当时造了很多专家系统，最著名的大概就是六十年代中期MIT做过一个用于做血液病的诊断的专家系统MYCIN，这之后还有很多专家系统问世。虽然在这个过程中人们认识到了知识的重要性，但是知识获取始终是一个难题。当时虽然机器学习的概念也被提了出来，有基于归纳法的学习、基于解释的学习、基于演绎的学习等等各种理念，但是都没能取得成功。所以知识获取仍然是一个很大的瓶颈。

当时，也就是在大概80年代的时候，我也曾经参加制作过几个专家系统。那是非常幸苦的工作，为了能和专家没有障碍的交流，必须要学习和研究专业领域的专业知识，否则根本连专家在说什么也不知道。但是，即使是这样，这种获取知识的方式仍然是非常艰难的，因为很多知识是很难提炼和归纳的。比如说我不会骑自行车，一上去就会倒。我问会骑自行车的怎样骑车不会倒。他肯定告诉我这种事情没法口头上教，只能找个没事的礼拜天扶着练练才能会。这也就说明了人工去做知识的提取不光困难，而且效率很低。因此当年虽然做了很多的专家系统，但是真的成功应用的却并不多。

人工智能第三阶段——特征处理时代

关键词：特征抽取 统计学习 优化技术

时间进入了90年代末期，这是一个特征处理的时代。其实这个时代最主要的就是统计学习，试图用统计机器学习的方法来让机器自动地学习。不过机器学习的材料并不是原始数据，是我们从数据抽取出来的特征。比方说那个时候如果说要识别一个猫，那可能就得找各种各样的特征，想做语音识别，也需要各种各样的特征，然后在得到特征之后再用统计学习方法进行处理。

这个过程中难点其实更多的是找特征。比如那个时候做汉字识别，大家用的统计学习方法其实都差不多，关键在于怎么找特征，到底哪些特征才能把这汉字给描述出来，并且计算机还能处理。比如“横竖撇捺”是汉字的特征，我们人脑就是这么识别汉字的，但是那个时候计算机抽取不出来。所以怎样找特征才是一个真正的难点。

人工智能第四阶段——数据处理时代

关键词：深度学习（神经网络） 训练算法

我们现在处在一个数据处理时代，我们应用各种数据进行深度学习。不过这些数据不再是我们抽取的特征了，而是原始的数据。让机器自己从原始数据中进行学习。做语音识别的，只要把语音的采集信号交给机器就好。做图片识别的，只要给机器图像，让它自己去判断，也就不用抽取特征了。所以这个时代在技术上已经是更加进步的了。

这是人工智能的一个进阶，从知识到特征再到数据处理，人的参与越来越少。在专家系统时代一定要专家级的人物参与才行。现在数据时代，从我们准备的学习对象、处理对象来说，把原始数据交给系统就行了。这个程度上来说，人工智能是一点点进步的，人的干预程度了越来越少了。

二、人工智能的典型应用 应用场景1: 对机器和人类都很容易

现在的人工智能的一些典型的应用可能大家也都是有一些了解的。比如说，现在我们这个阶段深度学习领域，做的比较好的像是语音识别，比如2011年的微软，首先将深度学习应用到语音识别中，一下把错误率拉低了30%。2016年谷歌也是这样，它首先做了一个很完整的系统，就是基于神经网络的机器翻译。还有一个就是名声大噪的围棋人工智能AlphaGo，在比赛中连续战胜顶尖高手李世石、柯洁。这个里边一个很重要的东西都是就所谓的深度学习，也就是说神经网络模型，这些是比较成功的应用。

应用场景2：对机器和人类都很难

我们再看一下比较难求解的领域，人工智能哪些事情做不了。比如说让人工智能提出一个新的概念，或者是创立一个新的科学体系。或者是在数学领域开创一个新的分支等等，这些事情对于计算机或者是人工智能而言都是无法完成的。至少现在还没有办法去处理。上面说到的几件事情不仅仅是对于计算机，对于我们人类其实也是比较难以完成的。

应用场景3：对人类很容易，对机器很难