人工智能 又被称为机器智能，是一种综合计算机科学、统计学、语言学等多种学科，使机器 模仿、展现 人类智能的 技术。
说到人工智能我们不得不提到图灵测试，那么什么是图灵测试呢？
计算机科学家 艾伦·图灵 在 1950 年发表了一篇论文，文中提出了一项思想实验：我们委托一名人类测试员，使用测试对象能够理解的语言，分别和身处密室中的一台机器、一名人类自由地进行对话。假如经过若干轮对话后，测试员依然无法分辨出谁是机器、谁是人类，则说明该机器通过测试，是具有智能的。
人工智能的应用也可分为四大主要组成部分：
例如在生活中我们常见的图书馆或者小区的门禁(用人脸解锁的那种)就体现了计算机视觉方面的智能，还有手机的语音助手，小爱，小艺，小度，siri等他们则体现了自然语言处理方面的智能。
人工智能的实现方法主要有三种：
其核心思想就是通过事实和规则，自动分析其中的逻辑关系，最终得出结论。
我们可以举一个例子：
以下有三条事实和规则：
由此可以得出结论：小明与小红之间是朋友关系。
这一套逻辑在 Prolog 编程语言中，可以这样表达：
human(xiaoming). # 小明是人类
human(xiaohong). # 小红是人类
like(xiaoming, xiaohong). # 小明对小红有好感
like(xiaohong, xiaoming). # 小红对小明有好感
# 对于朋友关系的定义：
# 当 X、Y 都是人类，并且 X 对 Y 有好感、Y 对 X 也有好感，
# 则 X 和 Y 之间是朋友关系
friend(X, Y) :- human(X), human(Y), like(X, Y), like(Y, X).
# 小明和小红之间是朋友关系吗？
?- friend(xiaoming, xiaohong).
# 输出：true.
Prolog 是一种逻辑编程语言，专门用来解决逻辑问题。（并非重点，自行了解）
上个世纪逻辑编程大放异彩。众多计算机科学家采用这一思路编写“人工智能”程序解决复杂代数应用题、证明几何定理，开发出了世界上第一款聊天机器人——ELIZA。
实际上，ELIZA 的底层逻辑十分简单。
它由若干条规则构成，当检测到患者的输入中含有模糊的定义时，会引导他举一个具体的例子（think of a specific example）；当检测到患者表达了伤心、难过的情绪时，会及时地反馈“I am sorry to hear that …”；此外的大多数时候，ELIZA 只是单纯地变换主语，然后复述患者的话。
逻辑编程实现人工智能的缺点：
在一些 边界模糊、无法用简明逻辑描述 的任务面前（例如图像识别，自然语言处理等方面）逻辑编程显得力不从心。这归根结底是因为逻辑编程方法的核心思路，是 表示知识（事实）和规则，此时计算机的智能完全依赖于人类的智能，也就是编写程序的我们。
那么如何改进呢：
让机器自己学会思考，学会根据 已有的经验 应对 不确定的未来。
在经历了长达数十年的摸索后，计算机科学家们终于找到了人工智能的突破口。现代化的人工智能技术，发扬了机器 计算能力强、擅长处理大量数据 的特点，让机器在海量数据中学习解决问题的方法。
这便是使人工智能真正具备应用可能的划时代技术——机器学习。
机器学习 的核心目标，是教会计算机学习知识的方法。而这个“方法”，就是 机器学习算法。
就像我们在学习写作时，会先学习简单词句，再进行写作的练习，并且会参加大大小小的考试，检测学习成果。机器在学习时也是一样：
机器学习的核心在于 学习，也就是 生成模型 的过程。在传统机器学习算法中，我们需要人工地从数据中 提取特征，再让机器学习这些特征之间的个性与共性。整体的流程是这样的：
那什么是 特征 呢？
特征，是能够表示某类知识的 最小单位。文本类信息有文本的特征，语音类信息有语音的特征，图像信息有图像的特征。
以文本类信息为例。一篇文章由若干句子构成，每个句子里，若干词语按顺序排列好。同样的词语，因为出现位置的不同，代表的含义可能完全不同。词语出现的次数，又极有可能反映出一句话或一段话的主旨与情感。所以文本的特征，是词语出现的 次数 与 位置。
机器学习实现人工智能的缺点：
①想要准确描述图像的特征依然太难，这就造成了图像识别的正确率并不是很高。
②机器在应对不同任务时，所需要的方法也是有差异的。这就与科学家所追寻的大道至简的思想背道而驰。
经过广泛研究，科学家们在 机器学习 基础上提出了一套更简练、更触达“智能”本质的技术——深度学习。
深度学习 是一种 端到端 的机器学习方法，运用类似人脑神经元的 神经网络 结构，赋予机器思考的能力。
人们不再需要人工地提取数据的特征，只需要把这些数据原封不动地喂给 神经网络，机器就能在不断探索的过程中，自动地提取数据中的特征，完成模型的训练。
著名计算机研究学者 李开复 曾经举过这样一个形象的例子：假设深度学习要处理的数据是信息的“水流”。神经网络就像是一张巨大的水管网络，网络由若干层构成，每层都有许多能够控制水流流向与流量的 调节阀。根据不同任务的需要，水管网络的层数、每层的调节阀数，可以有不同组合。
就像：
这张巨大网络的入口，是等待处理的数据；出口则是若干个牌子，每个牌子对应着一个识别结果。神经网络的目的是让每个输入都匹配到正确的结果。
比如在 人脸识别 任务中，训练集由若干名人类的面部照片构成，每个人可能有许多张不同光线、角度、姿势的照片。因此水管网络的入口是 抹去姓名的照片，出口是这些人的 姓名。机器的任务，就是调节阀门，让照片与人名对应起来。
例如我们将人物A对应的照片喂给水管网络，图片被解析成字节构成的水流，在水管网络中流淌。等水流流过整个水管网络，机器会跑到出口位置观察：是不是人物A这个出口的牌子流出的水多。
一来二去经过一个数量庞大的训练集的训练，整张网络变成了经验丰富的摆渡人，能顺利地将每个输入结果对应到指定输出。我们就可以宣布，一个深度学习人工智能程序 训练 完成了。
深度学习是机器学习的一种特殊算法，而机器学习是实现人工智能的一种方式。很多同学在刚接触这些概念时，会把深度学习和机器学习搞混，认为它们是同一层级的技术。这是不对的。
相比于传统机器学习算法，深度学习的实现过程像是一个巨大的黑盒。我们无需关心黑盒子内部的实现原理，只要在最开始告诉程序若干对 输入-输出 结果对，“对于输入 A，我希望得到结果 a；对于输入 B，我希望得到结果 b……”，程序便会自动地分析每个输入的特征，找到一种合适的方式达到目标结果。
科学家们按照人工智能与人类智能之间的关系，将人工智能分为三类：
限于计算机性能以及海量的数据训练，我们一般借助国内互联网公司的人工智能开放平台。
