据日本《产经新闻》1月7日报道称，日本防卫省于6日宣布：为强化对网络攻击的应对能力，已经确定要将人工智能（AI）引入日本自卫队信息通信网络的防御系统中。预计将于明年开始为期两年的调查研究，于2020年着手进行软件开发，2022年实际运用，并且也开始考虑在日本政府全体的网络防御系统中应用AI。

现在日本最有名的的人工智能（zhang），可能就是这位AI视频主播绊爱酱了……虽然都是人工智能，不过差别还是很大的

报道中称，自卫队将AI应用在网络安全方面的主要目的是依靠AI的“深度学习”能力，对网络攻击的特点和规律进行分析，以图预先为未来的网络攻击做好准备。报道中说，已经为2019年度的网络防御AI编列了8000万日元（约459万人民币）的预算。并准备参考网络防御和AI方面的先进国家如美国和以色列等国的技术。

同时，引入人工智能也可以提高网络防御工作的效率。目前，防卫省内缺乏足够的人员来进行网络攻击的防御工作。在著名的美国“网军”计划扩充到6200人的规模的同时，自卫队的网络防卫队现在只有110人，如果能够由AI承担一部分工作，现有人员的工作压力有望大幅度减轻。

观察者网军事评论员表示：AI在网络攻防作战中的效率正得到越来越清晰的认识。每天互联网上都会发生数以兆亿计的网络攻击，各种病毒和攻击手段层出不穷。这种情况让网络安全工程师疲于奔命，也为“深度学习”型AI提供了源源不断的数据。传统的安全程序需要由人来将病毒特征添加到数据库中，然后再将目标程序比对数据库中的现有病毒特征来判断其是否安全，但AI却能够通过深度学习来发现过去网络攻击中的共同点和特殊点，分析恶意程序和攻击手段的演化方向，因此能够更加迅速和精确地防御网络攻击。

正如AI棋手可以更深入地洞悉棋盘上的奥秘一样，网络安全AI也能够更深入地洞悉网络战场的奥秘

值得注意的是，在网络安全战场上，AI不但可以作为防御一方大显身手，也可以作为“攻”的一方大显神通，甚至还可能魔高一丈。“深度学习”功能同样可以用来追踪系统进化趋势和安全软件更新特点，从而迅速设计出新的，更强力的恶意程序来发动攻击。在2016年的黑客顶级盛会Defcon上，由Endgame 的安全专家海伦·安德森领衔的团队就成功地利用“黑客AI”突破了“网络安全AI”的保护。

目前，军方人员介入网络安全战场早已成为常态，美国著名的网络安全公司Cybereason其创办人正是来自以色列国防部下属精英网络部队8200部队。值得注意的是，2015年该公司接受了来自日本软银的为数1亿美元的融资，不知《产经新闻》提到的“以色列技术”是否来自该公司呢？

2016年对人工智能来说是意义非凡的一年，或许在技术领域的感知并不明显，在商业层面的“成功”却是前所未有的。

从年初AlphaGo和李世石的围棋大战，到一场场和人工智能有关的发布会，再到刚刚完结的《西部世界》第一季。我们先是被人工智能所震撼，然后被人工智能的商业化所俘虏，最后又为人工智能的未来所恐惧。这里面有悲天悯人的情怀，也有科技巨擘的野心，不管怎样，人工智能终于跳出了实验室的禁锢，成为活跃在科技领域的核心力量。

聚焦到2016年这个时间点来看，人工智能最耀眼的还是商业化的起步。然而，在人工智能被做各种加法、各种布局的同时，也出现了一些不和谐的现象。笔者将从人工智能现状、场景及未来趋势盘点何为理想何为现实。

资本跑马圈地，人工智能的第三个红利期

距离“人工智能”这个名词的诞生已经有60年，并且在上个世纪60年代和80年代相继迎来了两个红利期。按照这个说法，2016年前后很可能是人工智能的第三个红利期，更重要的是，资本对人工智能表现出了从未有过的青睐。

Venture Capital 的调查报告显示，截至到2016 年11 月，全球范围内总计1485 家与人工智能技术有关公司的融资总额达到89 亿美元。同时，CB Insight公布了对美国人工智能初创企业的调查结果，这类企业在今年的融资金额约是四年前的十倍，且被收购的企业数量迎来了近几年的最大值。

比资本更加疯狂且更惹人注目的还有疯狂跑马圈地的互联网巨头们。

2016年1月份，苹果收购人工智能初创公司Emotient，这家公司的成果在于使用人工智能技术读取中的面部表情。

2016年5月份，eBay宣布收购Expertmaker，这是一家使用机器学习进行大数据分析的瑞典企业。

2016年5月份，英特尔收购了专门从事计算机视觉（CV）算法的初创公司Itseez，计划利用Itseez专业能力来创建从汽车到安全系统的物联网（IoT）。

2016年8月份，微软收购了一个两年半的初创公司Genee，其主要产品是一款拥有AI技术的智能日程工具。

2016年9月份，谷歌相继收购了用于开发聊天机器人的人工智能平台Apiai，距离收购视觉搜索创企Moodstock仅过去两个月之久。

2016年9月份，亚马逊低调收购了机器人创业公司Angelai，这家公司的联合创始人成为亚马逊“新机器人产品”的项目负责人。

当然，上述列举的案例只是这些科技巨头们近几年收购事件中的很小一部分。打败了李世石的AlphaGo出自创业者之手，亚马逊Echo智能音响的诞生和初创公司Yap和Evi不无关系，就连曾经让世界惊艳的Siri也是在初创产品的雏形上打造的，这些收购具有鲜明的美国互联网色彩。同样，中国互联网行业对人工智能的热情也是如此高涨，但模式却和美国有所不同。

百度可以说是国内在人工智能领域“声势”最大的玩家，诸如百度大脑、百度医疗大脑、天智云计算解决方案等等。以至于在今年的百度世界大会上，人工智能成功取代O2O成为百度新的“旗帜”，再加上吴恩达、百度无人驾驶车等专家和产品的频繁亮相，百度在人工智能方面获得了不小的关注。

2016年之前，阿里采取了错位营销的战略，把人工智能统一规划在“云服务”内来做推广。2016年以来，阿里在人工智能领域的动作也开始趋于高调。先是在人脸识别、语音识别等方面“炫技”营销，在今年八月份直接推出了ET机器人，涵盖语音识别、图像识别、情感分析等技术。

在BAT的阵营中，腾讯可以说是在AI方面动作最为“迟缓”的，直到现在令人印象深刻的动作也只有QQ互联和微信硬件平台。不过在人工智能技术层面，腾讯上镜的机会并不比百度和阿里少，在今年相继投资了数据公司Diffbot和碳云智能等人工智能相关的公司，或是借鉴了国外的思路。

除此之外，网易、360、科大讯飞等也把人工智能视为新一轮的机遇，比如丁磊直言“下一个十年的方向肯定是人工智能，比如汽车驾驶、辅助机器人等”，网易自身也推出了全智能客服系统网易七鱼、人工智能反垃圾云服务网易易盾等。可以肯定的是，虽然国内二三阵营的互联网公司在2016年并未有过多的动作，大多企业已经开始了和人工智能有关的布局。

即便和巨头相比，国内的人工智能创业者不那么耀眼，整个行业的春天已是不争的事实。此前乌镇智库和网易科技联合发布的《全球人工智能发展报告（2016）》中，在人工智能投资专注度最高的15家投资机构中，真格基金、维港投资这两家来自中国的投资机构赫然在列，碳云智能、出门问问、云知声等创业公司也出现了极高的频次。虽然国内人工智能创业者所展现出的热度和高度仍不及美国、以色列等国家，让人感同身受的是，几乎在每一场科技展览会上都不难看到大大小小的人工智能企业。

诚然，在巨头眼中“人工智能”是不可错失的机遇，对创业者来说“人工智能”是互联网之后的新一轮曙光，而资本也抱着投资人工智能“一本万利”的心态。人工智能寄托了太多人的理想，但现实应用呢？

巨头卡位布局，人工智能的落地是个什么命题？

正如开头所说，在技术层面对人工智能进展的感知并不明显，至少没有任何一个科学家站出来“神化”人工智能。可在商业层面，相比于上两次红利期，足以用成功一词来形容。此前谈到智能和AI，很多人喜欢称之为伪命题，那么在商业化如此成功的2016年，人工智能的落地情况如何呢？

笔者在此选取了5个应用场景来进行探讨。

1、智能聊天机器人

从苹果推出语音助手Siri开始，人们对于“聊天机器人”的欲望进一步爆发，虽然和科幻**里的“贾维斯”等仍相距甚远，从虚拟聊天助手走向有硬件支撑的机器人已然成为2016年的成果之一。比较典型的产品有Echo智能音箱以及各种各样的儿童陪伴机器人。或许不少人认为人工智能在这个领域的应用至少需要五年才能逐渐成熟。值得乐观的是，这类软件或机器人已经能够理解自然语言，帮助人们完成邮件、消息回复等功能。相比于只能完成特定指令的扫地机器人，微软小冰、阿里ET等结合了云计算和大数据的聊天机器人有着长足的进步。

2、智能APP

在Gartner不久前发布的“2017年前十大战略技术趋势”中，智能APP位列第二，似乎预示着人工智能技术将出现在更多的APP中。事实上，在2016年使用到人工智能技术的应用已经开始出现，比如一些集成了人脸识别技术的支付工具、针对图像识别技术开发的工具类APP、电商平台借助机器识别侦查刷单行为，如此种种。根据Gartner的定义来看，运用人工智能的形式是通过新的智能特性嵌入到某一行业的现有应用程序中，比如食品厂利用人工智能来检查面包的颜色、形态和芝麻分布，并根据分析结果不断自动调整烤箱和流程。

3、智能投顾

金融似乎是人工智能乐于“入侵”的领域，仅智能投顾就涌现了近百家平台。顾名思义，智能投顾就是人工智能＋投资顾问的结合体，借助大数据识别用户的风险喜好，再通过通过算法和模型定制风险资产组合。优势在于费用低、服务效率高、覆盖人群广，且在一定程度上满足了“千人千面”的理财需求。国外有Wealthfront、Betterment、Future Advisor等知名智能投顾平台，国内也出现了钱景、拿铁财经、理财魔方等模仿者，就连记账软件网易有钱也开始向智能投顾转型。不过在政策和牌照的压力下，智能投顾能走多远仍不得而知。

4、智能硬件

智能硬件的高潮时代应该是在2014年前后，经历了资本看好和看衰之后，2016年不少智能硬件开始加入AI的元素。从IDC的预测来看，AI硬件收入将在未来五年内以超过60%的复合年增长率发展。不过，IDC等之所以如此乐观，原因在于智能硬件早已不再是智能手环、手表等可穿戴设备的代名词，无人驾驶、机器人、无人机等成为新的关注对象。2016年，包括大疆、零度智控等都开始将无人机智能化，无人驾驶被科技巨头和汽车巨头拥抱。人工智能在这个行业的发展似乎值得期待。

5、取代人工

利用人工智能取代人工一直是人类的夙愿，2016年人工智能在这个领域的应用也比较瞩目。除了前面所说的聊天机器人、应用软件、金融、智能硬件等，不少云服务平台也开始引入人工智能技术。以2016年比较火爆的直播为例，传统的内容审核机制需要投入巨大的人力资源，诸如网易易盾等反垃圾云服务的出现，结合深度学习、图像识别、语义分析、语音识别、动作识别等人工智能技术，解决了80%以上的人力投入，“机器审核+人工服务”逐渐成功UGC产品的主要形态。这大概也是人工智能应用最为广泛的领域之一。

不难发现，人工智能的落地虽然和想象中仍有一些距离，却也摆脱了伪命题的说法，更重要的是，其中从未少却互联网巨头的身影。既选择在计算机视觉、深度学习、自然语言处理、情景感知等核心算法的研究或收购，及早在产品上应用和变现也成了巨头们卡位布局的鲜明特点。也正是如此，几乎可以肯定这次人工智能的高潮不会重蹈前两次的覆辙。

结语

2016年行将结束，或许人工智能在某些领域仍充当着炫技的角色，或许仍有一些玩家对人工智能寄予了不符合现状的希望。无论如何，行业巨头和创业者都承担了两个角色，即人工智能技术的研究者和实践者。也就意味着，人工智能离象牙塔越来越远，离商业化越来越近，并非遥不可及。

Alter，互联网观察者，长期致力于对智能硬件、云计算、VR等行业的观察研究。

Wave Computing

Wave Computing在2018取得了不少进展，推出其第一个DataFlow处理单元，收购MIPS，创建MIPS Open，并将首批系统交付给少数客户。虽然Wave架构有一些非常有趣的功能，但我们更期待用户的大规模真实体验反馈。

Wave不是插入到服务器的加速器，它是用于图形计算的独立处理器。这种方法有利有弊。从积极的方面看，Wave不会受到GPU等加速器面临的内存瓶颈影响。从消极方面来说，安装Wave设备将是新的升级，需要完全替换传统的X86服务器，也让其成为所有服务器制造商的竞争对手。

我不认为Wave能从某个点击败NVIDIA，但该架构的设计的非常好，该公司已经表示它很快就会有客户的反馈。

图1：Wave是从上面显示的4节点“DPU”构建的系统。Wave Computing

Graphcore

Graphcore是一家资金雄厚（融资31亿美元，目前估值为17亿美元）的英国独角兽创业公司，拥有全球化的团队。它正在构建一种新型的图形处理器架构，其内存与其逻辑单元位于同一芯片上，这应该能够实现更高的性能。该团队产品的发布时间暂不明确，不过他们去年四月表示“几乎准备好发布”了，12月的最新信息表明它将很快开始生产。

Graphcore的投资者名单令人印象深刻，包括红杉资本、宝马、微软、博世和戴尔 科技 。

我了解了该公司的架构，它非常令人印象深刻。从边缘设备扩展到用于数据中心的训练和推理的“Colossus”双芯片封装。在最近的NeurIPS活动中，Graphcore展示了其RackScale IPU Pod，它在一个32台服务器的机架中提供超过16 petaflops的算力。虽然该公司经常声称它将提供比同类最好GPU强100倍的性能。

Graphcore表示，4“Colossus”GC2（8芯片）服务器可提供500 TFlops（每秒数万亿次操作）的混合精度性能。单个NVIDIA V100可提供125 TFlops，因此理论上4 个V100就可提供与其相同的性能。

与往常一样，细节更能发现差别，V100峰值性能仅在重构代码执行TensorCore的4x4矩阵乘法时才可用，这是Graphcore架构巧妙避免的限制。更不用说V100消耗了300瓦的电能和大量现金这一事实。

此外，Graphcore支持片上互连和“处理器内存”（片上存储器）方法，可以得到超出TFlops基准所认可的优秀性能。在一些神经网络中，如Generative Adversarial Networks，内存是瓶颈。

再次强调，我们将不得不等待真实的用户用实际应用程序来评估此体系结构。尽管如此，Graphcore的投资者名单、专家名单和台天价估值告诉我，这可能是一件好事。

图2：GraphCore展示了ImageNet数据集处理的照片。 可视化可帮助开发人员了解其训练处理占用处理周期的位置。

Habana Labs

Habana Labs是一家以色列创业公司，去年9月在第一次AI硬件峰会上宣布它已经准备好推出其首款用于推理的芯片，其创纪录的性能用于卷积神经网络图像处理。结果显示在Resnet50图像分类数据库中该处理器每秒分类15,000张图像，比NVIDIA的T4高出约50％，功耗仅为100瓦。

在2018年12月，Habana Labs的最新一轮融资由英特尔风险投资（Intel Venture Capital）领投，WRV Capital，Bessemer Venture Partners和Battery Ventures跟投，该公司的融资也由此前的4500万美元增加了7500万美元。

据悉，Habana Labs新的融资将部分用于流片其名为“Gaudi“的第二款芯片，该芯片将专注于训练市场，据称可扩展到1000多个处理器。

其它创业公司

我知道世界上有超过40家公司在为人工智能设计训练和推理芯片。我发现大多数公司都在进行简单的FMA（浮点乘法累加）和混合精度数学（整型8位和浮点16位和32位）。对此我不会感到惊讶，因为这种方法相对容易实现并且会获得一些成果，但它不会为像NVIDIA，英特尔以及少数初创公司做出不一样的架构提供持久的架构优势。

以下是一些引起我注意的公司：

中国AI芯片初创公司

中国一直试图找到一条摆脱美国半导体的方式，人工智能加速器可能会提供它一直在寻求的机会。中国设定了2030年要建立一个价值数万亿美元的人工智能产业的目标，自2012年以来，投资者已经向创业公司投入了超过40亿美元的资金。

寒武纪 科技 估值为25亿美元，是已经发布了第三代AI芯片的中国独角兽公司。寒武纪称它可以用更低的功耗提供比NVIDIA V100更好的AI性能，他们还销售其AI IP，搭载在华为麒麟970和麒麟980的处理器当中，作为AI加速硬件。

商汤 科技 也许是估值最高的AI创业公司，以在中国推广智能监控摄像头而闻名。这些安防摄像头数量超过175亿，包括其他公司生产的摄像头。商汤 科技 在香港成立，最近一轮融资数额达6亿美元，由阿里巴巴领投。据报道，这家初创公司的价值目前为45亿美元。

商汤 科技 与阿里巴巴、高通、本田甚至NVIDIA等主要公司建立了战略合作伙伴关系。该公司今天拥有一台超级计算机，运行大约8000块（可能是NVIDIA提供？）GPU，并计划再建造5台超级计算机来处理数百万个摄像头采集的面部识别数据。

雷锋网编译，via forbes

以色列作为一个中东小国，人口不到一千万、国土面积不过2 万平方公里、超过50％的国土却寸草不生，没石油、缺淡水。就是这样一个小国家，对外出口商品和服务总额超过1000亿美元。出口是拉动GDP的三架马车之一，而以色列的出口额占全国GDP将近三分之一，而地大物博、常年出口的中国，在2017年中国出口占GDP比重才为16％。 

从以色列科技发展的历史脉络来看，以色列科技发展的方向一直在对标美国市场。目前，以色列在全球新兴的产业热门领域内积极探索，包括如生命科学、移动通信及互联网、科技金融、AI与机器人、自动化、工业应用、清洁能源等。以色列在这些新兴领域里的不断创新，涌现出大批创新企业，并在全球领先。 

产品设计及生产的及时交付对于半导体行业至关重要，以色列研发团队拥有快速的研发能力，能在相对较短时间内为全球任何一个国家的客户及时交付设计及产品，以色列的快速交付能力得益于以色列人的全球视野及军队培育出来的快速响应能力。 许多以色列工程师在多个领域拥有丰富的知识与经验，如无线通信、数据加密、高速传输及国土安全等领域，这些知识都源自于军队的服役经验。由于小小的以色列聚集了全球各大顶尖科技公司的研发中心，经历不同公司的以色列工程师对行业的世界领先技术有着更深的认识。 以色列芯片行业以其国际领先的表现，吸引了来自以色列本土及海外资本的青睐，以色列科技行业吸引的风险投资有近13％投在了芯片行业，不少以色列投资者出身于芯片行业，对该行业非常精通。

大家能否想象这样一天？

当你打开手机App，就能得到自己的心率、血压、血氧饱和度、呼吸频率、精神压力值等多项医疗级别的健康指标。同时，这些健康指标还能导入医疗AI，随时监测个人身体健康状况。如果出现任何异常，可以随时通知医生。而想要实现这一切，仅仅需要打开手机，拍个30秒的短视频。

这个听上去疯狂的想法已然成为现实。一家来自以色列的AI医疗初创公司Binah，正致力于将AI系统与手机和笔记本的摄像头连接。通过监测血液中的酒精含量，甚至是葡萄糖、胆固醇和血红蛋白的含量等，来获知人们的健康状况。

“戴智能手表的人都知道手表后面那些闪烁的灯，它们可以监测皮肤的微小颜色变化。从而反映皮肤下面的血液流动情况。”近期，在一档由约翰·科泽尔主持，名为TechFirst的节目中，Binah的CEO大卫·马曼谈及应用程序工作原理时介绍。健康界对该访谈要点进行了编译。

约翰·科泽尔：请分享一下它的工作原理

大卫·马曼：如果留心观察，从可穿戴设备上，任何智能手表的背面都有闪烁的指示灯。这些闪烁的光实际上发出的是红外光束，可以监测皮肤微小的颜色变化，这反映了血液的情况。

这项技术被称为成像容积描记术PPG，最早始于1938年。苹果公司可以通过分析血液流量、监测心率。Fitbit可以监测氧饱和度。三星可以测量精神压力水平。

而我们与他们略有差异，我们所做的不是发送光束，而是分析光从脸颊反射到相机镜头的光强度。我们可以在智能手机、笔记本电脑、平板电脑，甚至智能电视上做到这一点。这项应用程序已经投入生产一年多了，但我们的产品不面向大众，我们是一家面向B端的数字健康方案供应商。

约翰·科泽尔：对摄像头有什么要求？

大卫·马曼：每秒需要30帧。当然，过去15年内生产的任何网络摄像头都是每秒30帧，因此，基本上所有iPhone7及更高版本，以及过去五年任何Android设备都可以正常运行。我们在全球已经有超过700万台设备在运行我们的技术。

约翰·科泽尔：对肤色有要求吗？

大卫·马曼：它适用于任何肤色。我们在印度、尼泊尔、波兰、俄罗斯等，从极端的白色到暗色，都长期验证过这项技术；测试人员年龄跨度从4岁-92岁。这款产品对任何年龄段都适用，唯一的条件就是合理的光照条件，然后就可以得到结果。

约翰·科泽尔：你们可以测量血压吗？

大卫·马曼：目前，测量血压的功能我们已经申请了技术专利。与其他生命体征提取不同，例如心率、血氧饱和度、呼吸频率、精神压力水平等都是纯粹的信号处理能力，而血压是基于建模。

为了创建数据库，我们跟全球7家医院进行了合作。我们需要进行侵入式血压测量，或者一个基于袖带的血压测量，并通过我们自己的记录应用程序录制音响，由此，我们建立了近13000人的数据库，从而建立起了正确的模型。我们用PPG信号制作了1400个特征。这是这项技术的核心。

约翰·科泽尔：实际体验怎么样？

大卫·马曼：每项指标都有所不同。为了获取准确的心率，我们需要10到12秒；氧饱和度25秒；呼吸频率32秒。心理压力水平，这是官方的Baevsky压力指数，我们可以在45至50秒内完成。整个读取将花费55到60秒。

约翰·科泽尔：除此之外，还有什么特色的应用？

大卫·马曼：最近，我们在研究如何测量血红蛋白水平，以判断是否贫血。我们还在研究酒精性血液水平，预计在今年年底之前发布第一个版本。这对运输企业来说是非常好的讯息，可以确保卡车司机没有饮酒驾驶，也可以帮助乘客了解Uber司机是否酒驾。

约翰·科泽尔：每个人都关心健康，很多人会通过可穿戴设备收集有关于健康的数据，其中包括心率、运动水平等等。但这些健康信息，我们好像很难传达给医生，这一点您怎么解决？

大卫·马曼：是的，AppleWatch每20秒检查一次用户状态，这意味着有成千上万次读取。我们正在生成无数的数据。但根据世界卫生组织数据，在接下来的十年内，在全球范围内会有1500万名医生的缺口，这意味着我们没有足够的医生或者训练有素的专业人员来浏览可穿戴设备所生成的全部数据。

现在，AI是个流行词。但所有的技术资源都是为了构建个性化的健康状况。但当用户去看医生时，即使医生获得了生命体征，也没有任何意义。但这些信息会有助于保险公司、医疗服务提供商，特别是远程医疗提供商来了解状况。我们所有人都需要远程的病人监测，而不是每隔一个季度感到感冒的时候才跟医生见一面。

约翰·科泽尔：您有哪些客户？

大卫·马曼：现在我们在全球已有五家保险公司客户。例如，Sompo，日本最大的保险公司是我们的合作伙伴。不管是健康保险还是人寿保险，保险公司都在讨论如何正确管理风险，他们都希望在承保期间就知道用户的生命体征，以便将其添加到精算系统中，以确定给您保险的风险是什么。

在日本，自杀是非常大的问题，他们自杀的很大原因是源于抑郁症，而如果能够测量精神压力水平，就可以看到一个人的状况好坏，是否会恶化为抑郁症或者是更严重的情况。他们发布了一个名为Linkx的应用程序，能够测量所有用户的压力水平、心率变异性和心率，来确定他们承保的风险。

再比如，也有远程医疗提供商在使用我们的技术，想象一下，如果能在跟医生进行视频通话时，同时检查你的脉搏、血压等数据，可以营造出更好的诊疗环境。

最后一个例子，我们已经创建了一个名为“返回工作”的系统，每个人都可以在早上离开家之前对自己进行扫描，并且可以立即得到答案，比如，你的氧饱和度低于92、呼吸频率在30以上等，这些可能都意味着今天不应该去上班，而应该去看医生。

弱人工智能(ANI)：弱人工智能是擅长于处理某一单个方面的人工智能。比如Alfago只能下象棋，苹果Siri目前只能作为你的语音助手。特斯拉的无人驾驶系统里也包含无数的弱人工智能，不要否认，我们已经进入人工智能的世界中，只是现在level还比较低。甚至在弱人工智能中都属于比较低级的阶段

强人工智能(AGI)：人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作,”强人工智能在进行这些操作时应该和人类一样得心应手。

超人工智能(ASI)：牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”目前AI的发展毫无疑问处于弱人工智能发展阶段。但在弱人工智能阶段，AI的发展也要被划分为三个阶段：技术驱动阶段、数据驱动阶段和场景驱动阶段。我们现在处于弱人工智能的早期阶段——技术驱动阶段。