人工智能領域需要具備哪些知識呢？

人工智能的發展近年是大熱潮，對于人類市場而言,人工智能的發展已經逐漸參透到人類生活及生產的方方面面。

人工智能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么是人力所能及制造的，或著人自身的智能程度有沒有高到可以創造人工智能的地步等等。但總的來說，“人工系統”就是通常意義下的人工系統。關于什么是“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，所以就很難定義什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及對人的智能本身的研究。其它關于動物或其它人造系統的智能也普遍被認為是人工智能相關的研究課題。人工智能目前在計算機領域內，得到了愈加廣泛的重視。并在機器人，經濟政治決策，控制系統，仿真系統中得到應用--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，專家系統等。人工智能(Artificial Intelligence)是研究解釋和模擬人類智能、智能行為及其規律的一門學科。其主要任務是建立智能信息處理理論，進而設計可以展現某些近似于人類智能行為的計算系統。AI作為計算機科學的一個重要分支和計算機應用的一個廣闊的新領域，它同原子能技術，空間技術一起被稱為20世紀三大尖端科技。人工智能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。知識表示是人工智能的基本問題之一，推理和搜索都與表示方法密切相關。常用的知識表示方法有：邏輯表示法、產生式表示法、語義網絡表示法和框架表示法等。常識，自然為人們所關注，已提出多種方法，如非單調推理、定性推理就是從不同角度來表達常識和處理常識的。問題求解中的自動推理是知識的使用過程，由于有多種知識表示方法，相應地有多種推理方法。推理過程一般可分為演繹推理和非演繹推理。謂詞邏輯是演繹推理的基礎。結構化表示下的繼承性能推理是非演繹性的。由于知識處理的需要，近幾年來提出了多種非演澤的推理方法，如連接機制推理、類比推理、基于示例的推理、反繹推理和受限推理等。搜索是人工智能的一種問題求解方法，搜索策略決定著問題求解的一個推理步驟中知識被使用的優先關系。可分為無信息導引的盲目搜索和利用經驗知識導引的啟發式搜索。啟發式知識常由啟發式函數來表示，啟發式知識利用得越充分，求解問題的搜索空間就越小。典型的啟發式搜索方法有A*、AO*算法等。近幾年搜索方法研究開始注意那些具有百萬節點的超大規模的搜索問題。機器學習是人工智能的另一重要課題。機器學習是指在一定的知識表示意義下獲取新知識的過程，按照學習機制的不同，主要有歸納學習、分析學習、連接機制學習和遺傳學習等。知識處理系統主要由知識庫和推理機組成。知識庫存儲系統所需要的知識，當知識量較大而又有多種表示方法時，知識的合理組織與管理是重要的。推理機在問題求解時，規定使用知識的基本方法和策略，推理過程中為記錄結果或通信需設數據庫或采用黑板機制。如果在知識庫中存儲的是某一領域(如醫療診斷)的專家知識，則這樣的知識系統稱為專家系統。為適應復雜問題的求解需要，單一的專家系統向多主體的分布式人工智能系統發展，這時知識共享、主體間的協作、矛盾的出現和處理將是研究的關鍵問題。需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。需要算法的積累：人工神經網絡，支持向量機，遺傳算法等等算法;當然還有各個領域需要的算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;

總之算法很多需要時間的積累。

需要掌握至少一門編程語言：畢竟算法的實現還是要編程的;如果深入到硬件的話，一些電類基礎課必不可少。

人工智能的發展歷程

時至今日，人工智能發展日新月異，此刻AI已經走出實驗室，離開棋盤，已通過智能客服、智能醫生、智能家電等服務場景在諸多行業進行深入而廣泛的應用。可以說，AI正在全面進入我們的日常生活，屬于未來的力量正席卷而來。讓我們來回顧下人工智能走過的曲折發展的60年歷程中的一些關鍵事件：

1946年，全球第一臺通用計算機ENIAC誕生。它最初是為美軍作戰研制，每秒能完成5000次加法，400次乘法等運算。ENIAC為人工智能的研究提供了物質基礎。

1950年，艾倫·圖靈提出“圖靈測試”。如果電腦能在5分鐘內回答由人類測試者提出的一些列問題，且其超過30%的回答讓測試者誤認為是人類所答，則通過測試。這邊論文語言了創造出具有真正智能的機器的可能性。

1956年，“人工智能”概念首次提出。在美國達特茅斯大學舉行的一場為其兩個月的討論會上，“人工智能”概念首次被提出。

1959年，首臺工業機器人誕生。美國發明家喬治·德沃爾與約瑟夫·英格伯格發明了首臺工業機器人，該機器人借助計算機讀取示教存儲程序和信息，發出指令控制一臺多自由度的機械。它對外界環境沒有感知。

1964年，首臺聊天機器人誕生。美國麻省理工學院AI實驗室的約瑟夫·魏岑鮑姆教授開發了ELIZA聊天機器人，實現了計算機與人通過文本來交流。這是人工智能研究的一個重要方面。不過，它只是用符合語法的方式將問題復述一遍。

1965年，專家系統首次亮相。美國科學家愛德華·費根鮑姆等研制出化學分析專家系統程序DENDRAL。它能夠分析實驗數據來判斷未知化合物的分子結構。

1968年，首臺人工智能機器人誕生。美國斯坦福研究所（SRI）研發的機器人Shakey，能夠自主感知、分析環境、規劃行為并執行任務，可以柑橘人的指令發現并抓取積木。這種機器人擁有類似人的感覺，如觸覺、聽覺等。

1970年，能夠分析語義、理解語言的系統誕生。美國斯坦福大學計算機教授T·維諾格拉德開發的人機對話系統SHRDLU，能分析指令，比如理解語義、解釋不明確的句子、并通過虛擬方塊操作來完成任務。由于它能夠正確理解語言，被視為人工智能研究的一次巨大成功。

1976年，專家系統廣泛使用。美國斯坦福大學肖特里夫等人發布的醫療咨詢系統MYCIN，可用于對傳染性血液病患診斷。這一時期還陸續研制出了用于生產制造、財務會計、金融等個領域的專家系統。

1980年，專家系統商業化。美國卡耐基·梅隆大學為DEC公司制造出XCON專家系統，幫助DEC公司每年節約4000萬美元左右的費用，特別是在決策方面能提供有價值的內容。

1981年，第五代計算機項目研發。日本率先撥款支持，目標是制造出能夠與人對話、翻譯語言、解釋圖像，并能像人一樣推理的機器。隨后，英美等國也開始為AI和信息技術領域的研究提供大量資金。

1984年，大百科全書（Cyc）項目。Cyc項目試圖將人類擁有的所有一般性知識都輸入計算機，建立一個巨型數據庫，并在此基礎上實現知識推理，它的目標是讓人工智能的應用能夠以類似人類推理的方式工作，成為人工智能領域的一個全新研發方向。

1997年，“深藍”戰勝國際象棋世界冠軍。IBM公司的國際象棋電腦深藍DeepBlue戰勝了國際象棋世界冠軍卡斯帕羅夫。它的運算速度為每秒2億步棋，并存有70萬份大師對戰的棋局數據，可搜尋并估計隨后的12步棋。

2011年，Watson參加智力問答節目。 IBM開發的人工智能程序“沃森”（Watson）參加了一檔智力問答節目并戰勝了兩位人類冠軍。沃森存儲了2億頁數據，能夠將于問題相關的關鍵詞從看似相關的答案中抽取出來。這一人工智能程序已被IBM廣泛應用于醫療診斷領域。

2016~2017年，AlphaGo戰勝圍棋冠軍。AlphaGo是由Google DeepMind開發的人工智能圍棋程序，具有自我學習能力。它能夠搜集大量圍棋對弈數據和名人棋譜，學習并模仿人類下棋。DeepMind已進軍醫療保健等領域。

2017年，深度學習大熱。AlphaGoZero（第四代AlphaGo）在無任何數據輸入的情況下，開始自學圍棋3天后便以100:0橫掃了第二版本的“舊狗”，學習40天后又戰勝了在人類高手看來不可企及的第三個版本“大師”。