人工智能png？及与人工智能之间的关系

人工智能领域最新研究有哪些

人工智能（Artificial Intelligence或简称AI）有时也称作机器智能，是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通计算机实现的智能。该词同时也指研究这样的智能系统是否能够实现，以及如何实现的科学领域。

强人工智能和弱人工智能

人工智能的一个比较流行的定义，也是该领域较早的定义，是由当时麻省理工学院的约翰·麦卡锡在1956年的达特矛斯会议上提出的：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。

[编辑]强人工智能

强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：

类人的人工智能，即机器的思考和推理就像人的思维一样。

非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。

[编辑]弱人工智能

弱人工智能观点认为不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。

强人工智能的研究目前处于停滞不前的状态下。人工智能研究者不一定同意弱人工智能，也不一定在乎或者了解强人工智能和弱人工智能的内容与差别。就现下的人工智能研究领域来看，研究者已大量造出看起来像是智能的机器，取得相当丰硕的理论上和实质上的成果。

[编辑]对强人工智能的哲学争论

“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为：

“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）

关于强人工智能的争论，不同于更广义的一元论和二元论的争论。其争论要点是：如果一台机器的唯一工作原理就是转换编码数据，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是转换数据，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。

也有哲学家持不同的观点。Daniel C. Dennett在其著作 Consciousness Explained里认为，人也不过是一台有灵魂的机器而已，为什么我们认为：“人可以有智能，而普通机器就不能”呢？他认为像上述的数据转换机器是有可能有思维和意识的。

有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如Simon Blackburn在其哲学入门教材 Think里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她／他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。Blackburn认为这是一个主观认定的问题。

需要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。

[编辑]实际应用

机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统等。

[编辑]学科范畴

人工智能是一门边沿学科，属于自然科学和社会科学的交叉。

[编辑]涉及学科

哲学和认知科学

数学

心理学

计算机科学

控制论

决定论

不确定性原理

[编辑]研究范畴

自然语言处理

知识表现

智能搜索

推理

规划

机器学习

知识获取

感知问题

模式识别

逻辑程序设计

软计算

不精确和不确定的管理

人工生命

人工神经网络

复杂系统

遗传算法

资料挖掘

模糊控制

[编辑]应用领域

智能控制

机器人学

语言和图像理解

遗传编程

法学资讯系统

AR的核心技术***及与人工智能之间的关系

AR/VR常作为孪生兄弟被相提并论，被普遍认为为应用层新技术或者说是“智能可穿戴设备”，相比人工智能相对的“算法”标签，显得不够有深度有内涵高大上，那AR和人工智能之间到底是什么关系？AR属不属于当下我们认知中的人工智能？

AR属不属于人工智能？看完本文你就懂了 AR资讯

2018年3月，上海市经济和信息化委员会公示了2018年第一批本市人工智能创新发展专项拟支持项目。“一共有19家创新企业入围，亮风台作为AR公司也入围此次支持项目”亮风台工作人员告诉青亭网，这不是AR企业第一次被划归到人工智能，但这种归类方式也并不常见。据了解此专项由经信委与市财政局联合开展，拟支持金额超过1亿。

简单梳理下AR的核心技术

AR（Augmented

Reality），是在现实世界中叠加虚拟信息，也即给现实做“增强”，这种增强可以是来自视觉、听觉乃至触觉，主要的目的均是在感官上让现实的世界和虚拟的世界融合在一起。

其中，对现实世界的认知主要体现在视觉上，这需要通过摄像机来帮助获取信息，以图像和视频的形式反馈。通过视频分析，实现对三维世界环境的感知理解，比如场景的3D结构，里面有什么物体，在空间中的什么地方。而3D交互理解的目的是告知系统要“增强”的内容。

这其中有几个关键点：

首先是3D环境理解。要理解看到的东西，主要依靠物体/场景的识别和定位技术。识别主要是用来触发AR响应，而定位则是知道在什么地方叠加AR内容。定位根据精度的不同也可以分为粗定位和细定位，粗定位就是给出一个大致的方位，比如区域和趋势。而细定位可能需要精确到点，比如3D坐标系下的XYZ坐标、物体的角度。根据应用环境的不同，两种维度的定位在AR中都有应用需求。在AR领域，常见的检测和识别任务有人脸检测、行人检测、车辆检测、手势识别、生物识别、情感识别、自然场景识别等。

在感知现实3D世界并和虚拟内容融合后，需要以一定方式将这种虚实融合信息呈现出来，这里面需要的就是AR中的第二个关键技术：显示技术，

目前大多数的AR系统采用透视式头盔显示器，这其中又分为视频透视和光学透视，其他的代表有光场技术（主要因Magic

Leap而显名）、全息投影（在科幻影视剧作品中常出现）等。

AR中的第三个关键技术在于人机交互，用以让人和叠加后的虚拟信息互动，AR追求在触摸按键之外自然的人机交互方式，比如语音、手势、姿态、人脸等，用的比较多的语音跟手势。

人工智能和AR的技术关联

在人工智能领域有几个概念常被提及，如深度学习（DL）、机器学习（ML），在学术领域包括人工智能（AI）在内几大领域均有自己的研究界限，而在普遍意义上，我们常说的是泛意的人工智能，涵括所有“让机器像人一样”的技术的应用方向。

从这张图也可以简单一窥三者的关系，深度学习是实现机器学习的一种技术方式，而机器学习是为了让机器变得智能，去达到人工智能。可以说人工智能是最终目标，而机器学习是为了实现这个目标延伸出的一个技术方向。在这其中，还有另一个重要概念为计算机视觉（CV），主要来研究如何让机器像人去“看”，是目前人工智能概念中的一个重要分支，这也是因为人类获取信息最主要的方式之一就是视觉，目前计算机视觉已经在商业市场发挥价值，比如人脸识别；自动驾驶中读取交通信号和注意行人以导航；工业机器人用来检测问题控制过程；三维环境的重建图像的处理等等。这些概念既有区分也有一定范围的重叠。

其中，2006年开始，Hinton引发的深度学习热潮开始蔓延，在一定程度上带动了AI的又一次崛起，十年中，在包括语音识别、计算机视觉、自然语言处理在内的多个领域取得重大突破，并向应用领域延伸，正发展的如火如荼。

在AR的核心技术中，3D环境理解、3D交互理解和计算机视觉、深度学习都有着紧密的联系。3D环境理解在学术界里主要对应的是计算机视觉领域，而近年来深度学习在计算机视觉中得到广泛应用。交互方面，更趋自然的交互方式如手势和语音在硬件终端的使用，得益于近几年深度学习在相关领域的突破。也可以说，深度学习在AR中应用主要在视觉关键技术。

目前，AR最常见的形式是2D图片扫描识别，如腾讯QQ-AR火炬活动、支付宝五福等多数AR营销中所见，用手机扫描识别图出现叠加的内容，但主要的研发方向还在3D物体识别和3D场景建模。

现实的物体是以3D形态存在的，有不同的角度和空间方位。所以一个自然的扩展就是从2D图片识别到3D物体识别，识别物体的类别和姿态，深度学习可以用在这里。以水果识别为例，识别不同类别的水果，并且给出定位区域，即集成了物体识别与检测的功能。

3D场景建模，从识别3D物体扩大到更大更复杂的3D区域。比如识别场景里面有哪些东西、它们的空间位置和相互关系等等，这就是3D场景建模，是AR比较核心的技术。这其中涉及目前热门的SLAM（实时定位与地图构建）。通过扫描某个场景，然后在上面叠加虚拟战场等三维虚拟内容。如果只是基于普通2D图像识别就需要有特定的图片，而在图片不可见时会识别失败。而在SLAM技术里面，即使特定平面不存在，但是空间定位依然非常精确，就是因为有周围3D环境的帮助。

这里想探讨下深度学习和SLAM技术的融合，计算机视觉大体上可以分两个流派，一种基于学习的思路，例如特征提取-特征分析-分类，目前深度学习技术在这一路线上取得了主导性的地位。另外一种路线是基于几何的视觉，从线条、边缘、3D形状推出物体的空间结构信息，代表性的技术就是SFM/SLAM。基于学习的方向上深度学习基本上一统天下，但是在基于几何视觉的领域，目前相关的进展还很少。从学术界而言，深度学习技术的研究进展可以说日新月异，而SLAM技术最新十年的进展相对较少。在国际视觉顶级会议ICCV

2015年度组织的SLAM技术专题讨论会上，基于近年深度学习在视觉其它领域的快速发展，有与会专家曾提出SLAM中采用深度学习的可能性，但是目前还没有成熟的思路。总体而言，短期内将深度学习和SLAM融合是一个值得研究的方向，长远来看联合语义和几何信息是一个非常有价值的趋势。因此，SLAM+DL值得期待。

在交互方式方面，主要的包括语音识别和手势识别，语音识别在目前已经取得了较大进展，国内如百度、科大讯飞、云知声等都是其中的佼佼者，AR公司更想突破的是手势识别的成熟商业化。

“亮风台展示过的一款基于深度学习的手势识别系统，主要定义了上下左右、顺时针、逆时针六种手势”亮风台工作人员告诉青亭网，先实现人手的检测和定位，然后通过识别相应的手势轨迹来实现对人手势的识别。虽然人脸识别等其他人工智能热门领域在AR中也有使用，但不是AR公司重要的研发方向。

以上不难看出，AR的底层技术或者说基础部分是计算机视觉以及关联领域的融合，而当下热门的深度学习和AR的结合，也是算法工程师们的努力方向。这也是AR为计算机视觉与人机交互的交叉学科，AR的基础是人工智能和计算机视觉等说法的依据。

20180528163858218.png

图：计算机视觉与AR流程关联

在去年今日头条发布的《人工智能影响力报告》中也简单统计了人工智能科学家的分布情况，这其中包括人脸识别、语音识别、机器人、AR、芯片等领域的公司与大型研发机构，高端研发人员的分布也说明了AI领域的细分方向。

那AR究竟是不是人工智能？

对AR从业者来说，理想的状态是用更智能的AR终端去取代智能手机，所以对于用户来说接触使用AR首先受影响的是内容，其次是终端，AR产业链可以粗略划分为技术提供商、智能终端研发公司，以及AR内容提供商。在这其中，AR设备提供商不可避免关注硬件技术，如底层的芯片、电池、光学镜片等，以及硬件本身的性能优化，而内容提供商更倾向于在现有技术基础上优化内容及表现。所以我们可以说AR技术提供商，或者说在底层算法研发上有一定成绩的AR公司是人工智能公司。

对公司来说，特别是创企会把底层技术转化为成熟的产品或服务，这可能是如无人机、AR智能终端、机器人等，也可能是行业解决方案，以达到商业目的，并且这已经成为在沸腾声音之后，媒体、企业以及大众对AI企业的期待和要求。近期，人工智能产业发展联盟（AIIA）出版的图书《人工智能浪潮：科技改变生活的100个前沿AI应用》将对外发布，以及涵括了目前巨头公司以及创企在商业化上的前沿成果，也直接反映了AI目前的主要商业化方向。

作为技术驱动的商业领域，无论是AR还是人工智能的其他多数方向，技术距离完全成熟还有很长的路程要走，在整个产业链逐渐繁荣，关注商业化实现的同时，也需要有更多公司机构去不断拓展技术边界，建立核心竞争力，让行业爆发更大的价值与潜力，如此，AI时代中国弯道超车当可期。