作者：周志敏,纪爱华
出版社：人民邮电出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
人工智能 改变未来的颠覆性技术试读：
前言
人工智能是计算机科学的一个分支，自诞生起到今天已有60多年的历史。人工智能听起来很玄乎，其实拆解开来看主要包括3个要素，即计算能力、算法和数据。人工智能最先应用的领域是互联网行业本身，最早的人工智能产品是搜索引擎。随着人工智能上升到国家战略的节点的到来，更多利好以及相关政策会大力促进行业的发展。人工智能第三次浪潮席卷而来，浪潮涌入医疗、工业、农业、金融、商业、教育、公共安全等领域, 催生新的业态和商业模式，引发产业结构的深刻变革，而且已经开始日益深刻地影响着我们每个人的生活。
人工智能之所以让科技巨头们青睐有加，得益于近年来相关技术的进步以及市场潜力和消费者对人工智能产品的强烈期待。同时，产业支持政策更是为人工智能提供了十足的动力。人工智能的发展将对传统行业产生颠覆性影响，“智能＋X”将成为创新时尚。
人工智能领域的创业还处在早期阶段。人工智能的创业与创新将从一个全新的维度塑造这个世界，或许不久之后“互联网+”将进化为“人工智能+”。关于这一切，机器之心将与你一起屏息期待。
诸多科技大佬(例如霍金、马斯克、比尔·盖茨等)已经开始告诫大家警惕人工智能的威胁,还为此成立了防范人工智能走向危险的联盟,但这丝毫未影响到人工智能的发展。“人类”若进入了一个新的人工智能互联网时代（这里的“人类”不仅指生物人，还包括智能人），机器将消失，世界上将只有两种东西，即生物人与智能人（生物人与智能人需要学习如何和谐共处），因为所有机器都被“人化”了。当然，智能人的长相迥异，或是台计算机，或是台冰箱。这是一个什么样的时代？物理学家霍金近日撰文做了总结：“成功创造人工智能将是人类历史上最大的事件，若不懂如何避开风险，这也将是最后的大事。”
在本书写作过程中，在资料收集和信息交流上都得到了国内专业学者和智能系统集成商的大力支持。书中引用了部分官员的讲话及对专家学者的访谈录，由于篇幅等原因，未能在参考文献中一一列出，敬请谅解，在此表示衷心的感谢。作者第1章概述
新一轮更激动人心、更值得期待的技术革命风暴已经出现，将成为未来10年乃至更长时间内科学技术发展的焦点，将再次并更加彻底地颠覆世界。这一轮技术革命风暴的名字叫作“人工智能”（Artificial Intelligence，AI）。人工智能将成为科学技术领域最重要的技术革命，目前市场关心的智能制造和互联网领域的几乎所有主题和热点（智能硬件、O2O、机器人、无人机、“工业4.0”）发展突破的关键环节都是人工智能。1.智能的定义
自2015年以来，智能成为科技界最热门的词语，如智能冰箱、智能空调、智能手表、智能机器人等。谷歌、百度的人工智能大脑除了研究“人工智能的智商”以外，还研究如何对人工智能进行智力分级，这也是人工智能领域的一个重要研究课题。目前市场上所谓“智能”的设备，从智能手机到智能家居等，其“智能”实际上是“smart”的含义，即灵巧，而真正意义上的智能应该是“intelligent”的含义。
智能是个体有目的的行为、合理的思维及有效适应环境的综合性能力。通俗地说，智能是个体认识客观事物和运用知识解决问题的能力。人类个体的智能是一种综合性能力，具体地讲可以包括以下方面。
① 感知与认识客观事物、客观世界与自我的能力。
② 通过学习取得经验、积累知识的能力。
③ 理解知识、运用知识和运用经验分析问题与解决问题的能力。
④ 联想、推理、判断、决策的能力。
⑤ 运用语言进行抽象、概括的能力。
⑥ 发现、发明、创造、创新的能力。
⑦ 实时地、迅速地、合理地应付复杂环境的能力。
⑧ 预测、洞察事物发展变化的能力。
综上所述，可以认为智能是知识与智力的总和。其中，知识是一切智能行为的基础；智力是获取知识并运用知识求解问题的能力，是头脑中思维活动的具体体现。在此认识的基础上，把智能定义为在巨大的搜索空间中迅速找到一个满意解的能力。
智能的本质是古今中外许多哲学家、脑科学家一直在努力探索和研究的课题，但至今仍然没有被完全了解，以致智能的发生与物质的本质、宇宙的起源、生命的本质一起被列为自然界四大奥秘。近些年来，随着脑科学、神经心理学等研究的进展，人们对人脑的结构和功能有了初步认识，但对整个神经系统的内部结构和作用机制，特别是脑的功能原理还没有认识清楚，有待进一步探索。因此，很难对智能给出确切的定义。2.人工智能的定义
最近，人工智能的话题很火，无论是硅谷的创业公司、大学及科研机构还是世界科技巨头谷歌、微软及百度等都纷纷在人工智能领域投入大量人力、物力做前瞻性的研究，而科技媒体也不断将人工智能的话题放在头条位置。很显然，当前一股席卷全球的人工智能热潮正扑面而来。
人工智能是研究、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。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，其应用也在不断扩大。可以设想，未来人工智能带来的科技产品将会是人类智慧的“容器”。
人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考，也可能超过人的智能。人工智能在20世纪70年代被称为世界三大尖端技术（空间技术、能源技术和人工智能）之一，也被认为是21世纪三大尖端技术（基因工程、纳米科学和人工智能）之一。目前，几乎每个人都在说人工智能，但很多人并不清楚人工智能的定义究竟是什么。人工智能之所以难以定义，其主要原因是人类还没有弄清楚究竟什么是智能，自然也就无法从它所覆盖的内容来定义究竟什么是人工智能。
人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。关于什么是“智能”，涉及诸如意识（consciousness）、自我（self）、思维（mind）（包括无意识的思维）等问题。人类唯一了解的智能是人类本身的智能，这是普遍认同的观点。但是人类对自身智能的理解都非常有限，对构成人类智能的必要元素的了解也有限，所以就很难定义什么是“人工智能”了。人工智能是相对于人类自然智能而言的，即用人工的方法和技术模仿、延伸和扩展人类智能，实现某些“机器思维”。因此，人工智能的研究往往涉及对人类智能本身的研究，其他关于动物或人造系统的智能也普遍被认为是与人工智能相关的研究课题。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机科学、心理学和哲学知识。人工智能所包含的内容十分广泛，它由不同的领域组成，如机器学习、计算机视觉等。总的来说，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
人工智能是研究用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机、使计算机能实现更高层次的应用。人工智能将涉及计算机科学、心理学、哲学和语言学等学科，可以说几乎包含自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴。人工智能与思维科学的关系是实践和理论的关系，人工智能处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，而且要考虑形象思维、灵感思维才能促进人工智能的突破性发展。数学常被认为是多种学科的基础科学，数学也进入了语言、思维领域，人工智能学科也必须借用数学工具。数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科后，它们将互相促进，从而更快地发展。
抛开对人工智能定义纷繁复杂的讨论，顾名思义，人工智能是人造的智能，也就是让机器具备与人类一样的行为能力及思维意识。这种化繁为简的理解可以通过众多业内顶尖专家的言论来佐证。
从学科的界定来定义：人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支。它的近期目标是研究用机器来模仿和执行人脑的某些智能功能，并开发相关的理论和技术。
从人工智能所实现的功能来定义：人工智能（能力）是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。
为了让读者对人工智能的定义进行讨论，以便更深刻地理解人工智能，下面综述其他几种关于人工智能的定义。
定义1：人工智能是一种使计算机能够思维，使机器具有智力的激动人心的新尝试（Haugeland，1985）。
定义2：人工智能是那些与人的思维、决策、问题求解和学习等有关的活动的自动化（Bellman，1978）。
定义3：人工智能是指用计算模型研究智力行为（Charniak和McDermott，1985）。
定义4：人工智能研究那些使理解、推理和行为成为可能的计算（Winston，1992）。
定义5：人工智能是一种能够执行人的智能的创造性技术（Kurzwell，1990）。
定义6：人工智能研究如何使计算机做事让人过得更好（Rick和Knight，1991）。
定义7：人工智能是一门通过计算过程力图理解和模仿智能行为的学科（Schalkoff，1990）。
定义8：人工智能是计算机科学中与智能行为和自动化有关的一个分支（Luger和Stubblefield，1993）。
美国斯坦福大学人工智能研究中心的尼尔逊教授说：“人工智能是关于怎样表示知识及怎样获得知识并使用知识的科学。”而美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人类才能做的智能工作。”
尼尔逊教授对人工智能所下的定义反映了人工智能学科的基本思想和基本内容，即人工智能研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何利用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
人工智能是对人的意识、思维的信息过程的模拟，但不是人的智能，能像人那样思考，也可能超过人的智能。但是，这种会自我思考的高级人工智能还需要科学理论和工程上的突破。从诞生以来，人工智能理论和技术日益成熟，应用领域也不断扩大。可以设想，未来人工智能带来的科技产品将会是人类智慧的“容器”。正因为如此，人工智能的应用范围才十分广泛。
人工智能是一项前瞻性科学研究，自信息技术产生以来，人们在这一领域进行了长期的科学探索和技术攻坚，新思想、新观念、新理论、新技术不断涌现，人工智能已成为未来科学技术革命的重要发源地。人工智能被称为人类历史上的第四次工业革命，前两次工业革命将人类从体力劳动中解放出来，第三次工业革命通过信息技术把全世界紧密地联系在一起，而人工智能则是要将人类从繁重的脑力劳动中解放出来。人工智能可能是最后一个需要靠人类自身智慧去攻克的领域。3.人工智能的发展历程
人工智能学科诞生于20世纪50年代中期，当时由于计算机的诞生与发展，人们开始了真正意义上的人工智能研究。“人工智能”一词最初是在1956年达特茅斯学会上提出的。从那以后，研究者们发展出了众多理论，人工智能的概念也随之扩展。人工智能包括十分广泛的学科内容，由不同的领域组成，如机器学习、计算机视觉等。
人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类的智能才能完成的复杂工作，不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如，繁重的科学和工程计算本来是要由人脑来承担的，现在计算机不但能完成这种计算，而且还能够比人脑计算得更快、更准确。因此，当代人已不再把这种计算看作是“需要人类的智能才能完成的复杂任务”。可见，复杂工作的定义也是随着时代的发展和技术的进步而变化的，那么人工智能这门学科的具体目标也自然随着时代的发展而变化。
人工智能一方面不断取得新的进展，另一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段及能够实现人工智能技术的机器就是计算机。人工智能的发展历史是与计算机科学和技术的发展过程联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学及哲学等多门学科。
科学家早在计算机出现之前就已经希望能够制造出可能模拟人类思维的机器，在这方面应提到杰出的数学家、哲学家布尔。通过对人类的思维进行数学化的精确刻画，布尔和其他杰出的科学家一起奠定了智慧机器的思维结构与方法，今天的计算机内使用的逻辑基础正是由他创立的。
当计算机出现以后，人类开始真正有了一个可以模拟人类思维的工具。在以后的岁月中，无数科学家为这个目标努力着，现在的人工智能已经不再是几位科学家的专利，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机科学的大学生也必须学习这门课程。在大家的不懈努力下，现在计算机似乎已经变得十分聪明了。在刚刚结束的围棋大赛中，计算机战胜了人类围棋高手。
人工智能始终是计算机科学的前沿学科，计算机编程语言和其他计算机软件都因为有了人工智能的进展而得以存在。现在人类已经把计算机的计算能力提高到了前所未有的水平，而人工智能也在21世纪引领计算机科学发展的潮流，必将也会像今天的互联网一样深远地影响人类的生活。
人工智能的发展历史大致可以分为3个阶段：带有理想主义色彩的起步期，由“专家系统”大范围应用而推动的第二波浪潮，以及由基础设施、技术融合与应用拓展共同推动的第三波浪潮（1993年至今）。
1936年，英国数学家、逻辑学家阿兰·麦席森·图灵（1912—1954）提出了一种抽象的计算模型——图灵机（Turing Machine），用纸带式机器来模拟人们进行数学运算的过程。图灵本人被视为计算机科学之父。
1941年，由美国和德国科学家共同研制的第一台计算机诞生了。从此以后，人类存储和处理信息的方法开始发生革命性的变化。
1949年，人们发明了可以存储程序的计算机，计算机理论的发展终于导致了人工智能理论的产生，因为人们总算找到了一个存储信息和自动处理信息的方法。
20世纪50年代，人们才把人类智力和计算机联系起来，美籍俄裔数学家、控制论的创始人诺伯特·维纳在研究反馈理论时最终提出了一个论断：所有人类智力的结果都是一种反馈的结果，通过不断地将结果反馈给机体而产生动作，进而产生了智能。这种想法对于人工智能的早期研究有着重大的影响。
1955年，美国计算机科学家艾伦·纽威尔和赫伯特·西蒙开发了The Logic Theorist程序。该程序采用树形结构，运行的程序在树中搜索、寻找与可能答案最接近的分枝，以得到正确的答案。The Logic Theorist程序在人工智能的历史上可以说有重要的地位，在学术上和社会上带来了巨大的影响，以至于现在所采用的思想方法有许多还是来自于这个程序。
1956年的夏天，在美国达特茅斯大学召开的学术会议上，与会者希望确立人工智能作为一门科学的任务和完整路径。与会者们宣称，人工智能的特征都可以被精准描述，精准描述后就可以用机器来模拟和实现。后来普遍认为，达特茅斯会议标志着人工智能的正式诞生。“人工智能之父”和LISP语言的发明人约翰·麦卡锡召集会议讨论人工智能未来的发展方向，从那时起，人工智能的名字才正式确立。虽然这次会议在人工智能的历史上不算是巨大的成功，但是却给人工智能的研究者们提供了相互交流的机会，并为未来人工智能的发展起了铺垫作用。在此以后，人工智能的研究重点开始变为建立实用的、能够自行解决问题的系统，并要求系统有自学习能力。
1957年，艾伦·纽威尔和赫伯特·西蒙又开发了一个被称为General Problem Solver（GPS）的程序。它对维纳的反馈理论进行了扩展，并能够解决一些比较普遍的问题。在其他科学家努力开发系统时，麦卡锡又创建了表处理语言LISP。直到现在，许多人工智能程序还在使用这种语言，LISP几乎成了人工智能的代名词。
1959年，图灵发表了一篇划时代的论文《计算机器与智能》，文中提出了人工智能领域著名的图灵测试：如果计算机能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则计算机就通过测试并可下结论说机器具有智能。
早在1960年，在一份给IBM管理者的备忘录中，当时的首席执行官小沃森谈及IBM面临的问题是制造“会思考的机器”。从大型机到小型机、从PC到POWER服务器、从“深蓝”到IBM的“沃森”，IBM对“会思考的机器”的思考从未停止过。
1963年，麻省理工学院受到美国政府和国防部的支持进行人工智能研究，美国政府的目的是为了在“冷战”中保持与苏联的均衡。虽然这个目的带点儿火药味儿，但是研究的结果却使人工智能得到了巨大的发展。
20世纪70年代是人工智能的大发展时期，计算机开始有了简单的思维和视觉，另一个人工智能语言Prolog语言诞生了，它与LISP一起几乎成了人工智能工作者不可缺少的工具。
进入20世纪80年代，卡耐基·梅隆大学为DEC公司制造出了专家系统（1980），这个专家系统可以帮助DEC公司每年节约4000万美元左右的费用，特别是在决策方面能提供有价值的内容。受此鼓励，很多国家（包括日本、美国）都再次投入巨资开发所谓的第五代计算机（1982），当时叫作人工智能计算机。随着第五代计算机的研制，人工智能得到了很大的发展。日本在1982年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统KIPS”，其目的是使逻辑推理达到数值运算那么快的速度，虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。
在20世纪80年代出现了人工智能数学模型方面的重大发明，其中包括著名的多层神经网络（1986）和BP反向传播算法（1986）等，也出现了能与人类下象棋的高度智能机器（1989）。此外，其他成果包括能自动识别信封上的邮政编码的机器，这是通过人工智能网络来实现的，精确度可达99%以上，已经超过普通人工的水平。
20世纪80年代末，神经网络飞速发展。1987年，第一次神经网络国际会议在美国召开，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。
20世纪90年代，人工智能出现新的研究高潮。由于网络技术特别是互联网技术的发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。人们不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，使人工智能进一步面向实用化。另外，Hopfield多层神经网络模型的提出使人工神经网络的研究与应用出现了蓬勃发展的景象，由此人工智能深入到社会生活的各个领域。
进入21世纪，互联网和大数据推动人工智能进入新的春天，语音识别、图像分类、机器翻译、可穿戴设备、无人驾驶汽车等人工智能技术均取得了突破性的进展，面向特定领域的专用人工智能技术在单点或局部的智能水平测试中超越人类智能，如日本的仿人机器人、美国的大狗机器人、德国的工业机器人及我国的人脸识别、虹膜识别、步态识别等。
通用人工智能技术依然处于起步阶段，研究和应用依然任重道远。人类的大脑是一个通用智能系统，可以举一反三、融会贯通。与其相比，现有的人工智能差距还比较大，如没有智慧、没有情商等。目前，人工智能可分为以下3个层次。
① 计算智能。计算智能很早已经取得了比较大的突破，主要依据计算机的强大存储能力和运算资源，在某些任务中对人的一些行为进行模拟。
② 感知智能。利用计算机对眼、耳等人的感官进行模拟，使计算机真正能听会说、能听会看，包括语音识别、图像识别及基于计算机的视觉自动驾驶技术等。
③ 认知智能。认知智能比感知智能更进一步，包括对知识的组织、整理、灵活运用、联想推理等，使计算机真正达到能理解、会思考的水平。4.人工智能对人类的影响
不要以为人工智能离人类很远，它已经融入了人们的生活，在模糊控制、决策支持等方面都有人工智能的影子。人工智能的目的是让计算机代替人类进行简单的智力活动，把人类解放出来从事其他更有意义的工作。现有的人工智能产品相对于即将到来的人工智能应用可以说微不足道，但是它们预示着人工智能的未来，人类对人工智能更高层次的需求将影响人类的工作、学习和生活。（1）人工智能对社会经济和人类文化的影响
① 人工智能对社会经济的影响。人工智能与大数据一样，对社会经济起到赋能的作用，帮助人类感知、认知、分析和预测这个世界。专家系统是目前人工智能中最活跃、最有成效的一个研究领域，它是一种具有特定领域内大量知识与经验的程序系统。近年来，在专家系统的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识，所以才具有解决复杂问题的能力。那么计算机程序如果能体现和应用这些知识，就能解决人类专家所解决的问题，并帮助人类专家发现推理过程中出现的差错。现在这一点已被证实，如在矿物勘测、化学分析和医学诊断等方面，专家系统已经达到了人类专家的水平。
专家系统已深入各行各业，并带来了巨大的宏观效益。成功的专家系统能为它的建造者、拥有者和消费者带来明显的经济效益，用比较经济的方法执行任务而不需要有经验的专家，可以极大地减少劳务开支和培养费用。
② 人工智能对人类文化的影响。自然语言处理是人工智能技术应用于实际领域的典型范例，经过多年艰苦努力，这一领域已取得了大量令人瞩目的成果。目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础，生成和理解自然语言，这是一个极其复杂的编码和解码问题。人工智能技术为人类文化生活打开了许多新的窗口，如图像处理技术必将对图形艺术、广告和社会教育产生深远影响，现有的智力游戏机将发展为具有更高智能的文化娱乐手段。
综上分析，人工智能技术对经济和文化发展都有巨大的影响。随着时间的推进和技术的进步，这种影响将越来越明显地表现出来。还有一些影响现在可能难以预测，但是可以肯定，人工智能将对人类的物质文明和精神文明产生越来越大的影响。（2）人工智能对人类社会的影响
人工智能促进了计算机工业网络的发展，同时也带来了劳动就业问题。由于人工智能能够代替人类进行各种技术工作和脑力劳动，将会使一部分人不得不改变工种甚至失业。人类一方面希望人工智能能够代替人类从事各种工作，另一方面又担心人工智能的发展会引起新的社会问题。近十多年来，社会结构正在发生一种变化，即人与机器的社会结构将会被人与机器人的社会结构所取代，很多本来由人承担的工作将由机器人来担任，因此，人们将不得不学习怎样与机器人相处，以适应这种社会结构的变化。
人工智能技术的崛起将导致失业潮的出现已基本成为行业的共识。在“世界经济论坛”2016年年会上，基于对全球企业战略高管和个人的调查发布的报告称，未来5年机器人和人工智能等技术的崛起，将导致全球15个主要国家的就业岗位减少710万个，其中2/3将属于办公和行政人员。莱斯大学计算机工程教授摩西·瓦迪近日同样表示，今后30年计算机可以从事人类的所有工作。他预计，2045年的失业率将超过50%。
人工智能的发展与推广应用将影响到人类的思维方式和传统观念，并使其发生改变。例如，传统知识一般印在书本、报刊或杂志上，因而是固定不变的，而人工智能系统知识库中的知识却是可以不断修改、扩充和更新的。一旦专家系统的消费者开始相信系统（智能机器）的判断和决定，那么消费者就可能不愿多动脑筋，变得懒惰，并失去对许多问题及其求解任务的责任感和敏感性。那些过分依赖计算器的学生的主动思维能力和计算能力也会明显下降。过分依赖人工智能的建议而不加分析地接受，将会使消费者的认知能力下降，并增加误解。因此，在设计和研制人工智能系统时，应考虑到上述问题，尽量鼓励消费者提高在问题求解中的主动性，让消费者积极参与问题的求解过程。（3）人工智能对未来的影响
微软数据集团副总裁约瑟夫·斯洛什说，使用数据智能能够创造一个完全不一样的世界，而对于人工智能来说更是如此。人工智能已经在深深地影响着人们的生活。如果人工智能技术继续发展下去，又会对人类造成何种影响呢？是正面的还是负面的？是增强还是毁灭？有一点是可以肯定的，那就是人工智能的“深度学习”和“机器智能”的实际应用将继续取得进展。这种变化标志着一种真正的颠覆，可以创造财富，而这也会带来巨大的社会效应。
人类会有机器人同事，甚至是机器人女朋友。足够智能的机器人可以为人类处理任何事情，包括以前那些只有依靠人类智慧才能完成的任务，但同时机器人也会抢夺人类的工作。牛津大学的研究人员发表的一篇报告表明，在美国大约47%的工作因为机器认知技术而变得岌岌可危。人工智能带来巨大积极改变的时代已经到来，但是随之而来的也有引发大量失业等负面效应。
一般认为，只有人类才具有感知精神，如果有一天开始相信机器也能够思维和创作了，那么人们可能会感到失望，甚至感到威胁，担心有朝一日机器人的智能会超过人类的自然智能，会使人类沦为人工智能系统的奴隶。有人担心机器人和人工智能的其他制品会威胁人类的安全，科学家丹尼尔·杜威甚至把人工智能看作可能毁灭人类的“潜在风险”，好在人类已经认识到了这种风险并开始采取行动。
① 斯坦福大学邀请来自各个机构的顶尖学者开展一项为期100年的人工智能研究计划，其主要工作是分析和预测人工智能将如何影响人们的工作、生活及娱乐的方方面面。斯坦福大学校长约翰·轩尼诗说：“我们感到有责任和义务去举行一场对话，讨论一下人工智能将如何影响我们的孩子以及孩子的孩子。”
② 包括马斯克、霍金、弗里曼在内的科学家、企业家及人工智能研究领域的顶尖专家在未来生命研究所（Future of Life Institute，FLI）发表公开信，号召人类应该在发展人工智能的同时，寻求如何将人工智能的社会化效益最大化。他们宣称：“我们的人工智能系统必须按照我们的意愿工作。”
③ 纽约伦斯勒理工学院人工智能实验室主任塞尔默·布里诺斯约德认为，在出台关于限制人工智能的公共政策之前，应该先从优秀的工程设计入手对人工智能潜在的社会弊病进行规范。这不仅是因为人工智能刚刚起步，更是因为严谨的设计过程能够减少计算机程序中出现的弊端。5.驱动人工智能发展的外部动因
人工智能涵盖了很多前沿技术和分支，却很难用一句话来定义，因为它一直处在发展中。一些在过去看来“人工智能”水平很高的事情现在却变成了简单的“机械重复”，如高速数字计算、图像处理等。但从总体上来看，人工智能的本质和目的一直没有发生太多变化，那就是完成人类的部分脑力工作。
自20世纪60年代开始，有许多科幻电影和科幻小说都在描述人类对人工智能的憧憬和恐惧，如斯皮尔伯格的知名影片《人工智能》。不过在现实中，长久以来受到科技发展和应用层面的限制，人工智能只是一件人人都在说，都以为别人在做，但事实上却没多少人知道该怎么做的事，无论在学术研究层面还是在应用层面都是如此。
人工智能曾经在20世纪90年代互联网泡沫破裂前风靡一时，到了21世纪伊始却变成了一个禁忌，大家开始怀疑它是否存在。而到了2011年，美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司开始频繁投资人工智能领域的创业公司，投资范围从应用层面的机器人、增强现实到底层技术层面的深度学习算法、神经网络芯片等，人工智能项目遍地开花。
目前，IBM、谷歌、Facebook和百度等国内外科技巨头也纷纷加强人工智能方面的专业团队建设，招募了一批人工智能尤其是深度学习相关领域的科学家，如深度学习鼻祖之一杰弗里·欣顿加入了谷歌，燕乐存加入了Facebook担任人工智能实验室负责人，吴恩达加入百度负责深度学习研究院等。
人工智能的概念从1956年提出到今天初步具备产品化的可能性经历了60多年的演进，各个重要组成部分的研究进度和产品化水平各不相同。人工智能产品的发展是一个渐进的过程，是一个从单一功能设备向通用设备、从单一场景到复杂场景、从简单行为到复杂行为的发展过程，具有多种表现形式。
人工智能产品近期仍将作为辅助人类工作的工具出现，多表现为传统设备的升级版本，如无人驾驶汽车、扫地机器人、医疗机器人等。人工智能技术通过赋予这些产品一定的机器智能来提升其自动工作的能力，但未来将会出现在各类环境中模拟人类思维模式去执行各类任务的真正意义上的智能机器人。这种机器人没有成熟的人机接口可以借鉴，需要从机械、控制、交互等各个层面进行全新研发。
人工智能作为互联网驱动下的一个重要领域，能够发展到今天，不是靠着自身内部的驱动力，而是因为互联网在不断完善，数据变得随处可得，所以，人工智能的进步来源于互联网基础设施的不断进步，离开互联网孤立地看人工智能是没有意义的。人工智能的再度兴起并非偶然，因外部环境和人工智能自身都在发生演化。驱动人工智能领域发展到现在程度的外部动因如下。
① 传感器能力和数量的大幅提升。受智能手机、可穿戴设备等爆发式增长的推动，传感器无论在数量上还是在质量上都有了飞跃，而机器的感知能力变强是机器变“聪明”的重要前提。LIGA等微电子技术日趋成熟，推动着传感器水平有了质的飞跃，大量智能设备的出现则进一步加速了传感器领域的繁荣。这些伸向真实世界各个领域的触角是机器感知世界的基础，而感知则是智能实现的前提之一。
② 计算成本的大幅下降。人类很早就确定了人工智能需要处理的任务，但此前的计算资源使计算机无法完成这样庞大和复杂的信息处理。摩尔定律使得计算成本在迅速下降，同时云计算的出现、GPU的大规模应用使得集中化的数据计算能力变得前所未有地强大。今天人类已经拥有实现这些设计所需要的计算资源，如最新一代微处理器的性能是1971年第一代单片机的400万倍。大规模的集中式计算使得人工智能的发展速度呈指数级加快，过去仅训练深度神经网络模型对某一物体的认知就要花费近一年时间，而现在这个时间被缩短到几天之内。
③ 海量数据的出现。2015年全球产生的数据总量达到了10年前的20倍以上，如此海量的数据给机器学习提供了足够多的素材。人工智能的本质其实分为两部分：首先是能够汇集到足够多的有效数据，其次是利用先进的算法对这些数据进行处理。大数据得益于互联网、移动互联网和越发廉价且无处不在的传感器。大数据是人工智能发展的助推剂，因为有些人工智能技术是使用统计模型来进行数据的概率推算的，如图像、文本或者语音。把这些模型暴露在数据的海洋中，使它们得到不断优化，或者称之为“训练”。
④ 算法的进步。算法是解决一个设计程序或完成任务的路径方法，新算法的发展极大地提高了机器学习能力，尤其是深度学习的出现。算法是人工智能行业取得突破的关键，因为实验室场景下的计算资源早已经不再是计算的瓶颈。依赖大规模GPU集群的运算能力，计算集群不再需要对数据进行分层训练，而是可以直接进行端到端的训练，让输出结果和调整的周期缩短，让计算机“学”得更快，得到的结果更准确。
⑤ 深度神经网络。当前人工智能领域最先进、应用最广泛的核心技术是深度神经网络。自2006年深度神经网络得到快速发展以来，它逐渐成为人工智能领域的主流研究方向。
面对海量数据，深度学习算法可以完成传统人工智能算法无法做到的事情，输出结果会随着数据处理量的增大而更加准确。在加速回归定律的指引下，深度学习将使人工智能的进化节奏加快，并使进化过程中的产物（输出结果）获得指数级增长。
深度学习在效率变得更高的同时，就会因为吸引更多的资源而发展得更为迅速。同时，指数级增长都来源于人们对互联网产品的每一次微小使用及相应的每一次的数据贡献。汇集起来的数据再借助深度学习算法就会为人们输出更加准确的结果，并提供更好的服务，其产生的效果也会像滚雪球一样越来越大。人工智能领域最先进、应用最广泛的核心技术是深度神经网络（深度学习），深度神经网络逐渐成为人工智能领域的主流研究方向。
⑥ 移动互联网的爆发。移动互联网的爆发是人工智能出现的必要条件。首先，移动互联网的出现使智能设备时刻与人类相伴，能够采集到足够充分和完整的数据。因为PC为非携带型，所以在PC时代贡献的数据是分割开的，这些数据有着特定的使用场景，而智能手机和智能可穿戴设备贯穿于人们的日常生活之中，其贡献的数据是完善的和连续的，从而为后面的信息处理提供了基础。
苹果、谷歌、微软和IBM等大公司目前最关注的就是移动领域，席翁·齐利斯认为在移动领域将需要大量的人工智能技术。其次，移动互联网为消费者带来了不同的使用场景和使用习惯。比如在使用智能手机时，在某些情况下，消费者倾向于进行语音输入而非键盘输入，这在很大程度上促进了语音识别和自然语言处理技术这两大核心人工智能技术的发展。
今天硬件的复兴也带动了人工智能的复兴，随着GPU和CPU集群的出现，云端的计算资源已经不再是人工智能发展的瓶颈。随着移动互联网、物联网、大数据、云计算等核心关键技术的大发展、大突破，这个星球上的一切硬件都在面临着被智能化，而人类对智能化的终极追求就是实现人工智能。
智能化最极致的阶段就是大量的智能感应器进入人体内，取代人类的某些器官，甚至和人类的神经系统进行连接，帮助提升人类的能力，减少人类的病痛。可以说，这是人工智能的最高境界。人工智能算法模型的进一步丰富和改进及本地化人工智能的实现，成为了人工智能领域新的发展方向。现在，人类的生活已经无时无刻不被越来越智能化的技术影响着，甚至重塑着。6.人工智能的研究和应用领域
人工智能是一门外向型学科，它不但要求研究它的人懂得人工智能知识，而且要求有比较扎实的数学、哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。人工智能的研究和应用掀起新高潮的原因有：一方面得益于计算机硬件性能的突破，另一方面以云计算为代表的计算技术的快速发展使得信息处理速度和质量大为提高，能够快速、并行处理海量数据。人工智能的应用领域十分广阔，比如医疗、教育、出行、安全、金融、智能安防、智能穿戴、智能家居、智慧校园等。
目前，我国人工智能领域已覆盖了工业机器人、服务机器人、智能硬件等硬件产品层，智能客服、商业智能等软件服务层，视觉识别、机器学习等技术层，数据资源、计算平台等基础层。通过自我学习，完成对语音、视频、图片等非结构化数据的识别，从而将人从低效工作中解放出来，的确是现阶段人工智能最主要的应用。
总的来说，人工智能的研究是面向应用的，也就说什么地方有人在工作，它就可以用在什么地方，因为人工智能最根本的目的还是要模拟人类的思维。人工智能的研究更多的是结合具体领域进行的，主要研究领域如下。（1）问题求解
这里指从初期的智力难题、棋类游戏等问题的研究中开始形成和发展起来的一大类解题技术，主要包括问题表示、搜索和行动计划等内容。也有人对问题求解进行更广泛的理解：为了实现给定目标而展开的动作序列的执行过程。这样，一切人工智能系统便都可归结为问题求解系统。
问题求解的研究涉及问题表示空间的研究、搜索策略的研究和归约策略的研究。目前有代表性的问题求解程序就是下棋程序，计算机下棋程序涉及中国象棋、国际象棋、跳棋、围棋等，已达到了国际锦标赛的水平。在下棋程序中应用的某些技术（如向前看几步并把困难的问题分成一些比较容易的子问题）发展成为了搜索和问题归约这样的人工智能基本技术。
尽管计算机下棋程序具有很高的水平，但还有一些未解决的问题，如模拟围棋高手洞察棋局的能力。另一个问题是涉及问题的原概念，在人工智能中称为问题表示的选择，人们能找到某种思考问题的方法，从而使问题求解变得容易。到目前为止，人工智能程序已能知道如何考虑它们要解决的问题，即搜索解答空间，寻找较优答案。
通过研究下棋程序，人们发展了人工智能中的搜索策略及问题归约技术。状态空间搜索和问题归约已经成为问题求解的一种十分重要而又非常有效的手段，也是人工智能研究中的一个重要方面。人工智能中的许多概念，如归约、推断、决策、规划等都与问题求解有关。（2）逻辑推理与定理证明
逻辑推理是指遵循逻辑规律来分析推理的思路，对不同排列顺序的意识进行相关性的推导就是逻辑推理。在同一思维过程中，同一个概念或同一个思想对象必须保持前后一致性，亦即保持确定性。这是逻辑推理的一条重要思维规律。
定理证明是指在数学领域中为臆测的定理寻求一个证明，证明定理时不仅需要根据假设进行演绎的能力，而且需要某些知觉的技巧，因此，在人工智能研究中机器定理证明很早就受到了注意。
逻辑推理是人工智能研究中最持久的子领域之一，其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。为数学中臆测的定理寻找一个证明或反证，不仅需要有根据假设进行演绎的能力，而且许多非形式的工作（包括医疗诊断和信息检索）都可以和定理证明问题一样加以形式化，因此，在人工智能方法的研究中，定理证明是一个极其重要的论题。
逻辑推理的实质是证明P（前提）→Q（结论）的永真性。但是，要直接证明P→Q的永真性一般来说是很困难的，通常采用的方法是反证法。在这一方面，海伯伦与鲁宾逊先后进行了卓有成效的研究，提出了相应的理论及方法，为自动定理证明奠定了理论基础。尤其是鲁宾逊提出的归结原理使定理证明得以在计算机上实现，对机器推理做出了重要贡献。
逻辑推理在人工智能方法的发展中曾经产生过重要的影响和推动作用，是人工智能中最先进行研究并得到成功应用的一个研究领域。许多非数学领域的任务，如医疗诊断、信息检索、机器人规划和难题求解等都可以转化成定理证明问题，所以自动定理证明的研究具有普遍意义。（3）自然语言处理
语言是人类区别于其他动物的本质特性，在所有生物中，只有人类才具有语言能力。人类的多种智能都与语言有着密切的关系。人类的逻辑思维以语言为形式，人类的绝大部分知识也是以语言文字的形式记载和流传下来的。因而，它也是人工智能的一个重要甚至核心部分。
用自然语言与计算机进行通信，这是人们长期以来所追求的，因为它既有明显的实际意义，同时也有重要的理论意义：人们可以用自己最习惯的语言来使用计算机，而无需再花大量的时间和精力去学习不很自然和习惯的各种计算机语言；人们也可通过它进一步了解人类的语言能力和智能的机制。
实现人机间自然语言通信意味着要使计算机既能理解自然语言文本的意义，也能以自然语言文本来表达给定的意图、思想等。前者称为自然语言理解，后者称为自然语言生成。因此，自然语言处理大体包括了自然语言理解和自然语言生成两个部分。历史上对自然语言理解研究得较多，而对自然语言生成研究得较少，但这种状况已有所改变。
要实现自然语言理解和自然语言生成是十分困难的，造成困难的根本原因是在自然语言文本和对话的各个层次上广泛存在的各种各样的歧义性或多义性。从现有的理论和技术看，通用的、高质量的自然语言处理系统仍然是较长期的努力目标，但是针对一定应用，具有相当的自然语言处理能力的实用系统已经出现，有些已商品化，甚至开始产业化。典型的例子有：多语种数据库和专家系统的自然语言接口、各种机器翻译系统、全文信息检索系统、自动文摘系统等。
自然语言处理是计算机科学领域与人工智能领域中的一个重要研究方向，它研究人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统，因而它是计算机科学的一部分。
自然语言处理是人工智能技术应用于实际领域的典型范例，经过多年的艰苦努力，这一领域已获得了大量令人注目的成果。目前，已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上翻译从话筒输入的口头指令（而不是从键盘输入计算机的指令）。人工智能在语言翻译与语音理解程序方面已经取得了成就，目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础，注重大量的常识（世界知识和期望作用），生成和理解自然语言。这是一个极其复杂的编码和解码问题。（4）自动程序设计
程序设计是人工智能的一个重要研究领域，这个领域的工作称为自动程序设计。自动程序设计所涉及的基本问题与定理证明和机器人学有关，要用人工智能的方法来实现，它也是软件工程和人工智能相结合的课题。
目前已经能够以各种不同的目的描述（例如输入/输出对、高级语言描述甚至英语描述算法）来编写计算机程序，但这方面的进展仅局限于少数几个完全现成的例子。对自动程序设计的研究不仅可以促进半自动软件开发系统的发展，而且也使通过修正自身数码进行学习（即修正它们的性能）的人工智能系统得到发展。自动编制一份程序来获得某种指定结果的任务同证明一份给定程序将获得某种指定结果的任务是紧密相关的。后者叫作程序验证。许多自动程序设计系统将产生一份输出程序的验证作为额外收获。（5）智能信息检索技术
信息检索技术是指信息按一定的方式组织起来，并根据用户的需要找出有关信息的过程和技术，而智能信息检索技术则是将人工智能技术应用于信息检索技术中。数据库系统是存储某个学科大量事实的计算机系统，随着应用的进一步发展，存储的信息量越来越大，因此解决智能检索问题便具有实际意义。智能信息检索技术已成为当代计算机科学与技术研究中迫切需要研究的课题，将人工智能技术应用于这一领域的研究是人工智能走向广泛实际应用的契机与突破口。智能信息检索系统应具有如下功能。
① 能理解自然语言，允许用自然语言提出各种问题。
② 具有推理能力，能根据存储的事实演绎出所需的答案。
③ 系统具有一定的常识性知识，以补充学科范围内的专业知识。系统根据这些常识将能演绎出更一般的一些答案来。
人工智能在信息检索中的应用主要表现在以下两个方面。
① 如何用计算机硬件模仿系统来模仿、延伸与扩展人类智能的理论、方法和技术。
② 由于网络知识信息包括规律性的知识和大量的经验知识，这些知识不可避免地具有模糊性、随机性和不可靠性等。对这些因素进行处理时，需要用到人工智能的研究成果。（6）专家系统
专家系统是一种基于知识的计算机系统，它从人类领域专家那里获得知识，并用来解决只有领域专家才能解决的困难问题。因此，可以这样来定义专家系统：专家系统是一种具有特定领域内大量知识与经验的程序系统，它应用人工智能技术，根据某个领域内一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家求解问题的思维过程，以解决该领域内的各种问题。
专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。专家系统和传统的计算机程序最本质的不同之处在于专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息基础上得出结论。
专家系统是人工智能中最重要也是最活跃的一个应用领域，它实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。
近年来，在专家系统的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识，所以才具有优异的解决问题的能力。计算机程序如果能体现和应用这些知识，那么它也应该能解决人类专家所解决的问题，而且能帮助人类专家发现推理过程中出现的差错，现在这一点已被证实。（7）机器学习
机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要采用归纳、综合而不是演绎。
学习能力无疑是人工智能研究上最突出和最重要的一个方面，人工智能在这方面的研究近年来取得了一些进展。学习是人类智能的主要标志和获取知识的基本手段，机器学习是使计算机具有智能的根本途径。机器学习有4种主要类型：监督式学习、非监督式学习、半监督式学习和强化学习。在监督式机器学习中，算法通过对大量的标记数据进行处理和分类来学习识别数据。在非监督式机器学习中，算法能够以超过人类大脑的速度，快速识别大量未标记数据中的模式和类别。近几年来，机器学习的突破让计算机在语音识别和鉴别视觉模式上获得了非凡的能力。（8）人工神经网络
人工神经网络（Artificial Neural Network，ANN ）从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。由于冯·诺依曼体系结构的局限性，数字计算机存在一些尚无法解决的问题。人们一直在寻找新的信息处理机制，神经网络计算就是其中之一。对人脑神经元和人工神经网络的研究，可能创造出新一代人工智能机——神经计算机。
人工神经网络是模式识别中的常用方法，近年来发展起来的人工神经网络模式的识别方法逐渐取代了传统的模式识别方法。现在，神经网络已在模式识别、图像处理、组合优化、自动控制、信息处理、机器人学和人工智能的其他领域获得日益广泛的应用。（9）机器人学
机器人学（robotics）是与机器人设计、制造和应用相关的科学，又称为机器人技术或机器人工程学，主要研究机器人的控制与被处理物体之间的相互关系，是人工智能研究日益受到重视的一个分支，其中包括对操作机器人装置程序的研究。这个领域所研究的问题，从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法，无所不包。机器人和机器人学的研究促进了许多人工智能思想的发展。智能机器人的研究和应用体现了广泛的学科交叉，涉及众多的课题，如机器人体系结构、机构、控制、智能、视觉、触觉、力觉、听觉、机器人装配、恶劣环境下的机器人以及机器人语言等。（10）指纹识别
指纹识别即指通过比较不同指纹的细节特征点来进行鉴别，涉及图像处理、模式识别、计算机视觉、数学形态学、小波分析等众多学科。指纹识别技术把一个人同他的指纹对应起来，通过对他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。每个人的皮肤纹路（包括指纹在内）在图案、断点和交叉点上各不相同，也就是说皮肤纹路是唯一的，并且终生不变。依靠这种唯一性和稳定性，我们才能创造出指纹识别技术。
指纹识别主要根据人体指纹的纹路、细节特征等信息对操作者或被操作者进行身份鉴定，这得益于现代电子集成制造技术和快速而可靠的算法研究，已经开始走入我们的日常生活，成为目前生物检测学中研究最深入、应用最广泛、发展最成熟的技术。
指纹识别技术是目前最成熟且成本低廉的生物特征识别技术。就目前来说，指纹识别技术的应用最为广泛，我们不仅在门禁、考勤系统中可以看到指纹识别技术的身影，市场上也有了更多指纹识别技术的应用，如笔记本电脑、手机、汽车、银行支付都可采用指纹识别技术。（11）人脸识别
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，用摄像机或摄像头采集含有人脸的图像或视频信息，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行相关技术处理，通常也叫作人像识别或面部识别。人脸识别是一个热门的计算机技术研究领域，如人脸追踪侦测、影像自动调整放大、夜间红外侦测、自动调整曝光强度；它属于生物特征识别技术，通过生物体（一般特指人）本身的生物特征来区分生物体个体。
在人工智能与人脸识别技术的结合上，百度已经领先众人一步，百度人脸识别技术的新成果估计与支付相关。如果百度这次推出的确实是人脸识别支付，则在移动支付上就可以甩开阿里、腾讯很大一步。
由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。人脸识别技术无疑是最佳选择，采用快速人脸识别技术可以从监控视频图像中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。（12）掌纹识别
掌纹识别是近几年提出的一种较新的生物特征识别技术。掌纹是指手指末端到手腕部分的手掌图像，其中很多特征可以用来进行身份识别，如主线、皱纹、细小的纹理、脊末梢、分叉点等。掌纹识别也是一种非侵犯性的识别方法，用户比较容易接受，对采集设备的要求不高。
掌纹中所包含的信息远比一枚指纹包含的信息丰富，利用掌纹的纹线特征、点特征、纹理特征和几何特征完全可以确定一个人的身份。因此，从理论上讲，掌纹具有比指纹更好的分辨能力和更高的鉴别能力。
掌纹识别作为一项新兴的生物识别技术，因具有采样简单、图像信息丰富、用户接受程度高、不易伪造、受噪声干扰小等特点而受到国内外研究人员的广泛关注。但是由于掌纹识别技术起步较晚，尚处于学习和借鉴其他生物特征识别技术的阶段。（13）模式识别
模式识别（Pattern Recognition）就是通过计算机用数学计算的方法对表征事物或现象的各种形式的信息进行处理和分析，是对事物或现象进行描述、辨认、分类和解释的过程。该技术以贝叶斯概率论和香农的信息论为理论基础，对信息的处理过程更接近人类大脑的逻辑思维过程。现在有两种基本的模式识别方法，即统计模式识别方法和结构模式识别方法。经过多年的研究和发展，模式识别已成为当前比较先进的技术，被广泛应用到文字识别、语音识别、指纹识别、遥感图像识别、人脸识别、手写体字符识别、工业故障检测以及精确制导等方面。
模式识别是一门不断发展的新学科，它的理论基础和研究范围也在不断发展和扩大。目前模式识别学科正处于大发展阶段，随着应用范围的不断扩大以及计算机科学的不断进步，基于人工神经网络的模式识别技术将有更大的发展。模式识别技术是人工智能的基础技术，
试读结束[说明：试读内容隐藏了图片]