1.1.2 人工智能的发展

近十年来，伴随着高性能计算机、互联网、移动互联技术、大数据等的普及，加上计算成本下降，机器学习得到广泛应用，特别是深度学习技术在计算机视觉感知、语音识别和自然语言处理方向取得突破性进展；人脸识别、智能语音助手、智能客服机器人等应用层出不穷。

机器学习（Machine Learning，ML）是让计算机模拟和实现人类的学习行为，通过学习现有数据，让计算机获取知识和技能，总结相关规律和模式；当有新数据输入时，计算机可以通过之前的规律或模式给出合理判断或输出。

机器学习算法从学习方式上可以分为监督学习、无监督学习和强化学习。监督学习和无监督学习是根据学习数据是否有监督结果来划分的；监督学习需要大量的标注数据进行训练，而无监督学习则不需要大量的标注数据。强化学习则是以环境反馈为输入，以统计或动态规划等技术为指导的一种学习方法。常见的机器学习方法包括决策树算法、朴素贝叶斯分类器算法、逻辑回归算法支持向量机算法、随机森林算法、深度学习算法等。

从技术和时代发展来看，人工智能发展经历了三个阶段，分别是从1956年人工智能概念的提出到20世纪80年代的第一次人工智能发展阶段；从20世纪80年代到21世纪初的第二次人工智能发展阶段；自2006年以来的第三次人工智能发展阶段。第一阶段是以符号机制推理为基础，以基于规则的推理与学习为主要方法，其代表性成果为各类专家系统，如医疗诊断、石油勘探、电路诊断等。第二阶段是以连接机制为基础，以人工神经元网络为推理及学习的主要方法，其代表性成果为各种基于人工神经元网络算法实现的机器学习系统，如语音识别、人脸识别、指纹识别等。第三阶段是连接机制的进一步深化，以多层人工神经元网络为基础的深度学习为主要方法，其代表性成果为市场上获得广泛应用的各项深度学习系统，如自动驾驶系统、推荐系统、智能图像识别系统等。