一、定义
人工智能是什么，目前还没有统一的标准。在2021年深圳市人工智能协会的《2021年人工智能发展白皮书》中描述到：人工智能是指研究、模拟人类智能理论、方法、技术及应用系统的一门技术科学，其使机器人代替人类实现认知、识别、分析、决策 等功能，本质是对人的意识与思想信息过程的模拟。【信息来源深圳市人工智能协会】
百度百科解释为：用于研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的科学技术。研究内容包括机器人、语音识别、图像识别、自然语言处理和专家系统等【信息来源百度百科】
相对于上面各平台的解释，国家互联网信息办公室的解释相对通熟易懂些：人工智能就是希望机器能人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。【信息来源中华人民共和国国家互联网信息办公室】
人工智能也可以 理解为高阶的数据分析，同样需要算法、算力与数据。
二、发展历史
【信息来源中华人民共和国国家互联网信息办公室（整理）】?
人工智能重大事件：
?
人工智能从一开始的“不可用”、“不好用”到“可以用的”的技术突破，未来还存在很大的发展进步空间。
三、算法
十年前，算法算力是人工智能的重点与难点，但现在随着各大厂的模型开源，数据与特征工程才是决定项目效果的上限，而优化算法与算力只是无限接近这个上限。下面对人工智能算法进行简简单介绍些：
1、监督学习
监督学习可以理解为模拟考试，有试题（数据）、有参考答案（标签、特征），也就是提前告诉你什么题目该怎么做，告诉你对错，然后训练模型，对以后的未知数据按照已有的标准给出决策。这类算法在分类、回归模型中广泛应用。
1.1、强化学习
强化学习也需要标签，只是这里的标签不再只是简单的对与错，而是通过激励机制（分数的正负与大小）进行惩罚，需要机器不断学习，最终的目的是得到标签的最高分。
1.2、深度学习
深度学习是机器学习的一个重要分支，其优点是善于处理高维、大量的数据。是一个自动学习特征的方法。传统的监督学习是人工去大标签，费时费力、且没有规律可循。而深度学习就是机器自动来学习特征，相当机器大标签，然后机器再运用这些标签特征信息来训练模型，输入结果。
1.3、迁移学习
重新训练模型需要花费很大的时间和人力成本，但考虑到大部分数据或任务存在关联性，迁移学习可以把已经训练好的模型参数迁移到新的模型中，加快模型优化效率，而不是像大多数网络模型一样需要重零开始训练模型。
2、无监督学习
相对于有监督学习，无监督学习就是没答案，让你自己摸索。简单粗暴一点解释就是没有特征也想分类，这类算法在聚类模型中应用比较多。
四、项目流程
人工智能项目流程大体上分为5大步骤。数据预处理、特征工程、算法与建模、评估与分析、部署与应用。
?
1、数据预处理
数据预处理可以理解为数据清洗，去除脏数据：如异常值、无差异值、NULL等。
2、特征工程
特征提取，也就是给数据设定标签，这是项目的最耗时耗力的一部分，大约占据项目全部时间的70%，特征工程的优劣往往决定着整个效果的上限，是当前人工智能的重点难点。
3、算法与建模
根据业务的需求挑选合适的算法，当前各大厂都提供开源算法，很多项目都是直接套用就是。所以这并不是项目的重点与难点，算法的挑选与模型训练的好坏只能是无限逼近项目效果的上限。
4、评估与分析
这也是比较花时间的一环节，需要不断的调整、迭代与更新。
5、部署与应用
部署需要不仅仅要考虑技术、还有考虑硬件设备与成本等。很多模型在服务器上相对容易，但是在嵌入式设备上就会出现很多bug。
五、经典模型
传统的人工智能模型有十多个，但只从神经网络出现后，它们很多都开始消失于大家的视野，这里仅简单介绍下其中5大曾经风靡一时的经典算法，其中有些算法现在很多工程师依旧在使用。
1、树模型
简单一点理解，树模型就是多层分类。因为其解释好，是神经网络无法替代的一点，现在8层以上的机器学习算法都给予树模型。
其特点：
1.1、简单实用、可直接套用模型
1.2、具有很强的可视化效果，这也代表其具有很强的解析与分析能力
1.3、泛化能力强，适用于很多模型
2、聚类模型
聚类模型（DBSCAN）前面也有聚类的相关介绍，也就是事先没有添加标签，希望模型自己给输入的数据进行分类。
这类模型可解释差，输入数据后，直接给出结果，至于为什么这样，大家都不知道。它的强项是异常数据监测。
3、集成模型
集成模型，根据字面意思就是一起上，不会听从个别结果，而是根据“大家”的反馈择优选择。
如分类问题遵从少数听从多数原理；回归问题反馈平均值。
4、支持向量机
?十年前，支持向量机曾火遍大江南北，概念也是蛮高级和新颖的。
处理逻辑：当低维数据处理碰到问题时，可以把低维数据映射到高维处理。听着可能有点蒙圈，比如说我们要划分三维空间上的点，如果从二维空间上去划分，可能有点难度，但是你从三维空间去划分时，就显得简单明了，且可解释性良好。
如此类推，二维信息解释不通，映射到三维，三维信息解释不通，映射到四维......
5、贝叶斯模型
贝叶斯模型是一个注重先验知识的模型。比如你有天去赌场，一开始去还不敢开赌，那就先观察几局吧，你坚持跟踪了10位朋友，结果发现他们都是赢钱的。按一般的模型算法，你把这一批原始数据和结果输入机器，它会告诉你赢钱的几率时100%。但你的之前的生活经验告诉你，赌博是十赌九输的，所以你现在开赌，输的可能性还是90%。
这就是典型的贝叶斯模型理论，它来源于我们高中数据概率论，但它忽略了先验知识也是有针对性的。
如小明每天早上6点起床背书，考试能得100分，如果7点起来，那么她的考试智能60分。所以机器得到的先验知识：是6点起床可以考100分，7点起床只能得60分。殊不知那只是针对小明有效，换成小红，人家习惯晚上背书，早上7点起床也能考100分。
现在的情况是贝叶斯模型比较适用于文本任务，其他领域应用较少。
六、应用场景
1、数据分析
数据分析更多强调的是人为，可依靠已有的业务知识人为的设定某些关键指标，如销售额、利润率、日活跃、交易量等。再去数据库查询获取数据制成可视化报表，然后再人为的分析业务结果并作出相对应的决策，整个过程都是人为在主导。
2、数据挖掘
如果说数据分析更多注重“我认为”、在数据挖掘中则是“机器认为”。
当把原始数据输入后，机器会自动分析业务好坏的效果与哪些因素有光，这些相关因素中，哪些影响比较大，哪些可有可无（即这些因素的权重值与偏置值），当然这个过程，特征过程是必不可少的。
数据挖掘是当下最热门的领域之一，工艺参数化（如工业制造中，零件的好坏与哪些因素火步骤有关，以后专攻这方面的改进，相对于传统的靠有经验工程师用“感觉”判断相对靠谱很多），很多业务决策都靠它。
3、特征工程
特征工程前面也有过介绍，就是给原始数据大标签。特征工程决定结果的上限，而算法模型的调优只能是无限的逼近这个上限值。
它也是最耗时、最烧脑的环节，基本全靠人工干苦力活来解决。
4、量化交易
量化交易主要分析序列问题，如时间序列，但实际运用中，有些项目效果变得很不靠谱，股票K线图，那是因为大家忽略了一点：时间序列是根据历史数据来预测未来数据，然后再根据预测的结果继续预测更远的未来。这里需要保证一点就是未来数据与历史数据的分布趋势相吻合香型。而股票存在态度异常因素：如国家政策、黑天鹅事件......而这些因素对股票趋势有着重大的影响。因为量化交易在股票K线图的运用上效果是不可信的，只能提供参考价值。
5、风控领域
知识图谱在这方面运用比较多，机器学习的不仅仅是独立的样本数据，它们之间的关系也可以。它的本质还是建模，但是一个相对综合的领域，多方面去评价用户信息。
?
6、工业制造
现阶段存在大量的传统工业转型案例，很大程度上来源于AI在工业制造的运用。如：
新能源企业：机器学习模型寻找合适的电解质材料，今儿设计与加工，优化性能
汽车企业：机器学习建模碰撞测试，寻找合适的车型设计指标
化工企业：机器学习建模安全识别，实时监控安全问题
车间流水线：智能识别，缺陷检测等，替代大量人工操作
?