怎么学人工智能编程?人工智能能否超越人类?

现在有很多科幻电影，讲的就是人工智能与人类之间的争夺，而霍金貌似也曾预言，人工智能将会取代人类。从电影的角度来看，人工智能进化到一定程度，确实可以取代人类。不过从当前科技发展的角度来看，人工智能彻底进化，还需要很长的时间。可能对于八零后和九零后来说，看不到人工智能取代的年代。

1、有可能被取代

现在有很多关于人工智能的电影，大概意思就是机器人在发展到一定地步之后，已经有了自我进化的能力。当他们进化到一定程度后，思想就会开始发生变化。以人类为主并且听从人类，可能会变成控制人类。之前看过一部电影，叫做《我，机器人》。内容大概就是智能机器人发展到一定地步，已经可以开始自我升级并且进化，它们逐渐有了自己的意识，想要开始去掌控世界。后来在男主的努力下，这个计划被打消，机器人全部返厂。

2、近几十年应该不可能

从当前的科技发展来看，人工智能想要完全取代人类，还需要很长的时间。现在确实有很多机器，取代了人类的工作，可它实际上还是受人类自己操控的，并不是自我或者受到某个系统芯片的控制。在没有人类控制的时候，它们无法独立完成工作。对于现代人来说，想要看到机器人发展到电影里的程度，可能性非常小。不过也有些公司发明的机器人比较厉害，比如说前些年的泰坦机器人。

3、泰坦机器人

在一期《笑傲江湖》中，来了一个泰坦机器人，它表演了一段脱口秀，并且得到了部分人的认可。当时还以为那是皮套，结果没想到是真实的机器人。当时觉得很不可思议，它能够完成这样的表演，还是很令人吃惊的。不过这样的机器人很少，貌似全世界也只有不到十台。对于现在来说，想要大规模生产智能机器人，几乎是不可能的。

1、数学基础。数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。这一模块覆盖了人工智能必备的数学基础知识，包括线性代数、概率论、最优化方法等。
2、机器学习。机器学习的作用是从数据中习得学习算法，进而解决实际的应用问题，是人工智能的核心内容之一。这一模块覆盖了机器学习中的主要方法，包括线性回归、决策树、支持向量机、聚类等。
3、人工神经网络。作为机器学习的一个分支，神经网络将认知科学引入机器学习中，以模拟生物神经系统对真实世界的交互反应，并取得了良好的效果。这一模块覆盖了神经网络中的基本概念，包括多层神经网络、前馈与反向传播、自组织神经网络等。
4、深度学习。简而言之，深度学习就是包含多个中间层的神经网络，数据爆炸和计算力飙升推动了深度学习的崛起。这一模块覆盖了深度学习的概念与实现，包括深度前馈网络、深度学习中的正则化、自编码器等。
5、神经网络实例。在深度学习框架下，一些神经网络已经被用于各种应用场景，并取得了不俗的效果。这一模块覆盖了几种神经网络实例，包括深度信念网络、卷积神经网络、循环神经网络等。
6、深度学习之外的人工智能。深度学习既有优点也有局限，其他方向的人工智能研究正是有益的补充。这一模块覆盖了与深度学习无关的典型学习方法，包括概率图模型、集群智能、迁移学习、知识图谱等。
7、应用场景。除了代替人类执行重复性的劳动，在诸多实际问题的处理中，人工智能也提供了有意义的尝试。这一模块覆盖了人工智能技术在几类实际任务中的应用，包括计算机视觉、语音处理、对话系统等。

当然可以自学。人工智能作为新时代科学飞速发展的产物之一，他的出现极大的便利了人们的生活，提高了人们对生活的体验。作为新兴的产业之一，会有很多小伙伴对其产生浓厚的兴趣，那么今天就让我们来讲讲如何学习人工智能，顺便分享几个学习人工智能的网站以供大家参考。

首先，人工智能属于计算机的一个分支，他是科技发展的重要产物，同样也是科技强大的体现。如果决定想要学习人工智能，当然不论是学任何东西。第一步就是要先了解你所要学习的具体是什么东西。就拿人工智能来举例，我们要先了解这一领域以及一些相关的基础知识。

一、人工智能是什么？

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。当我们在了解了基础的知识后我们还要对其进行下一步定义，就是我们为什么要去学习这项专业也就是我们要拿他去干什么？也就是明确目的性。

人工智能

你的目的是什么？是想要做基础的学术研究、比较感兴趣简单的进行了解还是说当成一个具体的就业方向，然后想明白这个问题我们再去根据他来进行有重点地去学习这项专业。像人工智能他的方向可能会有很多例如：机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。

选择相关的带着目的地去进行学习，这样是最有效率的。

好了，接下来由我来分享几个有关学习人工智能的网站

网站一：美国人工智能协会（网址： http://www.aaai.org/ ）

美国人工智能协会官网

作为美国一个非盈利性的科学社团组织，主要致力于让机器产生智慧思考和智能行为的研究。此外，提升公众对人工智能的理解，对人工智能实践人员的教学和培训，为人工智能领域的研究者和投资者提供指导等也都是AAAI的实践内容。

网站二：智能代理家园(Agentland 网址： http://www.agentland.com/ ）

智能代理家园(官网

智能代理是人工智能的应用领域之一，在中学人工智能课程教学中，适当介绍智能代理的基本概念和工作原理，并让学生与智能代理实例进行交互操作，能使其不但感受到智能代理的智慧和人性化服务，并且将由对智能代理的亲身体验，而产生对人工智能课程学习的浓厚兴趣。PS：可以当作入门学习的基础。

好了以上就是对人工智能的基本了解与自学方法，感兴趣的小伙伴可以去学习一下。

在美国，单独开设AI的院校不多，一般是博士才会涉及AI的具体科研项目，硕士主要是修读相关课程。

核心课程

Artificial Intelligence 人工智能

Machine Learning 机器学习

Advanced Operating Systems 高级操作系统

Advanced Algorithm Design 高级算法设计

Computational Complexity 计算复杂性

Mathematical Analysis 数学分析

Advanced Computer Graphics 高级计算机图形

Advanced Computer Networks 高级计算机网络

就业方向参考

（1）搜索方向：百度、谷歌、微软、yahoo等(包括智能搜索、语音搜索、图片搜索、视频搜索等都是未来的方向)

（2） 医学图像处理：医疗设备、医疗器械很多都会涉及到图像处理和成像，大型的公司有西门子、GE、飞利浦等。

（3）计算机视觉和模式识别方向：前面说过的指纹识别、人脸识别、虹膜识别等;还有一个大的方向是车牌识别;目前鉴于视频监控是一个热点问题，做跟踪和识别也不错;

（4）还有一些图像处理方面的人才需求的公司，如威盛、松下、索尼、三星等。

另外，AI方向的人才都是高科技型的，在待遇方面自然相对比较丰厚，所以很这个方向很有发展前途。

人工智能专业学习的主要课程有认知心理学、神经科学基础、人类的记忆与学习、语言与思维、计算神经工程等。人工智能专业是中国高校人才计划设立的专业，旨在培养中国人工智能产业的应用型人才，推动人工智能一级学科建设。

按现在的科技这样发展下去，人工智能是有可能超越人类的。

1956年夏季，在美国达特茅斯学院举行的一次重要会议上，以麦卡赛、明斯基、罗切斯特和申农等为首的科学家共同研究和探讨了用机器模拟智能的一系列问题。

首次提出了“人工智能”这一术语，它标志着人工智能这门新兴学科的正式诞生。此后，人工智能在发展历史上经历了多次高潮和低潮阶段。

在1956年人工智能被提出后，研究者们就大胆地提出乐观的预言，达特茅斯会议的参与者之一赫伯特·西蒙（Herbert Simon）还做出了更具体的预测：10年内计算机将成为国际象棋冠军，并且机器将证明一个重要的数学定理。

西蒙等人过于自信，其预言没有在预测的时间里实现，而且远远没有达到。这些失败给人工智能的声誉造成重大伤害。

1971年，英国剑桥大学数学家詹姆士（James）按照英国政府的旨意，发表了一份关于人工智能的综合报告，声称“人工智能研究就算不是骗局，也是庸人自扰”。

在这个报告的影响下，英国政府削减了人工智能的研究经费，解散了人工智能研究机构。人工智能的研究热情第一次被泼了冷水。

20世纪90年代，以日本第五代机器人研发失败和神经网络一直没有突破为代表，人工智能进入了第二个冬天。

直到21世纪初，深度学习与互联网大数据结合才使人工智能又一次迎来新的春天。在阿尔法围棋等大量突破性成果涌现之后，人类对机器（AI）能否超越人类的问题又重新燃起了热情。狂热的情绪背后甚至产生了人工智能威胁论。

谷歌技术总监、《奇点临近》的作者雷·库兹韦尔（Ray Kurzweil）预言人工智能将超过人类智能。他在书中写道，“由于技术发展呈现指数级增长，机器能模拟大脑的新皮质。

到2029年，机器将达到人类的智能水平；到2045年，人与机器将深度融合，那将标志着奇点时刻的到来。”除此以外，支持人工智能威胁论的代表人物还包括著名物理学家霍金、微软创始人比尔·盖茨、特斯拉CEO马斯克等。

2014年12月2日，霍金在接受BBC采访时表示，运用人工智能技术制造能够独立思考的机器将威胁人类的生存。霍金说：“它自己就动起来了，还能以前所未有的超快速度重新设计自己。人类呢，要受到缓慢的生物进化的限制，根本没有竞争力，会被超越的。”

特斯拉CEO马斯克对待人工智能的态度比较极端，2014年8月，他在推特上推荐尼克·波斯特洛姆的著作《超级智能：路线图、危险性与应对策略》时写道：“我们需要重点关注人工智能，它的潜在危险超过核武器。”

2017年10月，日本著名风险投资人孙正义在世界移动大会2017上表示，他认为机器人将变得比人类更聪明，在大约30年的时间里，AI的智商将有望超过1万点。相比之下，人类的平均智商是100点，天才可能达到200点。

孙正义说：“奇点是人类大脑将被超越的时刻，这是个临界点和交叉点。人工智能和计算机智能将超越人类大脑，这在21世纪肯定会发生。我想说的是，无须更多的辩论，也无须更多怀疑。”

在人工智能威胁论热度日益高涨的情况下，人工智能领域的科学家对人工智能威胁论提出了反对意见。2014年4月，脸书人工智能实验室主任，纽约大学计算机科学教授杨立昆在接受《波普杂志》采访时发表了对人工智能威胁论的看法。

他认为人工智能的研究者在之前很长的一段时间都低估了制造智能机器的难度。人工智能的每一个新浪潮，都会经历这么一段从盲目乐观到不理智最后到沮丧的阶段。

杨立昆提出：很多人觉得人工智能的进展是个指数曲线，其实它是个S形曲线，S形曲线刚开始的时候跟指数曲线很像，但由于发展阻尼和摩擦因子的存在，S形曲线到一定程度会无限逼近而不是超越人类的智商曲线。

未来学家们却假设这些因子是不存在的。他们生来就愿意做出盲目的预测，尤其当他们特别渴望这个预测成真的时候，这可能是为了实现个人抱负。

不会完全取代，未来将有47％的工作被机器人取代。

和人脑相比，人工智能算法应对数值和符号计算更加精确快速，稳定可靠。特别是对于有确定规则的计算问题，人工智能可以远远超出人脑的计算速度，也更容易找到最优的解答。比如，在数值计算，图形、语音、生物特征、行为姿态等方面的识别，甚至更加复杂的预测推理任务方面，人工智能都有超越人脑的优秀表现。

人工智能不具备感性思维，无法跨越到意识领域。当前的计算机架构和编程模式具有本质上的劣势，使得人工智能无法实现与人脑情感、意志、心态、情绪、经验等方面的自然交互。本质上，人工智能仅仅是物质世界范畴的概念，无法跨越到意识领域。

在一个真正实现人工智能的工作场景中，传统劳动者也并未被‘下岗’，只是改变了角色而已。仍然需要人类对人工智能的表现进行监控，进行情报采集与分析，以及开展预测性的实验与评估，引导性的过程管理与控制。

相信将来人类90%以上的工作是由人工智能提供的，就像今天我们大多数的工作是由计算机和各种其它机器提供的一样。

人工智能的学习，简单点来说，就是有3点，做到就相当于学会了人工智能，然后找工作实习就可以了。

第一点学好数学知识
人工智能就是计算机科学的一个分支，不过也有借助其他计算机技术的时候，它和计算机的主要组成部分非常相似，差异的地方主要就是形态。它们都是硬件和软件相配合，硬件就是实实在在可以看见，可以触碰到的物品，而软件则是在内部运行的，是一种可以对硬件进行控制，实现“智能”的程序。而软件主要是经由程序设计来完成的。
程序设计就是一大堆的英文字母，被组合在一起，表达一种独有的信息，不过除了这些还会需要到数学知识，虽然在一些比较基础的或者是简单的程序上用的数学知识很少，不过随着程序越复杂，用到的数学知识就会越多，比如逻辑思维、数据结构、算法等等。
第二点学习编程语言
人工智能编程语言有一个共同的特点，那就是这些语言都是面向所要解决的问题、结合知识表示、完全脱离当代计算机的诺依曼结构特性而独立设计的；它们又处于比面向过程的高级编程语言更高的抽象层次。因此，用这些语言编写的程序，在现代计算机环境中，无论是解释或编译执行，往往效率很低。尤其当程序规模很大、很复杂时，将浪费大量系统资源(主要指处理机占用时间和存储空间占用量)，使系统性能下降到难以容忍的地步。
第三点实战
理论知识只是理论知识和实际运用是两回事，拥有再好的理论，不能实现在现实中，也是没有用的，所以基础知识学完后就需要进行实习了，把学来的知识在实际的案例中慢慢吸收一遍，会得到不一样的理解。

：随着人工智能的飞速发展，很多人都在担忧人工智能是否会超越人类、甚至毁灭人类，比如像特斯拉的CEO埃隆.马斯克认为也许只有人看到人工智能在街上杀人的时候，才会意识到这个问题的严重性。很多人对这个问题都有自己的答案，但是他们的答案也许只是因为他们的直觉，而真正的原因恐怕连他们自己也不清楚，比如有的人可能会说因为自己觉得未来人工智能会有自主学习的能力，所以人工智能会超越人类，而另一类人也许会说因为人工智能也是由人制造的，所以不会超越人类。一般人这么思考问题也许不能算错，但是作为一名IT人，必须学会用工程的思维来思考问题，而不是靠自己的直觉，本篇文章就带大家了解一下吴军老师是如何用工程的思维论证这个问题的：

图灵机是什么？
图灵博士被认为是神一样的人。在20世纪，全世界智力水平可以和爱因斯坦平起平坐的人恐怕只有图灵和冯.诺依曼两个人了（而后者被认为的智力甚至超越了爱因斯坦）。在上个实际30年代中期，图灵在思考三个问题：

1.世界上是否所有的数学问题都有明确的答案？

2.如果有明确答案，是否可以通过有限步骤的计算得到答案？

3.对于那些有可能在有限步骤计算出来的数学问题，能否有一种假想的机械，让它不断运动，最后当机械停下来的时候，那个数学问题就解决了？

图灵思考问题的这个方法后人称之为图灵机，是一个数学模型。今天所有的计算机，包括全世界正在设计的计算机，从解决问题的能力来讲，都没有超出图灵机的范畴。

人工智能的边界在哪里？
解释完图灵机，我们可以回到最初的问题了，人工智能的边界在哪里？
其实给出图灵思考问题的答案就可以得到结论了：

世界上有很多问题，其中只有一小部分是数学问题

在数学问题中，只有一小部分是有解的

在有解的问题中，只有一小部分是理想状态的图灵机可以解决的

在后一类问题中，又只有一部分是今天实际的计算机可以解决的

而人工智能可以解决的问题，又只是计算机可以解决问题的一部分

吴军老师把这个问题画成了一张图：
这里写图片描述

至此，我们应该可以得到问题的答案了：
人工智能所能解决的问题只是世界上的很小一部分。对于人工智能来讲，个人觉得现在世界没有解决的问题太多，无论是人还是机器（其实是背后编写程序的人），都应该想办法解决各种问题，而不是杞人忧天，担心人工智能这个

人工智能会不会取代人类

人工智能的真正风险不是恶意，而是能力。

一个超级聪明的AI会非常擅长实现目标，如果这些目标和我们的不一致，我们就遇到了麻烦。

我们需要进行机器学习，关于AI不能只限于应该如何的理论讨论，还应确保我们计划如何做到这一点。

查看更多《十问》

人工智能他肯定是可以超过人类的，因为现在已经有很多东西超过人类的，比如说象棋技术之类的东西它都可以超过了，那还有一些大脑的运算计算，他们可以一秒算出瞬间删除很长的算数儿中人他要特别的酒，再说正常人来说都要很久，而且你是天才，他也要算也要上七八表的事情，但是用电脑他们便宜两三百就算出来，所以说人工智能可以超越人类，但是不能让人工智能在特殊的一个地方上超越人类。

第一步：复习线性代数。（学渣的线代忘了好多-_-||）

懒得看书就直接用了著名的——麻省理工公开课：线性代数，深入浅出效果拔群，以后会用到的SVD、希尔伯特空间等都有介绍；

广告：边看边总结了一套笔记 GitHub – zlotus/notes-linear-algebra: 线性代数笔记。

第二步：入门机器学习算法。

还是因为比较懒，也就直接用了著名的——斯坦福大学公开课 ：机器学习课程，吴恩达教授的老版cs229的视频，讲的非常细（算法的目标->数学推演->伪代码）。这套教程唯一的缺点在于没有介绍最近大火的神经网络，但其实这也算是优点，让我明白了算法都有各自的应用领域，并不是所有问题都需要用神经网络来解决；

多说一点，这个课程里详细介绍的内容有：一般线性模型、高斯系列模型、SVM理论及实现、聚类算法以及EM算法的各种相关应用、PCA/ICA、学习理论、马尔可夫系列模型。课堂笔记在：CS 229: Machine Learning (Course handouts)，同样非常详细。

广告：边看边总结了一套笔记 GitHub – zlotus/notes-LSJU-machine-learning: 机器学习笔记

第三步：尝试用代码实现算法。

依然因为比较懒，继续直接使用了著名的——机器学习 | Coursera ，还是吴恩达教授的课程，只不过这个是极简版的cs229，几乎就是教怎么在matlab里快速实现一个模型（这套教程里有神经网络基本概念及实现）。这套课程的缺点是难度比较低，推导过程非常简略，但是这也是它的优点——让我专注于把理论转化成代码。

广告：作业参考 GitHub – zlotus/Coursera_Machine_Learning_Exercises: Machine Learning by Andrew Ng from Coursera

第四步：自己实现功能完整的模型——进行中。

还是因为比较懒，搜到了cs231n的课程视频 CS231n Winter 2016 – YouTube ，李飞飞教授的课，主讲还有Andrej Karpathy和Justin Johnson，主要介绍卷积神经网络在图像识别/机器视觉领域的应用（前面神经网络的代码没写够？这门课包你嗨到爆~到处都是从零手写~）。这门课程的作业就更贴心了，直接用Jupyter Notebook布置的，可以本地运行并自己检查错误。主要使用Python以及Python系列的科学计算库（Scipy/Numpy/Matplotlib）。课堂笔记的翻译可以参考 智能单元 – 知乎专栏，主要由知友杜客翻译，写的非常好~

在多说一点，这门课对程序员来说比较走心，因为这个不像上一步中用matlab实现的作业那样偏向算法和模型，这门课用Python实现的模型同时注重软件工程，包括常见的封装layer的forward/backward、自定义组合layer、如何将layer组成网络、如何在网络中集成batch-normalization及dropout等功能、如何在复杂模型下做梯度检查等等；最后一个作业中还有手动实现RNN及其基友LSTM、编写有助于调试的CNN可视化功能、Google的DeepDream等等。（做完作业基本就可以看懂现在流行的各种图片风格变换程序了，如 cysmith/neural-style-tf）另外，这门课的作业实现非常推崇computational graph，不知道是不是我的幻觉……要注意的是讲师A.K的语速奇快无比，好在YouTube有自动生成解说词的功能，准确率还不错，可以当字幕看。

广告：作业参考 GitHub – zlotus/cs231n: CS231n Convolutional Neural Networks for Visual Recognition (winter 2016) （我的在作业的notebook上加了一些推导演算哦~可以用来参考:D）

这是人工智能的全部课程，要是感兴趣的话可以了解一下：
第一阶段
前端开发 Front-end Development
1、桌面支持与系统管理（计算机操作基础Windows7）
2、Office办公自动化
3、WEB前端设计与布局
4、javaScript特效编程
5、Jquery应用开发

第二阶段
核心编程 Core Programming
1、Python核心编程
2、MySQL数据开发
3、Django 框架开发
4、Flask web框架
5、综合项目应用开发

第三阶段
爬虫开发 Reptile Development
1、网络爬虫开发
2、爬虫项目实践应用
3、机器学习算法
4、Python人工智能数据分析
5、python人工智能高级开发

第四阶段
人工智能 PArtificial Intelligence
1、实训一：WEB全栈开发
2、实训二：人工智能终极项目实战

人工智能所需要学习的技能有以下这些
①机器学习的基础是数学，入门AI必须掌握一些必要的数学基础，但是并不是全部的数学知识都要学，只学工作上实际有用到的，比如是微积分、概率论、线性代数、凸优化等这些。
②数据分析里需要应用到的内容也需要掌握，但不是网上所说的从0开始帮你做数据分析的那种，而是数据挖掘或者说是数据科学领域相关的东西，比如要知道计算机里面怎么挖掘数据、相关的数据挖掘工具等等
补足了以上数学和数据挖掘基本知识，才可以正式进行机器学习算法原理的学习。
③算法方面需要掌握一些基本的框架：python、spark、mllib、scikit-learning、pytorch、TensorFlow，数据方面需要懂得HQL、numpy、pandas，如果你本身是后台开发、app开发、数据分析、项目管理，则是一个学习算法的一个加分项。
④最后需要对人工智能有全局的认知，包括机器学习、深度学习两大模块，相关的算法原理、推导和应用的掌握，以及最重要的算法思想。
你可以去看下菜鸟窝的人工智能特训营免费公开课，能更好地了解机器学习学习路线，以及清楚自己的定位，并且知道自己要学哪些东西~
baidu一下菜鸟窝就有了

需要数学基础：

高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识。线性代数将研究对象形式化，概率论描述统计规律。

需要算法的积累：

人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累。

需要掌握至少一门编程语言：

比如C语言，MATLAB之类。毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少。

首先你需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析
其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累；

首先学：编程语言Java、Python任选，如果将来走大数据方向学Java，如果走人工智能方向学Python，其次复习大学数学：高数、线性代数、概率论与数理统计、离散数学（如果不深入研究数据结构、算法可以先不学），最后如果研究人工智能方向的同学需要学习Python的企业框架、Python计算机编程语言领域+数学领域结合成的互联网领域的人工智能（在数学领域中的人工智能也叫数据科学，如果过程相近只是领域不同，需要解决的问题领域不同），其次如果将来研究大数据方向，这时就需要研究Hadoop生态圈的企业常用技术了（基础+企业框架），例如：Hadoop、HBase、Hive、Spark、Storm等等数据分析、数据挖掘，而最终大数据和人工智能两个大的方向都能走向或者实现当今互联网的人工智能

如果把智能定义成某种固定的逻辑运算，那么AI早就超越人类了，像象棋、国际象棋、跳棋、苹果棋这样的简单智力游戏，人都玩儿不过电脑（就是人类的冠军也玩儿不过）。

但
如果广义的谈智能，AI还差得多。比方说，找为兄弟，许给他钱，让他连着学俩月开车，然后给他辆车，在美国开60公里，满世界的走，一年不出车祸就可以拿
到奖金，我相信90%的人都轻易做到；可是对于机器，那就难了，Google Self-Driving Car花了大钱现在也只是勉强做到。
上述的例子只是人类智能最为简单的部分(有人训练过蟑螂，呢能达到开车的效果)；人类复杂的抽象认知能力，如联想、推理、语言，才是高级的功能，人脑相关功能的工作机理，人类目前不是很清楚，随便在那个地方有突破都够诺贝尔奖+图灵奖了。
更为令AI沮丧的是，即便AI有了上述的学习、认知能力，离人还很远；还有Empathy（同理心），这点相信大家都不陌生，最近的大片普罗米修斯里的生化人虽然很牛，但是离真人还是有差距的，这个差距就体现在人类的情感方面。
有一番对话，对于AI与人工智能的关系有一定得启示作用：
A：金鱼经过奋斗对鱼缸中的方寸有了很深入的认识，但它能够认知鱼缸外的世界吗？
B：没准可以因为鱼缸是透明的，虽然出不去，但是总归可以看见，因此鱼至少能了解屋里
A：但屋子外的它看不到，就无法认知，也就是说它不知道鱼缸外的世界
B：鱼缸外的世界一定比鱼缸里复杂吗？认识了复杂的，就等于认识了简单的吗？

目前人工智能已经成了最热门的行业，引来了无数公司的追捧，有一种理论，说过人工智能不能取代人类的是人类的创造力，人工智能已经取代了我们太多的职业，比如开车、医疗诊断、产品加工等等。

报道称，中国相关人士表示，人工智能的发展前景确实不可限量，但所有科学技术包括人工智能，其发展都是非线性的，不会沿着一条直线永远快速向前，许多科学技术发展到一定程度就会遭遇瓶颈，在很长一段时间内停滞不前——人工智能一波三折的历史已经说明了这一点。

与此同时，科技的革新，也使劳动者与人工智能的分工愈加明显——重复性、简单性、危险性任务由人工智能完成，劳动者的创造力得以发挥，转向更多高质量的就业岗位，这意味着，人工智能在某种程度上不是冲击就业，而是升级了劳动者的“饭碗”。

分析人士称，在未来，集合了多种前沿分支技术的人工智能，确实会产生链式反应，给我们的生活、生产带来巨大的改变，天上不会掉馅饼，前景越美好，越需要清醒客观的判断和扎扎实实的努力；对于人工智能的机遇和挑战，无论走向任何领域，职场人都要把人工智能这个工具用好。