A. 人工智慧將催生哪些新行業和新領域

在管理系統中的應用。? （1）人工智慧應用於企業管理的意義不在於提高效率，而是用計算機實現人們非常需要做，但工業工程信息卻做不了或很難做到的事。? （2）智能教學系統（ITS）是人工智慧與教育結合的主要形式。也是今後教學系統的發展方向。信息技術的飛速發展和新的教學體系開發模式的提出和不斷完善，推動人們綜合運用媒體技術、網路基礎和人工智慧技術開發新的教學體系。計算機智能教學體系就是其中的代表。? 在工程領域中應用。? （1）醫學專家系統是人工智慧與專家系統理論和技術在醫學領域中的重要應用，具有極大的科研價值和應用價值，它可以幫助醫生解決復雜的醫學問題，作為醫生診斷、治療的輔助工具。目前，醫學智能系統通過其在醫學影像方面的重要應用，將其應用在其它醫學領域中，並將其不斷完善和發展。? （2）地質勘探、石油化工等領域是人工智慧的主要發揮作用的領地。? ?在技術研究中應用? （1）在超聲無損檢測（NDT）和無損評價（NDE）領域中。目前，主要採用專家系統方法對超聲損傷（UT）中缺陷的性質、形狀、大小進行判斷和分類。? （2）?人工智慧在電子技術領域的應用可謂由來已久。隨著網路的迅速發展，網路技術的安全是我們關心的重點。因此，我們必須在傳統技術的基礎上進行技術的改進和變更，大力發展數據控制技術和人工免疫技術等高效的人工智慧技術，以及開發更高級的AI通用和專用語言。? 另外，人工智慧應用領域還有：?智能控制，專家系統，機器人學，語言和圖像理解，遺傳編程?機器人工廠等方面。希望我的解答能夠幫助到你。

B. 人工智慧涉及的領域有哪些

1、市場營銷

隨著AI的不斷發展，在不久的將來，網路上的消費者可能會通過拍張照片來購買產品。像CamFind這樣的公司及其競爭對手已經在嘗試這種方法。

2、銀行業

許多銀行已經採用基於AI系統來提供客戶支持並檢測異常情況和信用卡欺詐。HDFC銀行就是一個例子。使用AI預防欺詐並不是一個新概念。實際上，人工智慧解決方案可用於增強零售和金融等多個業務部門的安全性。

萬事達卡和RBS WorldPay等公司多年來一直依靠AI和深度學習來檢測欺詐幸福易模式並防止卡欺詐。這節省了數百萬美元。

3、金融業

風險投資一直依靠計算機和數據科學家來確定市場的未來模式。交易主要取決於准確預測未來的能力。

AI之所以出色，是因為它們可以在短時間內處理大量數據。AI還可以學習觀察過去數據中的模式，並預測這些模式將來可能會重復。在超高頻交易時代，金融機構正在轉向使用AI來改善其股票交易性能並提高利潤。

日本領先的經紀公司野村證券就是這樣的組織。該公司一直不情願追求一個目標，即藉助計算機來分析經驗豐富的股票交易員的見解。經過多年的研究，野村證券將推出一種新的股票交易系統。

新系統在其計算機中存儲了大量的價格和交易數據。通過利用此信息庫，它將進行評估。例如，它可以確定當前市場狀況與兩周前的狀況相似，並預測股價在幾分鍾內將如何變化。這將有助於根據預測的市場價格做出更好的交易決策。

4、農業

氣候變化，人口增長和糧食安全等問題促使該行業尋求更多創新方法來提高農作物產量。組織正在使用自動化和機器人技術來幫助農民找到更有效的方法來保護農作物免受雜草侵害。

Blue River技術公司開發了一種名為See&Spray的機器人，該機器人使用諸如對象檢測之類的計算機視覺技術來監控除草劑並將其精確噴灑到棉花上。精確噴霧可以幫助防止對除草劑的抵抗。

除此之外，位於柏林的農業科技初創企業PEAT開發了一個名為Plantix的應用程序，該應用程序可通過圖像識別土壤中潛在的缺陷和營養缺乏症。

圖像識別應用通過用戶的智能手機相機捕獲的圖像識別可能的缺陷。然後為用戶提供土壤修復技術，技巧和其他可能的解決方案。該公司聲稱其軟體可以實現模式檢測，估計精度高達95%。

5、醫療行業

在挽救生命方面，許多組織和醫療中心都依賴AI。醫療保健中的AI如何幫助世界各地的患者有很多例子。

一家名為Cambio Health Care的組織開發了用於預防中風的臨床決策支持系統，該系統可以在有患者患中暑的風險時向醫生發出警告。

另一個此類示例是Coala Life，該公司擁有可以查找心臟病的數字化設備。同樣，Aifloo正在開發一個系統來跟蹤人們在養老院，家庭護理等方面的表現。醫療保健中AI的最好之處在於，您甚至不需要開發新葯。通過正確使用現有葯物，您還可以挽救生命。

C. 人工智慧將催生那些新行業和新領域

人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及內應用系統的一門新的技術科容學，該領域研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。
還有模糊識別、智能化家電、機器人、汽車工業、航天工業、搜索引擎、殺毒軟體、游戲，其實大部分和計算機有關，因為人工智慧還很不成熟，能夠應用的都是相對成熟的，比如人臉識別、聲音識別、汽車的控制晶元等等。

D. 人工智慧領域最新研究有哪些

【經典的人工智慧成果】

人機對弈

1996年2月10～17日， Garry Kasparov以內4：2戰勝「深藍」容 （Deep Blue）。
1997年5月3～11日， Garry Kasparov以3.5：2.5輸於改進後的「深藍」 。
2003年2月Garry Kasparov 3:3戰平 「小深」(Deep Junior)。
2003年11月Garry Kasparov 2:2戰平 「X3D德國人」 (X3D-Fritz )。

模式識別

指紋識別
人臉識別
語音識別
文字識別
圖像識別
車牌識別

知識工程

以知識本身為處理對象，研究如何運用人工智慧和軟體技術，設計、構造和維護知識系統
專家系統
智能搜索引擎
計算機視覺和圖像處理
機器翻譯和自然語言理解
數據挖掘和知識發現

E. 1 人工智慧的研究領域具體包含哪些是機器人和演算法嗎還有沒有其他

人工智慧(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。「人工智慧」一詞最初是在1956 年Dartmouth學會上提出的。從那以後,研究者們發展了眾多理論和原理,人工智慧的概念也隨之擴展。人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的，現在計算機不但能完成這種計算, 而且能夠比人腦做得更快、更准確，因之當代人已不再把這種計算看作是「需要人類智能才能完成的復雜任務」, 可見復雜工作的定義是隨著時代的發展和技術的進步而變化的, 人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，一方面又轉向更有意義、更加困難的目標。目前能夠用來研究人工智慧的主要物質手段以及能夠實現人工智慧技術的機器就是計算機, 人工智慧的發展歷史是和計算機科學與技術的發展史聯系在一起的。除了計算機科學以外, 人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。
[編輯本段]【人工和智能】
人工智慧的定義可以分為兩部分，即「人工」和「智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或著人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。
關於什麼是「智能」，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、思維（mind）（包括無意識的思維（unconscious_mind）等等問題。人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也了解有限，所以就很難定義什麼是「人工」製造的「智能」了。因此人工智慧的研究往往涉及對人的智能本身的研究。其它關於動物或其它人造系統的智能也普遍被認為是人工智慧相關的研究課題。
人工智慧目前在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用。
[編輯本段]【人工智慧的定義】
著名的美國斯坦福大學人工智慧研究中心尼爾遜教授對人工智慧下了這樣一個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另一個美國麻省理工學院的溫斯頓教授認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智能工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。
人工智慧（Artificial Intelligence，簡稱AI）是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀（基因工程、納米科學、人工智慧）三大尖端技術之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。
人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標准邏輯、模糊數學等范圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。
[編輯本段]【實際應用】
機器視覺:指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統,智能搜索，定理證明，博弈，自動程序設計，還有航天應用等。
[編輯本段]【學科範疇】
人工智慧是一門邊沿學科，屬於自然科學和社會科學的交叉。
[編輯本段]【涉及學科】
哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，
[編輯本段]【研究范疇】
自然語言處理，知識表現，智能搜索，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網路，復雜系統，遺傳演算法
[編輯本段]【應用領域】
智能控制，機器人學，語言和圖像理解，遺傳編程
[編輯本段]【意識和人工智慧的區別】
人工智慧就其本質而言，是對人的思維的信息過程的模擬。
對於人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，製造出「類人腦」的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。
人工智慧不是人的智能，更不會超過人的智能。
「機器思維」同人類思維的本質區別：
1.人工智慧純系無意識的機械的物理的過程，人類智能主要是生理和心理的過程。
2.人工智慧沒有社會性。
3.人工智慧沒有人類的意識所特有的能動的創造能力。
4.兩者總是人腦的思維在前，電腦的功能在後。
[編輯本段]【強人工智慧和弱人工智慧】
人工智慧的一個比較流行的定義，也是該領域較早的定義，是由約翰·麥卡錫（John McCarthy|）在1956年的達特矛斯會議（Dartmouth Conference）上提出的：人工智慧就是要讓機器的行為看起來就象是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智慧的可能性（見下）。另一個定義指人工智慧是人造機器所表現出來的智能性。總體來講，目前對人工智慧的定義大多可劃分為四類，即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這里「行動」應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。
強人工智慧
強人工智慧觀點認為有可能製造出真正能推理（Reasoning）和解決問題（Problem_solving）的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：
類人的人工智慧，即機器的思考和推理就像人的思維一樣。
非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。
弱人工智慧
弱人工智慧觀點認為不可能製造出能真正地推理（Reasoning）和解決問題（Problem_solving）的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。
主流科研集中在弱人工智慧上，並且一般認為這一研究領域已經取得可觀的成就。強人工智慧的研究則出於停滯不前的狀態下。
對強人工智慧的哲學爭論
「強人工智慧」一詞最初是約翰·羅傑斯·希爾勒針對計算機和其它信息處理機器創造的，其定義為：
「強人工智慧觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當的程序，計算機本身就是有思維的。」（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）這是指使計算機從事智能的活動。在這里智能的涵義是多義的、不確定的，象下面所提到的就是其中的例子。利用計算機解決問題時，必須知道明確的程序。可是，人即使在不清楚程序時，根據發現（heu- ristic）法而設法巧妙地解決了問題的情況是不少的。如識別書寫的文字、圖形、聲音等，所謂認識模型就是一例。再有，能力因學習而得到的提高和歸納推理、依據類推而進行的推理等，也是其例。此外，解決的程序雖然是清楚的，但是實行起來需要很長時間，對於這樣的問題，人能在很短的時間內找出相當好的解決方法，如競技的比賽等就是其例。還有，計算機在沒有給予充分的合乎邏輯的正確信息時，就不能理解它的意義，而人在僅是被給予不充分、不正確的信息的情況下，根據適當的補充信息，也能抓住它的意義。自然語言就是例子。用計算機處理自然語言，稱為自然語言處理。
關於強人工智慧的爭論不同於更廣義的一元論和二元論（alism）的爭論。其爭論要點是：如果一台機器的唯一工作原理就是對編碼數據進行轉換，那麼這台機器是不是有思維的？希爾勒認為這是不可能的。他舉了個中文房間的例子來說明，如果機器僅僅是對數據進行轉換，而數據本身是對某些事情的一種編碼表現，那麼在不理解這一編碼和這實際事情之間的對應關系的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。
也有哲學家持不同的觀點。Daniel C. Dennett 在其著作 Consciousness Explained 里認為，人也不過是一台有靈魂的機器而已，為什麼我們認為人可以有智能而普通機器就不能呢？他認為像上述的數據轉換機器是有可能有思維和意識的。
有的哲學家認為如果弱人工智慧是可實現的，那麼強人工智慧也是可實現的。比如Simon Blackburn在其哲學入門教材 Think 里說道，一個人的看起來是「智能」的行動並不能真正說明這個人就真的是智能的。我永遠不可能知道另一個人是否真的像我一樣是智能的，還是說她／他僅僅是看起來是智能的。基於這個論點，既然弱人工智慧認為可以令機器看起來像是智能的，那就不能完全否定這機器是真的有智能的。Blackburn 認為這是一個主觀認定的問題。
需要要指出的是，弱人工智慧並非和強人工智慧完全對立，也就是說，即使強人工智慧是可能的，弱人工智慧仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在百多年前是被認為很需要智能的。
[編輯本段]【人工智慧簡史】
人工智慧的傳說可以追溯到古埃及，但隨著1941年以來電子計算機的發展，技術已最終可以創造出機器智能，「人工智慧」(Artificial Intelligence)一詞最初是在1956年Dartmouth學會上提出的，從那以後,研究者們發展了眾多理論和原理，人工智慧的概念也隨之擴展，在它還不長的歷史中，人工智慧的發展比預想的要慢，但一直在前進，從40年前出現到現在，已經出現了許多AI程序，並且它們也影響到了其它 技術的發展。
計算機時代
1941年的一項發明使信息存儲和處理的各個方面都發生了革命.這項同時在美國和德國出現的 發明就是電子計算機.第一台計算機要佔用幾間裝空調的大房間,對程序員來說是場惡夢:僅僅為運行一 個程序就要設置成千的線路.1949年改進後的能存儲程序的計算機使得輸入程序變得簡單些,而且計算機 理論的發展產生了計算機科學,並最終促使了人工智慧的出現.計算機這個用電子方式處理數據的發明, 為人工智慧的可能實現提供了一種媒介.
AI的開端
雖然計算機為AI提供了必要的技術基礎,但直到50年代早期人們才注意到人類智能與機器之間 的聯系. Norbert Wiener是最早研究反饋理論的美國人之一.最熟悉的反饋控制的例子是自動調溫器.它 將收集到的房間溫度與希望的溫度比較,並做出反應將加熱器開大或關小,從而控制環境溫度.這項對反饋 迴路的研究重要性在於: Wiener從理論上指出,所有的智能活動都是反饋機制的結果.而反饋機制是有可 能用機器模擬的.這項發現對早期AI的發展影響很大.
1955年末,Newell和Simon做了一個名為"邏輯專家"(Logic Theorist)的程序.這個程序被許多人 認為是第一個AI程序.它將每個問題都表示成一個樹形模型,然後選擇最可能得到正確結論的那一枝來求解 問題."邏輯專家"對公眾和AI研究領域產生的影響使它成為AI發展中一個重要的里程碑.1956年,被認為是 人工智慧之父的John McCarthy組織了一次學會,將許多對機器智能感興趣的專家學者聚集在一起進行了一 個月的討論.他請他們到 Vermont參加 " Dartmouth人工智慧夏季研究會".從那時起,這個領域被命名為 "人工智慧".雖然 Dartmouth學會不是非常成功,但它確實集中了AI的創立者們,並為以後的AI研究奠定了基礎.
Dartmouth會議後的7年中,AI研究開始快速發展.雖然這個領域還沒明確定義,會議中的一些思想 已被重新考慮和使用了. Carnegie Mellon大學和MIT開始組建AI研究中心.研究面臨新的挑戰: 下一步需 要建立能夠更有效解決問題的系統,例如在"邏輯專家"中減少搜索;還有就是建立可以自我學習的系統.
1957年一個新程序,"通用解題機"(GPS)的第一個版本進行了測試.這個程序是由製作"邏輯專家" 的同一個組開發的.GPS擴展了Wiener的反饋原理,可以解決很多常識問題.兩年以後,IBM成立了一個AI研 究組.Herbert Gelerneter花3年時間製作了一個解幾何定理的程序.
當越來越多的程序涌現時,McCarthy正忙於一個AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP語言. LISP到今天還在用."LISP"的意思是"表處理"(LISt Processing),它很快就為大多數AI開發者點贊.
1963年MIT從美國政府得到一筆220萬美元的資助,用於研究機器輔助識別.這筆資助來自國防部 高級研究計劃署(ARPA),已保證美國在技術進步上領先於蘇聯.這個計劃吸引了來自全世界的計算機科學家, 加快了AI研究的發展步伐.
大量的程序
以後幾年出現了大量程序.其中一個著名的叫"SHRDLU"."SHRDLU"是"微型世界"項目的一部分,包括 在微型世界(例如只有有限數量的幾何形體)中的研究與編程.在MIT由Marvin Minsky領導的研究人員發現, 面對小規模的對象,計算機程序可以解決空間和邏輯問題.其它如在60年代末出現的"STUDENT"可以解決代數 問題,"SIR"可以理解簡單的英語句子.這些程序的結果對處理語言理解和邏輯有所幫助.
70年代另一個進展是專家系統.專家系統可以預測在一定條件下某種解的概率.由於當時計算機已 有巨大容量,專家系統有可能從數據中得出規律.專家系統的市場應用很廣.十年間,專家系統被用於股市預 測,幫助醫生診斷疾病,以及指示礦工確定礦藏位置等.這一切都因為專家系統存儲規律和信息的能力而成為可能.
70年代許多新方法被用於AI開發,著名的如Minsky的構造理論.另外David Marr提出了機器視覺方 面的新理論,例如,如何通過一副圖像的陰影,形狀,顏色,邊界和紋理等基本信息辨別圖像.通過分析這些信 息,可以推斷出圖像可能是什麼.同時期另一項成果是PROLOGE語言,於1972年提出. 80年代期間,AI前進更為迅速,並更多地進入商業領域.1986年,美國AI相關軟硬體銷售高達4.25億 美元.專家系統因其效用尤受需求.象數字電氣公司這樣的公司用XCON專家系統為VAX大型機編程.杜邦,通用 汽車公司和波音公司也大量依賴專家系統.為滿足計算機專家的需要,一些生產專家系統輔助製作軟體的公 司,如Teknowledge和Intellicorp成立了。為了查找和改正現有專家系統中的錯誤,又有另外一些專家系統被設計出來.
從實驗室到日常生活
人們開始感受到計算機和人工智慧技術的影響.計算機技術不再只屬於實驗室中的一小群研究人員. 個人電腦和眾多技術雜志使計算機技術展現在人們面前.有了象美國人工智慧協會這樣的基金會.因為AI開發 的需要,還出現了一陣研究人員進入私人公司的熱潮。150多所像DEC(它雇了700多員工從事AI研究)這樣的公司共花了10億美元在內部的AI開發組上.
其它一些AI領域也在80年代進入市場.其中一項就是機器視覺. Minsky和Marr的成果現在用到了生產線上的相機和計算機中,進行質量控制.盡管還很簡陋,這些系統已能夠通過黑白區別分辨出物件形狀的不同.到1985年美國有一百多個公司生產機器視覺系統,銷售額共達8千萬美元.
但80年代對AI工業來說也不全是好年景.86-87年對AI系統的需求下降,業界損失了近5億美元.象 Teknowledge和Intellicorp兩家共損失超過6百萬美元,大約占利潤的三分之一巨大的損失迫使許多研究領 導者削減經費.另一個另人失望的是國防部高級研究計劃署支持的所謂"智能卡車".這個項目目的是研製一種能完成許多戰地任務的機器人。由於項目缺陷和成功無望,Pentagon停止了項目的經費.
盡管經歷了這些受挫的事件,AI仍在慢慢恢復發展.新的技術在日本被開發出來,如在美國首創的模糊邏輯,它可以從不確定的條件作出決策;還有神經網路,被視為實現人工智慧的可能途徑.總之,80年代AI被引入了市場,並顯示出實用價值.可以確信,它將是通向21世紀之匙. 人工智慧技術接受檢驗 在"沙漠風暴"行動中軍方的智能設備經受了戰爭的檢驗.人工智慧技術被用於導彈系統和預警顯示以 及其它先進武器.AI技術也進入了家庭.智能電腦的增加吸引了公眾興趣;一些面向蘋果機和IBM兼容機的應用 軟體例如語音和文字識別已可買到;使用模糊邏輯,AI技術簡化了攝像設備.對人工智慧相關技術更大的需求促 使新的進步不斷出現.人工智慧已經並且將繼續不可避免地改變我們的生活.

F. 人工智慧應用研究的兩個最重要最廣泛的領域是什麼

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴專展人的智能的理屬論、方法、技術及應用系統的一門新的技術科學。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。2017年12月，人工智慧入選「2017年度中國媒體十大流行語」。

G. 人工智慧的主要研究和應用領域是什麼，其中哪些是新的研究熱點

問題求解 (下棋程序)，邏輯推理與定理證明 (四色定理證明)，自然語言理解，自動程序設計回，專家系統，機器答學習，神經網路，機器人學 (星際探索機器人)，模式識別 (手寫識別，汽車牌照識別，指紋識別)，機器視覺 (機器裝配，衛星圖像處理)，智能控制，智能檢索，智能調度與指揮 (汽車運輸高度，列車編組指揮)，系統與語言工具
新的研究熱點：
分布式人工智慧與Agent，計算智能與進化計算，數據挖掘與知識發現 (超市市場商品數據分析)，人工生命

H. 請列寫出人工智慧賦能的研究領域及實現技術

語言的學習與處理，知識表現，智能搜索，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網路，復雜系統，遺傳演算法人類思維方式，最關鍵的難題還是機器的自主創造性思維能力的塑造與提升。
實現方法
人工智慧在計算機上實現時有2種不同的方式。一種是採用傳統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（ENGINEERING APPROACH），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。遺傳演算法（GENERIC ALGORITHM，簡稱GA）和人工神經網路（ARTIFICIAL NEURAL NETWORK，簡稱ANN）均屬後一類型。遺傳演算法模擬人類或生物的遺傳-進化機制，人工神經網路則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智能效果，兩種方式通常都可使用。採用前一種方法，需要人工詳細規定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最後為用戶提供一個新的版本或提供一個新補丁，非常麻煩。採用後一種方法時，編程者要為每一角色設計一個智能系統（一個模塊）來進行控制，這個智能系統（模塊）開始什麼也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。這種系統開始也常犯錯誤，但它能吸取教訓，下一次運行時就可能改正，至少不會永遠錯下去，用不到發布新版本或打補丁。利用這種方法來實現人工智慧，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應用。由於這種方法編程時無須對角色的活動規律做詳細規定，應用於復雜問題，通常會比前一種方法更省力。

I. 人工智慧研究的兩個領域是什麼

人臉識別、語音識別是人工智慧應用最為人熟知的兩個領域。智能音箱、人臉門禁也已經走進不少人的生活。去年大火的無人貨櫃，則用到了「物品識別」技術。接下來，人工智慧推廣應用會怎麼走？靠演算法的不斷提升嗎？

海康威視高級副總裁徐習明說：「今天的人工智慧還是一種弱人工智慧。基於深度學習的演算法精度會無限逼近100%，但永遠無法達到。隨著『准確率』提升，最後競爭的更多是場景落地能力。」
碼隆科技首席科學家黃偉林也認同這個說法。碼隆科技是一家聚焦於「物品」圖像識別的公司，無人貨櫃是其主要應用場景之一。「在物品識別領域，目前難點在於跟垂直領域內企業的需求不斷磨合，這是一個長期的過程。一些場景，預想中覺得好做，但操作下來可能難度很大，或者不是剛需。」
「現實購買場景復雜，商品品類太多，增加了數據標注以及類別定義的難度。」黃偉林說，「我們先聚焦於難度小或者剛需的環節。比如減少『貨損』是剛需，我們就在收銀環節幫助識別貨物與條碼能否對應；無人零售櫃則由於商品品類有限，識別難度降低。」
黃偉林說：「目前來看，大家更多是想找一個好的應用場景，不斷迭代演算法和數據，教育市場，培養用戶。」
除了人臉識別、語音識別等主流外，一些小眾細分領域也開始出現。「我們把設備放到工廠之後，就能根據設備發出的雜訊，判斷設備的磨損情況或者其他故障。是不是要加潤滑油？車床刀具磨損程度如何，什麼時候更換？等等。」碩橙科技創始人譚熠說。
人工智慧還能參與到創意活動中來。據了解，已經有音樂人工智慧伴奏系統在中國亮相。人工智慧通過數據分析與學習，找到相對固定模板，然後通過套用模板進行「創作」和演出。
隨著應用場景增多，如何判斷不同領域與人工智慧的結合成熟度？
「有一些指標，首先是基礎設施情況，包括演算法的成熟度、行業數據完善程度等。」上海臨港國際人工智慧研究院最近發布了《2018年度人工智慧產業格局及創新實踐研究報告》，據其副院長李笙凱介紹，「一些領域如農業、教育，行業解決方案的個性化程度比較高，工業領域則面臨設備核心數據獲取難的問題，醫療領域也缺乏對應的病因和圖像檢查等數據，因此較難應用人工智慧。」
而金融等領域由於基礎設施完善，積累了大量的用戶行為數據、表現數據，與人工智慧結合較好。「目前來看，應用最成熟的領域依次是廣告營銷、金融、公共安全、家居、零售、交通、醫療等。」李笙凱說。
隨著人工智慧在智能安防、智能駕駛、無人零售等領域落地生根，細分領域內領軍企業如商湯、地平線等公司已獲得較高估值。在市場充滿機會的同時，李笙凱也提醒：「由於時間尚短，各應用的市場仍需經過長期驗證。」