今年年初出于个人兴趣，我开始了对AI的研究。为了更好理解AI和设计的关系，我开始有效学习机器学习、深度学习、Alexa开发等知识，从当初觉得人工智能只会让大部分设计师失业，到现在觉得人工智能只是一个设计的辅助工具，也算是成长了不少。
这次希望能将积累的知识写成一本电子书，没别的，因为字太多，更重要的是这样很酷。由写作时间可能太长，互联网每天都在变化，一些比较前沿的思考可能转眼成为现实，所以先把前四章陆续发出来。
前四章主要讲了现在人工智能的基础知识、底层设计、互联网产品设计以及AI与设计的关系，后面会通过3~4章详细分析AI对不一样的行业设计的影响，目前考虑的领域是室内设计、公共设计和服务设计。
说起人工智能这词，不得不提及人工智能的历史。人工智能的概念主要由AlanTuring提出：机器会思考吗？如果一台机器能够与人类对话而不被辨别出其机器的身份，那么这台机器具有智能的特征。同年，AlanTuring还预言了存有一定的可能性可以创造出具有真正智能的机器。
说明：AlanTuring(1912.6.23-1954.6.7)曾协助英国军队破解了德国的著名密码系统Enigma，帮助盟军取得了二战的胜利。因提出一种用于判定机器有没有智能的试验方法，即图灵试验，被后人称为计算机之父和人工智能之父。
1956年，在达特茅斯学院举行的一次会议上，不相同的领域(数学，心理学，工程学，经济学和政治学)的科学家正式确立了人工智能为研究学科。
达特茅斯会议之后是大发现的时代。对很多人来讲，这一阶段开发出来的程序堪称神奇：计算机能解决代数应用题、证明几何定理、学习和使用英语。在众多研究当中，搜索式推理、自然语言、微世界在当时最具影响力。
大量成功的AI程序和新的研究方向不断涌现，研究学者觉得具有完全智能的机器将在二十年内出现并给出了如下预言：
美国政府向这一新兴领域投入了大笔资金，每年将数百万美元投入到麻省理工学院、卡耐基梅隆大学、爱丁堡大学和斯坦福大学四个研究机构，并允许研究学者去做任何感兴趣的方向。
首次提出人工智能拥有模仿智能的特征，懂得使用语言，懂得形成抽象概念并解决人类现存问题
ArthurSamuel在五十年代中期和六十年代初开发的国际象棋程序，棋力已能挑战具有相当水平的业余爱好者
机器人SHAKEY项目受到了大力宣传，它能够对自己的行为进行“推理”;人们将其视作世界上第一台通用机器人
70年代初，AI遭遇到瓶颈。研究学者逐渐发现，虽然机器拥有了简单的逻辑推理能力，但遭遇到当时无法克服的基础性障碍，AI停留在“玩具”阶段止步不前，远远达不到曾经预言的完全智能。由于此前的过于乐观使人们期待过高，当AI研究人员的承诺无法兑现时，公众开始激烈批评AI研究人员，许多机构不断减少对AI研究的资助，直至停止拨款。
计算机运算能力遭遇瓶颈，没有办法解决指数型爆炸的复杂计算问题
常识和推理需要大量对世界的认识信息，计算机达不到“看懂”和“听懂”的地步
说明：莫拉维克悖论：如果机器像数学天才一样下象棋，那么它能模仿婴儿学习又有多难呢？然而，事实上这是相当难的。
80年代初，一类名为“专家系统”的AI程序开始为全世界的公司所采纳，AI研究迎来了新一轮高潮。在这期间，卡耐基梅隆大学为DEC公司设计的XCON专家系统能够每年为DEC公司节省数千万美金。日本经济产业省拨款八亿五千万美元支持第五代计算机项目。其目标是造出能够与人对话、翻译语言、解释图像、能够像人一样推理的机器。其他几个国家也纷纷作出了响应，并对AI和信息技术的大规模项目提供了巨额资助。
说明：专家系统是一种程序，可根据一组从专门知识中推演出的逻辑规则在某一特定领域回答或处理问题。由于专家系统仅限于一个很小的领域，从而避免了常识问题。“知识处理”随之也成为了主流AI研究的焦点。
AI研究人员发现智能在大多数情况下要建立在对分门别类的大量知识的多种处理方法之上
BP算法实现了神经网络训练的突破，神经网络研究学者重新受到关注
AI研究人员首次提出：机器为了获得真正的智能，机器一定要有躯体，它需要有感知、移动、生存，与这样一个世界交互的能力。感知运动技能对于常识推理等高层次技能是至关重要的，基于对事物的推理能力比抽象能力更重要，这也促进了未来自然语言、机器视觉的发展。
1987年，AI硬件的市场需求突然下跌。科学家发现，专家系统虽然很有用，但它的应用领域过于狭窄，而且更新迭代和维护成本非常高。同期美国Apple和IBM生产的台式机性能不断的提高，个人电脑的理念不断蔓延;日本人设定的“第五代工程”最终也没能实现。AI研究再次遭遇了财政困难，一夜之间这个价值五亿美元的产业土崩瓦解。
商业机构对AI的追捧和冷落，使AI化为泡沫并破裂
在摩尔定律下，计算机性能不断突破。云计算、大数据、机器学习、自然语言和机器视觉等领域发展迅速，人工智能迎来第三次高潮。
摩尔定律起始于GordonMoore在1965年的一个预言，当时他看到因特尔公司做的几款芯片，觉得18到24个月可以把晶体管体积缩小一半，个数可以翻一番，运算解决能力能翻一倍。没想到这么一个简单的预言成真了，下面几十年一直按这个节奏往前走，成为了摩尔定律。
1997年：IBM的国际象棋机器人深蓝战胜国际象棋世界冠军卡斯帕罗夫
2005年：Stanford开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里，赢得了DARPA挑战大赛头奖;
2013年：深度学习算法在语音和视觉识别率获得突破性进展
很多专家学者对此次人工智能浪潮给予了肯定，认为这次人工智能浪潮能引起第四次工业革命。人工智能逐渐开始在保险，金融等领域开始渗透，在未来健康医疗、交通出行、销售消费、金融服务、媒介娱乐、生产制造，到能源、石油、农业、政府……所有垂直产业都将因人工智能技术的发展而受益，那么我们现在讲的人工智能究竟是什么？
在60年代，AI研究人员认为AI是一台通用机器人，它拥有模仿智能的特征，懂得使用语言，懂得形成抽象概念，能够对自己的行为进行推理，它能解决人类现存问题。由于理念、技术和数据的限制，AI在模式识别、信息表示、问题解决和自然语言处理等不相同的领域发展缓慢。
80年代，AI研究人员转移方向，认为AI对事物的推理能力比抽象能力更重要，机器为了获得真正的智能，机器一定要有躯体，它需要感知、移动、生存，与这样一个世界交互。为了积累更多推理能力，AI研究人员开发出专家系统，它可根据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。
1997年，IBM的超级计算机深蓝在国际象棋领域完胜整个人类代表卡斯帕罗夫;相隔20年，Google的AlphaGo在围棋领域完胜整个人类代表柯洁。划时代的事件使大部分AI研究人员确信人工智能的时代已经降临。
可能大家认为国际象棋和围棋好像没什么区别，其实两者的难度不在同一个级别。国际象棋走法的可能性虽多，但棋盘的大小和每颗棋子的规则大大限制了赢的可能性。深蓝能够最终靠蛮力看到所有的可能性，而且只需要一台计算机基本上就可以搞定。相比国际象棋，围棋很不一样。围棋布局走法的可能性可能要比宇宙中的原子数量还多，几十台计算机的计算能力都搞不定，所以机器下围棋想赢十分艰难，包括围棋专家和AI领域的专家们也纷纷断言：计算机要在围棋领域战胜人类棋手，还要再等100年。结果机器真的做到了，并据说AlphaGo拥有围棋十几段的实力(目前围棋棋手最高是9段)。
那么深蓝和AlphaGo在本质上有啥不一样的区别？简单点说，深蓝的代码是研究人员编程的，知识和经验也是研究人员传授的，所以能认为与卡斯帕罗夫对战的深蓝的背后还是人类，只不过它的运算能力比人类更强，更少失误。而AlphaGo的代码是自我更新的，知识和经验是自我训练出来的。与深蓝不一样的是，AlphaGo拥有两颗大脑，一颗负责预测落子的最佳概率，一颗做整体的局面判断，通过两颗大脑的协同工作，它能够判断出未来几十步的胜率大小。所以与柯洁对战的AlphaGo的背后是通过十几万盘的海量训练后，拥有自主学习能力的人工智能系统。
这时候社会上出现了不同的声音：“AI会思考并解决所有问题”、“AI会抢走人类的大部分工作!”“AI会取代人类吗？”那么已来临的人工智能究竟是什么？
人工智能目前有两个定义，分别为强AI和弱人工智能。
普通群众所遐想的人工智能属于强人工智能，它属于通用型机器人，也就是60年代AI研究人员提出的理念。它能够和人类一样对世界进行感知和交互，通过自我学习的方式对所有领域进行记忆、推理和解决实际问题。这样的强人工智能需要具备以下能力：
存在不确定因素时进行推理，使用策略，处理问题，制定决策的能力
说明：以上结论借鉴李开复所著的《人工智能》一书。
这些能力在常人看来都很简单，因自己都具备着;但由于技术的限制，计算机很难具备以上能力，这也是为什么现阶段人工智能很难达到常人思考的水平。
由于技术未成熟，现阶段的人工智能属于弱人工智能，还达不到大众所遐想的强人工智能。弱人工智能也称限制领域人工智能或应用型人工智能，指的是专注于且只能解决特定领域问题的人工智能，例如AlphaGo，它自身的数学模型只能解决围棋领域的问题，可以说它是一个非常狭小领域问题的专家系统，以及它很难扩展到稍微宽广一些的知识领域，例如如何通过一盘棋表达出自己的性格和灵魂。
弱人工智能和强AI在能力上存在着巨大鸿沟，弱人工智能想要逐步发展，一定要具有以下能力：
说明：以上结论借鉴李开复所著的《人工智能》一书。
在计算机理念来说，AI是用来处理不确定性以及管理决策中的不确定性。意思是通过一些不确定的数据输入来进行一些具有不确定性的决策。从目前的技术实现来说，人工智能就是深度学习，它是06年由GeoffreyHinton所提出的机器学习算法，该算法可以使程序拥有自我学习和演变的能力。
机器学习简单点说就是通过一个数学模型将大量数据中有用的数据和关系挖掘出来。机器学习建模采用了以下四种方法：
监督学习与数学中的函数有关。它需要研究学者不断地标注数据来提升模型的准确性，挖掘出数据间的关系并给出结果。
非监督学习与现实中的描述(例如哪些动物有四条腿)有关。它可以在没有额外信息的情况下，从原始数据中提取模式和结构的任务，它与需要标签的监督学习相互对立。
半监督学习，它能够理解为监督学习和半监督学习的结合。
增强学习，它的大概意思是通过联想并对比未来几步所带来的好处而决定下一步是什么。
深度学习属于机器学习下面的一条分支。它可以通过多层神经网络以及使用以上四种方法，不断对自身模型进行自我优化，从而发现出更多优质的数据及联系。
目前的AlphaGo正是采用了深度学习算法击败了人类世界冠军，更重要的是，深度学习促进了人工智能其他领域如自然语言和机器视觉的发展。目前的人工智能的发展依赖深度学习，这句话没有一点问题。
在了解人工智能基础能力前，我们先聊聊更底层的东西——数据。计算机数据分为两种，结构化数据和非结构化数据。结构化数据是指具有预定义的数据模型的数据，它的本质是将所有数据标签化、结构化，后续只要确定标签，数据就能读取出来，这样的形式容易被计算机理解。非结构化数据是指数据结构不规则或者不完整，没有预定义的数据模型的数据。非结构化数据格式多样化，包括了图片、音频、视频、文本、网页等等，它比结构化信息更难标准化和理解。
音频、图片、文本、视频这四种载体可以承载着来自世界万物的信息，人类在理解这一些内容时毫不费劲;对于只懂结构化数据的计算机来说，理解这些非结构化内容比登天还难，这也就是为什么人与计算机交流时非常费劲。
全世界有80%的数据都是非结构化数据，人工智能想要达到看懂、听懂的状态，必须要把非结构化数据这块硬骨头啃下来。学者在深度学习的帮助下在这领域取得了突破性成就，这成就为AI其他各种能力奠定了基础。
如果将AI比作一个人，那么AI应该具有记忆思考能力，输入能力如视觉、听觉、嗅觉、味觉以及触觉，以及输出能力如语言交流、躯体活动。以上能力对相应的术语为：深度学习、知识图谱、迁移学习、自然语言处理、机器视觉、语音识别、语音合成(触觉、嗅觉、味觉在技术探讨研究上暂无商业成果，躯体活动更多属于机器人领域，不在文章中过多介绍)
简单点说，知识图谱就是一张地图。它从不同来源收集信息并加以整理，每个信息都是一个节点，当信息之间有关系时，相关节点会建立起联系，众多信息节点逐渐形成了图。知识图谱有助于信息存储，更重要的是提高了搜索信息的速度和质量。
迁移学习把已学训练好的模型参数迁移到新的模型来帮助新模型训练数据集。由于大部分领域都只有少数的数据量进行模型训练，迁移学习可以将大数据的模型迁移到小数据上，实现个性化迁移，如同人类思考时使用的类比推理。迁移学习有助于人工智能掌握更多知识。
自然语言处理是一门融语言学、计算机科学、数学于一体的学科，它是人工智能的耳朵-语音识别和嘴巴-语音合成的基础。计算机能否理解人类的思想，首先要理解自然语言，其次拥有广泛的知识，以及运用这些知识的能力。自然语言处理的主要范畴非常广，包括了语音合成、语音识别、语句分词、词性标注、语法分析、语句分析、机器翻译、自动摘要等等、问答系统等等。
机器视觉通过摄影机和计算机代替人的眼睛对目标进行识别、跟踪和测量，并进一步对图像做处理。这是一门研究怎么样使机器“看懂”的技术，是人工智能最重要的输入方式之一。如何通过摄像头就能做到实时、准确识别外界状况，这是人工智能的瓶颈之一，深度学习在这方面帮了大忙。现在热门的人脸识别、无人驾驶等技术都依赖于机器视觉技术。
语音识别的目的是将人类的语音内容转换为相应的文字。机器能否与人类自然交流的前提是机器能听懂人类讲什么，语音识别也是人工智能的最重要输入方式之一。由于不一样的地区有不一样方言和口音，这对于语音识别来说都是巨大的挑战。目前百度、科大讯飞等公司的语音识别技术在普通线%，但方言准确率还有待提高。
目前大部分的语音合成技术是利用在数据库内的许多已录好的语音连接起来，但由于缺乏对上下文的理解以及情感的表达，朗读效果很差。现在百度和科大讯飞等公司在语音合成上有新的成果：16年3月百度语音合成了张国荣声音与粉丝互动;17年3月本邦科技利用科大讯飞的语音合成技术，成功帮助小米手机实现了一款内含“黑科技”的营销活动H5。它们的主要技术是通过对张国荣、马东的语音资料做语音识别，提取该人的声纹和说话特征，再通过自然语言处理对讲述的内容做情绪识别，合成出来的语音就像本人在和你对话。新的语音合成技术不再被数据库内的录音所限制语言和情感的表达。
经过多年的AI研究，人工智能的主要发展趋势分为：计算智能、感知智能、认知智能，这一观点也得到业界的广泛认可。
计算智能是以生物进化的观点认识和模拟智能。有学者觉得，智能是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中，适应度高的(头脑)结构被存下来，智能水平也随之提高。机器借助大自然规律的启示设计出具有结构演化能力和自适应学习能力的智能。计算智能算法最重要的包含神经计算、模糊计算和进化计算三大部分，神经网络和遗传算法的出现，使得机器的运算能力大幅度提升，能够更高效、快速处理海量的数据。计算智能是人工智能的基础，AlphaGo是计算智能的代表。
感知智能是以视觉、听觉、触觉等感知能力辅助机器，让机器能听懂我们的语言、看懂世界万物。相比起人类的感知能力，机器能够最终靠传感器获取更多信息，例如温度传感器、湿度传感器、红外雷达、激光雷达等等。感知智能也是人工智能的基础，机器人、无人驾驶汽车是感知智能的代表。
认知智能是指机器具有主动思考和理解的能力，不用人类事先编程就能轻松实现自我学习，有目的推理并与人类自然交互。人类有语言，才有概念、推理，所以概念、意识、观念等都是人类认知智能的表现，机器实现以上能力还有漫长的路需要探索。
在认知智能的帮助下，人工智能通过发现世界和历史上海量的有用信息，并洞察信息间的关系，一直在优化自己的决策能力，从而拥有专家级别的实力，辅助人类做出决策。认知智能将加强人和人工智能之间的互动，这种互动是以每个人的偏好为基础的。认知智能通过搜集到的数据，例如地理位置、浏览历史、可穿戴设备数据和医疗记录等等，为不同个体创造不同的场景。认知系统也会根据当前场景以及人和机器的关系，采取不同的语气和情感进行交流。
假如能像设想的一样实现认知智能，那么底层平台必须充足宽广和灵活，以便在各领域甚至跨领域得到应用。因此研发人需要从全局性出发，打造这个健壮的底层平台，它应该包括机器学习、自然语言处理、语音和图像识别、人机交互等技术，便于上层应用开发者的开发和使用。
