長，被稱為摩爾定律。
大資料：大資料為人工智慧的發展提供很大助力，因為一些人工智慧技術會使用統計模型進行資料分析推理，例如影像、文字或語音。通過大資料來驗證這些模型，可以使模型得到改進或者“訓練”。
網際網路和雲：將人工智慧的進步歸功於網際網路和雲端計算有以下兩個原因。首先，網際網路和雲連線的計算裝置能夠提供和計算海量的資料和資訊， 這為需要大量資料集進行工作的人工智慧提供了助力。第二，它們為人類提供了一種有助於培訓人工智慧系統的能夠多方參與的方法。
新演算法：近年來，開發出的新演算法極大地提高了機器學習的效能，機器學習技術是計算機視覺等其他技術的推動者。
4、認知技術
在此我們把人工智慧和該領域中衍生出的新技術區分開討論。大眾媒體將人工智慧描繪成智慧或比人類聰明的計算機。相比之下，某些單獨的技術在執行特定的任務時表現得更好，我們稱之為認知技術。下面我們將列舉一些被廣泛採用、取得快速進展或獲得鉅額投資的認知技術。
計算機視覺：計算機識別影像中的物體、場景和活動的能力。計算機視覺技術使用影像處理操作和其他技術將影像解析並分割成可管理的部分。
機器學習：計算機系統在不遵循明確程式設計指令的情況下，通過接觸並處理資料來提高效能的能力。機器學習的核心是計算機自主發現資料中的特殊模式。一旦成功，這種“模式”就可以用來預測結果。
自然語言處理：計算機以人類的方式處理文字。例如，從文字中提取文意，甚至可以將文字生成通順的，語法正確且風格自然的句子。
語音識別：計算機自動並準確地翻譯人類語音。語音識別系統使用的是一些與自然語言處理系統相同的技術，另外還有一些聲音模型，比如描述聲音的聲學模型，以及它們在給定語言中出現的概率。
5、德勤應用與實踐
從德勤的角度來看，現在的問題是：“公司客戶和各成員所如何從使用認知技術中獲益？”德勤美國創新團隊開發的一個軟體應用正與德勤美國的審計和諮詢業務進行密切合作，並已經幫助公司節省了大量時間和資金。然而，這對於那些夢想著未來的人而言，這樣的程式也許只是剛剛起步。
2014年10月，由德勤美國創新團隊開發並上線了一個人工智慧文件審查平臺，它自動化了從合同中讀取和提取關鍵資訊的過程。通過將第三方機器學習演算法與德勤美國領域專家提供的“訓練”相結合，該技術通常可減少至少50%檢查文件的時間，從而使使用者能夠專注於增值分析和解釋性活動。
德勤美國創新團隊總監Craig Muraskin說，團隊每年審閱數千份檔案，因此可以節省成倍的時間，是數量級的效率提高改進。此外，應用程式的分析和視覺化功能使提取合同和文件中的資料成為可能，也能讓使用者快速瞭解潛在的風險因素，並獲得更深刻的見解。
“合同審閱應用程式現已成為一種引領變革的能力，涉及審計、管理諮詢和其他諮詢服務。我們還發現它對多種檔案型別，包括髮票、財務報表、董事會會議記錄也同樣有效，”Muraskin說，“我相信我們很快就會擴充套件這個平臺來解決其他問題。我們的客戶可以通過多種方式從這項技術中獲益。”
支援這個平臺的認知技術是由很多或大或小的第三方公司提供的，這些公司正在開發認知技術或AI解決方案。德勤美國正在與這些開發人員合作，其中包括IBM。沃森的認知系統目前提供了一個全面的認知計算平臺，它是專門為廣泛支援企業解決方案而設計的。
德勤致力於成為認知技術運用領域的創新者。德勤的成員所正與一些小公司合作,幫助補充和擴充套件德勤認知技術能力。“我們的目標是提供全面的認知和先進的分析解決方案,以幫助我們的客戶做出更明智的決定,” 德勤美國創新領袖Paul Roma說到。
德勤最近成立了一個2000萬美元的基金，專為新的認知技術平臺提供資金支援，讓其為德勤的市場業務制定解決方案。“這對我們來說是一個遊戲規則的改變。”Roma說到“我們將打造自己的平臺，由認知技術供應商提供原動力。利用這個平臺，我們將為客戶建立和部署新產品。該基金將成為創新的真正催化劑。”
隨著認知技術逐漸成熟和德勤的應用經驗不斷累積，德勤各成員所探索和應用認知技術相關服務的方式也會不斷髮展。“我們預計，隨著認知技術的不斷髮展，它的應用市場將會大幅增長，人們會找到更為實用的方法來利用認知技術解決商業問題，” 德勤的首席分析技術負責人Nitin Mittal說到“作為一個擁有深厚行業經驗的國際公司，德勤十分看好認知技術的強大能力。德勤需要將這些技術融入到我們現有的業務當中，為成員所的客戶提供創新性的認知解決方案。”
PDF版下載可加入我們小密圈，199IT感謝您的支援！
