2017年，我们目睹了人工智能（AI）时代的开始。AlphaGo在2017年5月最后一次在复杂的围棋游戏中击败了世界顶级玩家。让自己再无人类的竞争对手。相反，它的新版本AlphaGo Zero只是在没有任何历史游戏数据的帮助下完成了对抗AlphaGo。AlphaGo Zero已经学会了如何在40天内击败AlphaGo的所有版本。

几千年来人们一直在玩围棋。然而，在跨地域和整个围棋历史的无数小时竞争中，积累的所有人类智慧竟然不能与自己开发的40天AI计划相媲美。

而且AI的足迹不限于围棋游戏。它的印记可以在无数行业中看到，从金融，到医疗，到会计，摩根大通的COIN计划在几秒钟内完成了36万小时的财务相关工作。诺丁汉大学的人工智能项目现在可以比医生更准确地预测中风和心脏病发作。

人工智能对白领工作的威胁显而易见。但在开始讨论人工智能是否能够替代人力之前，我们首先需要确定人工智能，机器学习和深度学习的不同。

AI和机器学习是什么？

在基本层面上，人工智能是计算机科学的一个分支，旨在构建能够看到，听到和理解人类的计算机。

图灵在“计算机机械与智能”一书中总结的制造思维机器的工作是人工智能历史上的一个重要里程碑。在1950年的论文中，图灵问道：“机器能够以与人类无法区分的方式与自然语言进行通信吗？”这就是着名的图灵测试的本质，它已经成为几代人工智能研究人员评估的关键基准。

就我们的目的而言，AI这个术语适用于模拟人类认知能力的程序以及处理和应用捕获信息的程序。自然语言处理（NLP）和语音和图像识别应用程序是AI的例子。NLP试图理解书面语言文本。语音识别——比方说，将声音或口语转化为文本——是一个相关的领域。图像处理是另一个平行的领域，通常被称为图像识别或计算机视觉。

作为一门学科，AI的发展速度很快，其定义也是如此。例如几年前还可算作人工智能应用的，如光学字符识别或OCR，似乎已经不是主流。

机器学习这个词是1959年由计算机科学家亚瑟·塞缪尔创造的，它提到“一个学习领域，使计算机能够在没有明确编程的情况下学习。”机器学习应用是人工智能编程可以编写附加程序来说明输入和预测输出。

尽管机器学习可能是许多人最近才遇到的一个新术语，但神经网络是金融专业人士（尤其是数据）可能更熟悉的相关概念。神经网络是机器学习的一种形式，受人脑处理信息的启发。

深度学习是今天最热门的话题之一。许多人声称深度学习的出现已经重振了人工智能研究。深度学习基本上是多层神经网络：在多个阶段处理初始输入以产生最终输出的程序，在每个阶段以最后阶段的输出作为输入。这让人想起我们如何倾向于将复杂的任务分解为一系列较小的步骤。

再加上现在计算能力的增加和数据的爆炸，深度学习技术的进步已经帮助实现了开启人工智能新的春天。

我们正在建设“看懂，听懂，理解”机器的旅程中？

AI将继续发展。例如，Yann LeCun最近提出差分编程这个术语应该可取代深度学习。而更多的人真正关心的是这些创新提供给我们的工具。

人工智能技术在过去的12个月中取得了巨大的进步，程序员现在可以使用很多的开源工具。现在用户可以通过云平台接入机器学习服务，按需使用机器学习的工具、算法和计算能力等等。

用许多行业巨头的话来说，人工智能就是新的电力。可预测的未来，下一个重大举措将是跨行业应用人工智能。