人工智能分为强人工智能和弱人工智能。强人工智能，也称通用人工智能，是指达到或超越人类水平的、能够自适应地应对外界环境挑战的、具有自我意识的人工智能。弱人工智能，也称狭义人工智能，是指人工系统实现专用或特定技能的智能，如人脸识别、机器翻译等。迄今为止大家熟悉的各种人工智能系统，都只实现了特定或专用的人类智能，属于弱人工智能系统。弱人工智能可以在单项上挑战人类，比如下围棋，人类已经不是人工智能的对手了。
人工智能发展的基本思想和技术路径有三种
人工智能研究工作肇始于20世纪40年代，但其完整概念在1956年才正式登上历史舞台，在美国达特茅斯学院举行的“人工智能夏季研讨会”上提出。这个研讨会的主题就是用机器来模仿人类学习以及其他方面的智能，推进了人工智能起起伏伏、螺旋发展的历程。
第一个阶段，1956—1976年，基于符号逻辑的推理证明阶段。这一阶段的主要成果是利用布尔代数作为逻辑演算的数学工具，利用演绎推理作为推理工具，发展了逻辑编程语言，实现了包括代数机器定理证明等机器推理决策系统。但在人工智能理论与方法工具尚不完备的初期阶段，以攻克认知作为目标显然不切实际，人工智能研究逐步从高潮进入低谷。
第二个阶段，1976—2006年，基于人工规则的专家系统阶段。这个阶段的主要进展是打开了知识工程的新研究领地，研制出专家系统工具与相关语言，开发出多种专家系统，比如故障诊断专家系统、农业专家系统、疾病诊断专家系统、邮件自动分拣系统等等。专家系统主要由知识库、推理机以及交互界面构成，其中，知识库的知识主要由各领域专家人工构建。然而，知识仅靠专家的手工表达实现，终不免挂一漏万，使得专家系统无法与人类专家与时俱进的学习能力相匹配，人工智能研究第二次进入瓶颈期。
第三个阶段，2006年至今，大数据驱动的深度神经网络阶段，也是深度学习大行其道的时期。人工神经网络的发展，随着人工智能的发展起起伏伏。初期人们对其可以模拟生物神经系统的某些功能十分关注，但是对复杂网络的学习收敛性、健壮性和快速学习能力一直难以把握，直到上世纪80年代反向传播算法的发明和90年代卷积网络的发明，神经网络研究取得重要突破。深度神经网络方法走到前台，开启了人工智能新阶段。
自诞生以来，人工智能发展的基本思想和技术路径总的来说有三种。
第一种路径是符号主义或者说逻辑学派，形式逻辑是其理论基础，主张人工智能应从智能的功能模拟入手，认为符号是智能的基本元素，智能是符号的表征和运算过程。前述第一个阶段和第二个阶段中，符号主义都是主导思想。
第二种路径是连接主义或者说神经网络学派，发源于上世纪40年代，强调智能活动是由大量简单(神经)单元通过复杂连接后并行运行的结果。其基本思想是：既然人脑智能是由神经网络产生的，那就通过人工方式构造神经网络，再通过训练产生智能。人工神经网络是对生物神经网络的抽象和简化。80年代神经网络的兴盛和近年来兴起的深度学习网络，都是包含多层神经元的人工神经网络。
第三种路径是行为主义或者说控制学派，又称进化主义。这个学派在上世纪80年代末、90年代初兴起，思想源头是上世纪40年代的控制论。控制论认为，智能来自智能主体与环境以及其他智能主体相互作用的成功经验，是优胜劣汰、适者生存的结果。
机器学习是未来方向，将人类从重复性劳动中解放出来
机器学习是上世纪80年代中期发展起来的人工智能新方向。机器学习研究机器怎样模拟或实现人类的学习行为，以获取新的知识或技能，或者根据环境自适应地调整对策。机器学习可以让机器通过对经验进行“归纳”和“推理”而实现自动改进。
目前，机器学习仍然是人工智能研究的热点之一，包括深度学习的可解释性和可信性，增强智能系统的自学习和自适应能力，以及无监督学习、多模态协同学习、强化学习、终生学习等新的机器学习方法。另外，考虑到数据安全和隐私保护，在数据加密或者部分加密的情况下如何学习，也是重要研究方向之一。在深度学习浪潮推动下，人工智能其他研究方向也在加速发展，包括机器感知、模式识别与数据挖掘、自然语言处理、知识表示与处理、智能芯片与系统、认知与神经科学启发的人工智能、人工智能和其他学科的交叉等。
中国是世界上人工智能研发和产业规模最大的国家之一。虽然我们在人工智能基础理论与算法、核心芯片与元器件、机器学习算法开源框架等方面起步较晚，但在国家人工智能优先发展策略、大数据规模、人工智能应用场景与产业规模、青年人才数量等方面具有优势。
中国的人工智能发展，挑战与机遇同在，机遇大于挑战。尽管是后来者，但我们市场规模大，青年人多，奋斗精神强，长期来看更有优势。如果说18世纪中叶蒸汽机带来第一次工业革命，持续了100年；19世纪中叶电力带来第二次工业革命，持续了100年；20世纪中叶计算机与通信带来第三次工业革命，到现在持续了70多年；我们可以预见，本世纪中叶前后人工智能可能会带来下一次工业革命，影响百年。当然，现在人工智能技术的储备还远没有达到开启智能时代的量级，还需要持续积累和创新。现在的计算机体系结构，还无法满足实现强人工智能的需求。未来可能的突破方向包括人工智能基础理论与算法、类脑计算、生物计算、量子计算等。
其影响不仅关系国家发展，而且关系亿万劳动者日常生活。以深度学习为代表的人工智能技术高速发展并广泛应用，正在深刻改变人类社会生活的方方面面。产业界从提高效率、降低成本等角度，积极采用人工智能技术解决各种应用问题，包括智能机器人、智能制造、智能监控、无人驾驶、自动问答、医疗诊断、智能家居、政务法务等，为人类带来福祉。
从就业角度来看，越来越多的超市、银行、餐馆开始使用机器服务，甚至律师、证券分析师等高知识含量工作也可能被机器人取代，这给劳动者就业带来挑战。人工智能的应用必然会提高劳动生产率，正如第一次工业革命期间，机器的应用虽然减少了传统轻工业就业岗位，但是也创造了更多新兴产业就业岗位。人工智能也一样，随着它的发展，将会产生很多新的工作岗位，只是对技能的要求与传统岗位不同。因此，随着人工智能的推进，教育培训体系也应该根据就业结构变化而积极调整，加快推进产业升级中的职业转岗培训。
人工智能把我们从简单重复的劳动中解放出来，更有利于人类充分挖掘自己的智能潜力。面对即将到来的智能社会，我们应该以积极态度拥抱变化。与其担忧工作被抢走，不如与机器“共勉”，机器尚在持续学习，我们人类难道不应该更加努力学习、终身学习吗? (作者：高文，北京大学教授、中国工程院院士，黄铁军为北京大学教授)
