最近两年人工智能的概念被媒体大量的报道，人们对人工智能的期许越来越高，以为任何事情都能用人工智能解决。然而经过一番调研之后，我觉得现在大家高估了人工智能的作用。
1.人工智能的概念
现在很多公司都对外宣称自己是人工智能公司，但是只要稍作调查就会发现可能公司一共就几个人，也没有什么人工智能的产品。但是他们并没有说错，不是虚假宣传，因为人工智能的定义实在是太宽泛了。
一切能完成人类智力任务的行为都是人工智能，按照这种定义很多现有的程序都可以叫做人工智能。最简单的比如计算器，确实是把人类的智力劳动自动完成了。
人工智能的高级阶段是机器学习和深度学习，它们和宽泛的人工智能的最大区别是有了学习的过程。
2.人工智能的本质
不论是机器学习还是深度学习，机器从来都没有获得过智能，机器唯一会做的事情就是计算。机器学习和深度学习通过各种计算和算法调整都是为了找到下面函数的最优解：
Y=W0 * X0 + W1 * X1 + ......+ Wn * Xn + b
W表示权重，就是每一个特征的重要性。X是特征值，比如年龄。深度学习可以自动获得百万，千万个特征，通过大量的计算得到可能的关系。
在整个学习的过程中，机器从来没有获得过智能，对机器而言只是在寻找方程的最优解。因此期待人工智能能够代替人类进行科学研究的想法，目前看是不可能的。
3.人工智能（深度学习）的应用场景
虽然深度学习目前正在风口上，但是深度学习并不是万能的。一个问题能不能用深度学习解决首先需要确定以下几个问题：
（1）预期值和输入数据之间是否有关系
这个比较容易理解，如果你输入北京房产的信息，比如位置，面积，楼层，小区，属性等，然后期待输出价格。这种是可行的，深度学习可以找到输入和输出间的关系。
如果你输入过去所有双色球的开奖号码，期待输出下一期的中奖号码。那只能说：醒醒吧，好好上班吧。
（2）是否有足够大量的数据
为什么现在所有APP都想拼命的收集用户信息？为什么百度搜不到淘宝，微信的内容？大家都明白数据就是未来最重要的资产。如果没有训练数据，无论你的算法多牛，都不太可能得到很好的人工智能模型。相反，如果你拥有大量的数据，即使算法差一点也能产出很好的模型，因为深度学习最擅长的就是自我迭代，只要数据量足够多，总能得到最优的模型。
如果想使用深度学习解决问题，先要问问自己是否有足够多的数据。根据训练任务的不同，需要的数据量可能会有较大差别，几千或者几千万，或者更多。
现在人工智能可以应用的场景：
（1）图像识别
自从CNN出现以来，机器识别图像的准确率越来越高。现在已经应用的有：车牌识别，证件识别（自动读取身份证，驾驶证信息），手写文字识别等等。
可以预见的未来，人工智能还能帮医生看医学影像，帮老师看试卷并标注错误的地方。
（2）风险控制
人工智能能够学习用户的行为数据，当有异常行为发生时能自动触发报警或者禁止操作。比如异常账户登录，交易欺诈，洗钱等。澳大利亚的一家银行通过人工智能发现了很多洗钱的账户。
（3）自动驾驶
有人觉得自动驾驶是真的智能，不会实现。但是我觉得自动驾驶的本质是一个分类问题，外部环境影响的因素虽然很多，但是最终结果的分类并不多。作为一个驾驶员，你能做的动作有几种呢？加速，减速，左转，右转，直行，刹车，倒车。自动驾驶就是根据外部环境判断应该采取哪种操作。
（4）智能推荐
现在这个应该已经实现或者说部分实现了，你看看头条和抖音的推荐。很多人刷抖音能连刷几个小时，足以证明抖音推荐有多优秀。
4.人工智能会让哪些人失业
开篇已经说过：人工智能不智能。所有需要创造力的工作都不会被取代，比如作曲家，作家，画家，程序员。当然这种单纯职业的划分也不完善，因为行业内部也分不同的水平。就拿程序员来说，不是说所有写程序的都不会被取代。如果你只会数据库的增删改查，那现在的图形化编程就能取代你。
除了需要创造力的行业，我觉得程序化的重复劳动最容易被取代。比如：银行柜员，卡车司机，行政人员等。最近互联网的裁员潮也能从侧面说明不同岗位被取代的难易程度。
银行发布一个APP就能大幅减少柜台业务，也就不需要太过柜员了。公司购买OA系统就行自动完成考勤，审批，报销等操作，行政人员也不需要太多了。本次程序员的裁员虽然和行业不景气有关系，但是仔细看看裁员的人员构成，会发现工作年限短，技术水平差的员工容易被裁。
人工智能是不可阻挡的，直面挑战，毫无畏惧。努力营造自己的竞争力，才能不被社会淘汰。
