行人识别的应用方向：根据分类方法，行人检测通常被分为形变部件模型变体、基于决策森林的行人检测方法和基于深度神经网络的行人检测方法三种。近年来，行人检测在这三个研究方向均有不同程度的发展，卷积神经网络在目标检测领域的成功应用，成为计算机视觉领域的研究热点之一。云创大数据行人特征识别系统集成了行人属性分析功能，即使在无法获得人脸影像的角度场景下，也能对人员进行检测与特征识别记录，可识别特征包括年龄类型、背包类型、上衣颜色、上衣类型、人员性别、发型、帽子类型、人种、裤子颜色、裤子类型等。该功能可用于在海量监控影像中对一定特征人员进行监测与布控预警，以有效补充人脸识别布控系统。

人脸识别的原理是什么，人脸识别是怎么识别的：利用人脸识别技术，进行人员信息的录入与图像匹配，并将接受的信息传入数据库。人脸识别技术在犯罪嫌疑人的身份认定、户籍信息管理、追逃工作及重点场所布控等反恐安防领域发挥着越来越重要的作用。人脸识别作为生物特征识别的一个分支，是模式识别和计算机视觉中一个非常活跃的研究领域。相较于其他的生物识别方式，人脸识别具有识别方式友好、识别结果直观、识别过程隐蔽等优势，这些特点的存在使得人脸识别技术在公安工作中的应用具备了天然的优势。人脸识别技术流程：1、人脸检测及特征提取：在输入图像中检测人脸并定位出人脸的具体位置，通常用人脸的最小外接矩形表示人脸大小、位置；而特征提取是对人脸检测数据库中定位出的各个人脸，通过空间变换、降维、机器学习等方法对其人脸特征进行提取，并使用特征向量的形式表示人脸特征，即一张人脸图像唯一的对应一个特征向量，而该特征向量通过变换唯一的对应原始的人脸图像，通过该步骤可以建立人脸图像和其特征向量的对应关系。2、人脸比对：将待比对人脸的特征向量与库内人脸的特征向量进行比对，可以利用向量的空间距离、向量的范数等作为衡量特征向量之间相似程度的度量，选择向量相似程度最高的人脸图像为人脸比对结果，进而获取待比对人脸的详细身份信息。公共场所治安巡逻、视频技侦、敏感人员布控等实战环境，都对人脸识别特别是在大规模底库中人脸比对识别具有强烈需求。国内知名企业云创大数据提供的大规模人脸比对机解决方案可作为其底层基础设施，为公安上层业务应用提供高效的数据比对处理能力，为其实时反馈比对处理结果。公共场所治安巡逻、视频技侦、敏感人员布控等实战环境，都对人脸识别特别是在大规模底库中人脸比对识别具有强烈需求。国内知名企业云创大数据提供的大规模人脸比对机解决方案可作为其底层基础设施，为公安上层业务应用提供高效的数据比对处理能力，为其实时反馈比对处理结果。云创大规模人脸比对机作为亿量级大规模人脸特征高速比对系统，应用大规模人脸识别技术，针对亿级大规模人脸1：N应用场景性能需求，结合高密度混合服务一体机作为硬件支撑平台，配合大规模人脸识别算法，单台设备支撑1秒完成7亿次人脸比对。

语音识别典型应用场景：1、语音识别百度语音，面向广大开发者开放语音识别技术，所采用的离在线融合技术，根据当前网络环境自动判断本地引擎或云端引擎，进行识别；而极速语音识别是摆脱按键操作，通过语音识别直接输入文字，快速返回识别结果，可应及用于游戏文字输入、社交聊天、语音指令等多个场景，提高输入效率及体验。2、远场语音识别及呼叫中心音频文件转写通过麦克风阵列前端处理算法，有效消除噪音，同时对目标说话人声音进行增强，使得智能家居、智能硬件、机器人语音交互等场景下的远场语音也可识别，即使在三至五米的距离说话也可准确识别；当然企业可也使用呼叫中心音频文件转写服务，将电销业务、客服业务、质检业务等多场景的语音精准地转为文字，提升企业效率并降低成本。带宽消耗可控，结果返回时间有保障。

人工智能语音识别的发展历程：在万物互联的时代，人类使用语音与计算机交互显得最自然，最便捷。语音交互，首先要教会机器人听懂人类的语言，让机器通过计算、识别和理解自然语言的信号，并转换为文本或者命令，也就是为机器打造了听觉系统，这项技术就是“语音识别”。在万物互联的时代，人类使用语音与计算机交互显得最自然，最便捷。语音交互，首先要教会机器人听懂人类的语言，让机器通过计算、识别和理解自然语言的信号，并转换为文本或者命令，也就是为机器打造了听觉系统，这项技术就是“语音识别”。1、机器翻译“翻译”是语音识别领域最重要的一个应用。“机器翻译”需要两种数据，一种是双语对照的数据，它告诉机器什么样的句子翻译成什么样的句子；第二种就是要准备大规模的单词的句子，这实际上告诉机器什么样的句子是合理的句子，或者是自然的句子。2012年10月，微软研究院理查德·拉希德博士在天津举行的“21世纪计算机大会”上演示了语音翻译系统，首次把语音识别、合成和机器翻译这三项人工智能技术融合在一起。人类的语言千差万别，但计算机的语言只有0、1、0、1，一旦找到了打开语言之门的钥匙，机器就能够理解人类的语言，就可以交流自如了。2、中国声谷坐落于中国合肥的“科大讯飞”，被称为“中国声谷”。“让世界聆听我们的声音”，是科大讯飞的标语，科大讯飞总裁胡郁列举了他们的成就：2008年至今，科大讯飞连续在国际说话人、语种识别评测大赛中名列前茅；2014年，科大讯飞首次参加国际口语机器翻译评测比赛勇获佳绩；2016年，国际语音识别大赛上，科大讯飞取得全部指标第一；口语测评（根据你英语的发音来评价你的发音准确程度、词汇量和语法句法）技术在世界上遥遥领先。

感受AI之语音助手的发展历程：1952年，美国贝尔实验室发明了一种叫“奥黛丽”（Audrey）,这个系统可以听懂十个英文数字。20世纪60年代，超音速飞机登上了美苏争霸战的舞台。在飞行中飞行员由于身体被几倍于体重的强大力量制约而无法使用肢体操作，能否用语音来操纵飞机？在美国国防部高级研究计划局(DARPA)的全力资助下，语音识别开始蓬勃发展。2012年，邓力公开发表了一篇论文“Context-dependentpre-traineddeepneuralnetworksforlarge-vocabularyspeechrecognition”，这篇论文成了第一篇正式把深度学习应用到语音识别上的研究论文。到了2016年，机器在语音识别上的表现已经超过了人类的平均水平。智能音箱的背后技术是语音助手，而目前最强技术都掌握在微软、谷歌、亚马逊、苹果和三星等几个巨头手中。目前来看，常规语音识别技术已经比较成熟，发音技术有待完善。而真正的语义理解技术还都处于比较初级的阶段，对于松散自由的口语表述，语音助手往往无法获得重点，更无法正确回答。2018年，谷歌发布了语音助手的升级版演示，展示了语音助手自动电话呼叫并完成主人任务的场景。其中包含了多轮对话、语音全双工等新技术，这可能预示着新一轮自然语言处理和语义理解技术的到来。

AI人工智能必备的技能：一、懂工具工欲善其事必先利其器，作为一名AI技术人员，必须树立终身学习的理念，在时刻与不断发展的框架、标准和范式保持同步的同时，还要能活学活用，在不同的任务场景中选用最合适的人工智能工具，以提高工作效率。下面列出业界几款比较流行的AI开发工具。1、Azure；2、Caffe；3、CNTK；4、Deeplearning4j；5、Scikit-Learn；6、SwiftAI；7、TensorFlow。二、懂编程从事AI项目开发和科学研究，并不限定使用某种特殊的编程语言，实际上你所熟练掌握的每一种编程语言都可以是人工智能的开发语言。但是，目前较为高效且最流行的AI编程语言有Python、R语言、Lisp、Prolog和Java。Python目前名列所有AI开发语言中的第一位，号称是最接近人工智能的语言。Python容易上手，并且提供了很多库，使得AI开发任务更容易。R是用于统计分析和操纵数据的最有效的语言和环境之一。R还有许多可用于机器学习的软件包，使得机器学习算法的实现变得容易，从而解决了与业务相关的问题。Java易于使用、易于调试、跨平台的优良特性简化了大型项目的开发工作，并且提供了数据的图形表示以及更好的用户交互。三、懂模型AI技术人员面临的问题各种各样，用于解决这些问题的人工智能模型也种类繁多，不同的模型算法擅长处理特定类型的问题。因此，AI技术人员需要清楚地了解每种模型的优点。当前，最流行的AI模型包括回归分析、决策树、随机森林、KNN、贝叶斯网络、人工神经网络、卷积神经网络和循环神经网络等。四、懂业务作为人工智能领域的技术人员，不仅要精通AI理论知识、工具模型和编程语言，更要拥有深厚的业务背景和紧紧把握AI发展的脉络和，在掌握扎实专业AI技能的同时具有与各种客户和商务人士深入交流沟通的能力。这样这样，AI技术人员才能根据实际的业务场景和客户需求开发能够充分发挥AI潜能的软硬件系统和商业服务模式，重构新型AI商业逻辑，并对AI业务流程给出指导性建议。AI技术人员包括数据分析师、模型算法科学家、数据科学家和机器学习工程师等。数据科学家和机器学习工程师的业务能力有许多重叠，但有明显侧重：数据科学家往往在机器学习、统计学和数学方面拥有更强的理论基础，而机器学习工程师通常拥有更强大的软件工程背景。

AI人工智能机遇与挑战：1、认识误区提起人工智能，很多人想起的都是机器人，首先机器人只是人工智能的一个分类，并不是所有的人工智能都是以机器人的形式出现的。机器人是以硬件的形式表现出来，这种形式人类能够用眼直接感觉出来，而还有一种体现方式则是软件，不过因为人工智能软件体现的没有机器人那么明显，所以造成了很多人认为人工智能就是机器人，机器人就是人工智能这样的错误理念。人工智能不能简单等同于与人类智能，人工智能和人类智能是相互关联又相互独立的两个概念。人类智能是人与生俱来的并随着人类文明的进步不断发展的智力和能力，而人工智能是人们通常长期对自身智能的探索和思考，希望创造出具有类人智能甚至超出人类智能的机器。从某种程度而言，人工智能的目的就是让智能机器能够象人一样思考。2、面临的机遇提起人工智能，很多人想起的都是机器人，首先机器人只是人工智能的一个分类，并不是所有的人工智能都是以机器人的形式出现的。机器人是以硬件的形式表现出来，这种形式人类能够用眼直接感觉出来，而还有一种体现方式则是软件，不过因为人工智能软件体现的没有机器人那么明显，所以造成了很多人认为人工智能就是机器人，机器人就是人工智能这样的错误理念。人工智能不能简单等同于与人类智能，人工智能和人类智能是相互关联又相互独立的两个概念。人类智能是人与生俱来的并随着人类文明的进步不断发展的智力和能力，而人工智能是人们通常长期对自身智能的探索和思考，希望创造出具有类人智能甚至超出人类智能的机器。从某种程度而言，人工智能的目的就是让智能机器能够象人一样思考。随着生物识别、自然语音处理、大数据驱动的智能感知等技术的不断发展和深入，人工智能的技术瓶颈以及应用成本已从根本上得以突破。这使得人工智能的发展也日趋接近于人类智能水平，人工智能正从学术驱动转变为应用驱动、从专用智能迈向通用智能。与此同时，随着互联网、社交媒体、移动设备和传感器的大量普及，其产生并存储的数据量急剧增加，为通过深度学习的方法来训练人工智能提供了良好的土壤，海量的数据将为人工智能算法模型提供源源不断的素材，人工智能从各行业、各领域的海量数据中积累经验、发现规律、使其深度学习成果得以持续提升。目前，GPU、NPU、FPGA和各种AI-PU专用人工智能芯片的出现加速了深层神经网络的训练迭代速度，让大规模的数据处理效率显著提升，极大地促进了人工智能行业的发展。资本作为产业发展的加速器发挥了重要的作用，一方面，跨国科技巨头以资本为杠杆，展开投资并购活动，得以不断完善产业链布局。人工智能已在智能机器人、无人机、金融、医疗、安防、驾驶、搜索、教育等领域得到了较为广泛的应用。与早期人工智能相比，新一代人工智能体现出数据、运算力和算法相互融合、优势互补的良好特点：在数据方面，人类进入互联网时代后，数据技术高速发展，各类数据资源不断积累，为人工智能的训练学习过程奠定了良好的基础；在运算力方面，摩尔定律仍在持续发挥效用，计算系统的硬件性能逐年提升，云计算、并行计算、网格计算等新型计算方式的出现拓展了现代计算机性能，获得更快的计算速度；在算法方面，伴随着深度学习技术的不断成熟，运算模型日益优化，智能算法不断更新，提升了模型辨识解析的准确度。人工智能技术还促进了多种科学与网络技术的深度融合，解决了互联网时代看似无法解决的问题和痛点，将互联网带入到了一个全新发展的智能时代，极大影响着网络技术和信息产业的未来发展方向。目前，人工智能技术研究正在如火如荼地展开，进入了六十年来最狂热的发展阶段。从目前发展现状来看，人工智能技术还存在着较大的市场发展空间和投资机会，例如，以大数据收集为基础的医疗、教育、消费、营销等垂直行业就尚未出现人工智能领域的行业龙头，因此将未来成为各大资本和上市公司竞相追逐的宠儿。而随着新科技革命继续发展，人工智能技术也正孕育着新的重大变革。一旦突破，必将对科学技术、经济和社会发展产生巨大和深远的影响，深刻地改变经济和社会的面貌，并促使生产力出现新的飞跃，成为第四次工业革命的主旋律和人类社会新未来的重要支柱。按照《新一代人工智能发展规划》，我国将在3年内实现人工智能总体技术与世界先进水平同步。2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平；2030年，AI理论、技术、应用总体达到世界领先水平，成为世界主要人工智能创新中心，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。据悉，目前国内已有20多个省市陆续发布了规划，确定了发展人工智能产业的目标和重点任务。各地相关政策的出台，更加速了人工智能产业和物业、汽车、医疗、物流、制造业等关键产业融合。3、存在挑战从技术角度上看，目前人工智能最有效方法来源于深度学习，而深度学习最根本的理论来自于上世纪80年代，在理论层面依旧没有大的突破。此外深度学习所使用的网络结构也日渐暴露不足，比如卷积神经网络对大的姿态变化具有比较弱的泛化能力，未来对人工智能具有里程碑意义的事件可能还在于新理论的提出。另一方面，目前的人工智能技术主要依赖机器学习，而机器学习主要又是有监督学习，也就是要从大量的有标注的样本学习，所谓标注就是得告诉计算机数据的标签是什么。对深度学习而言，动辄需要上百万的标签样本。而无监督学习研究从没有标注的样本中自动学习模型，而样本数据的获取几乎没有成本，因此无监督学习是未来人工智能高度期待的技术。当前的人工智能产业的发展浪潮主要是源于深度学习算法的提出，在数据量和计算能力的基础上实现大规模计算，属于技术性突破。而属于强人工智能乃至超人工智能范畴，关于意识起源、人脑机理等方面的基础理论研究仍有大量空白领域需要持续探索。人的“机器化”和机器的“人化”是人工智能技术发展的两个必然发展趋势，很多人担心智能机器机器化在为人类提供聪明友好帮助和服务的同时，也会给人类带来威胁甚至灭顶之灾。从理论上讲，机器的智能化程度越高，其内部电脑控制软件的规模就越庞大且复杂，出现故障的概率也就相应的越高。如果真的有一天，机器智能化超过一定程度而控制系统又出现问题的话，将会给人类社会带来难以想象的后果，这也是未来人工智能技术发展必须思考的问题。有观点认为，超人工智能或许能孕育出比人类更加智慧的生命形态，这些生命形态能理解、探索人类未知领域并得出科学结论。与此同时，一旦超人工智能出现，人类任何试图控制它的行为都是可笑的，人类会用人类的智能级别思考，而超人工智能会用超人工智能的级别思考。这种生命形态现在或许闻所未闻，但它有可能导致一场科学和哲学层面的变革。现在，大量基于人工智能技术和大数据的应用软件的出现，正在塑造一个全新的工作形态，全职工作越来越少，短期工作和即时就业越来越多。所以，人类在享受人工智能带来的经济增长和生活质量改善的同时，也应该关注自身机能的发展问题，机器将“进化”得越来越聪明，而很多人将会“退化”。AI的行业应用很广，比如银行的实时反欺诈、反洗钱，保险行业的产品个性化推荐，通讯领域的预见性维护建议以及医疗领域的预防治疗、发现早期疾病等。这些问题涉及到的数据越来越大，对于算法的复杂度要求越来越高。而人工智能可以在这些场景做合理决策，先要找到活动实践的数据，再建立数学模型定义优化目标和约束，最后机器再进行优化决策。随着深度学习的兴起，基于人工智能技术，企业可以更准确的把握市场趋势和了解用户需求，更好地调配研发、生产、流通和销售各个环节的资源，从而极大降低企业运营成本，提升企业效率和利润。4、AI将重塑企业AI的行业应用很广，比如银行的实时反欺诈、反洗钱，保险行业的产品个性化推荐，通讯领域的预见性维护建议以及医疗领域的预防治疗、发现早期疾病等。这些问题涉及到的数据越来越大，对于算法的复杂度要求越来越高。而人工智能可以在这些场景做合理决策，先要找到活动实践的数据，再建立数学模型定义优化目标和约束，最后机器再进行优化决策。随着深度学习的兴起，基于人工智能技术，企业可以更准确的把握市场趋势和了解用户需求，更好地调配研发、生产、流通和销售各个环节的资源，从而极大降低企业运营成本，提升企业效率和利润。人工智将会使这些企业越来越以客户为中心。在人工智能的加持下，企业可以从两方面得到很大收益：一个是降低业务成本，另一个是创造新的业务机会。人工智能使企业能够管理复杂的数据，并且提供前所未有的机会以让企业做出实时决策、动态运营管理并响应客户。从银行到医疗，从制造业到消费服务业，全球的企业都在利用人工智能分析数据并构建学习型组织，从而以前所未有的速度来应变并展开竞争。这些年来，以互联网行业为首的领先企业，已经通过人工智能技术的大量运用，实现了巨大的业务价值提升。而对于更多的传统企业，针对构建自身AI能力的思路，也需要从原有面向系统开发者的“机器学习平台”，迭代为企业经营管理人员服务的一体化“企业AI核心系统”。企业AI核心系统是企业所有业务的底层支撑，覆盖企业生产经营各个环节，并可结合业务实践、在上层进一步开发，实现智能化业务应用。企业AI核心系统通过数据核心、算法核心与生产核心，帮助企业完成一站式AI全系统建设，打造完整的基于AI技术的全流程决策系统，使企业既拥有未来按需发展AI应用的自主能力，又可挖掘AI应用需求。AI成为企业生存的必备条件，企业必须制定并执行人工智能战略，方能制胜未来。未来人工智能将深刻改变社会，许多传统职位被取代淘汰，并将创造许多新的职位。如果阿里的“无人超市”普及开来，收银员、超市管理人员等职位将会统统消失。AI时代浪潮席卷，人才的供给和需求都在进行重新洗牌。麦肯锡全球研究院在一份报告中预测：第四次工业革命将由人工智能引发，到2030年全球将有近4亿人口的工作岗位被人工智能取代，其中1亿发生在中国。可以肯定的是，重复性工作都会被机器所取代，只有创意性人才才会被留下来。当前人类社会仍处于弱人工智能时代，许多工作至少在短期内会被重新定义而不是被消除。未来10年内将有45%的传统工作岗位会消失。从某种角度看，人工智能发展之路并不是全盘取代人们的职业，更多的是帮助人们更好的工作，重新定位工作角色和流程。随着工作角色和业务处理的重新定义，智能化的经济效益会远远超过人力成本。机器将人的能力增强到一个更高的层次，并通过增加个体的工作量和转移工作人员的注意力到更有价值的工作上来放大专家的价值。人工智能将取代更多例行或者重复的工作，并逐渐将员工的工作重心转移到富有创造性和情感的工作上。

AI概念定义：1、概念解析人工智能由人工和智能两个词构成，字面意义就是人造的智能。进一步讲，人工智能可理解为是在充分了解和认识人类智能机理的基础上，用人工的方法去制造（创造）可以模拟和实现人类智能的智能实体（包括机器和其他物体）。AI也叫机器智能，其基本含义是是用机器（计算机或智能机）来模仿人类的智能行为。AI研究如何使机器具有认识问题与解决问题的能力，研究如何使机器具有感知功能（如视、听、嗅）、思维功能（如分析、综合、计算、推理、联想、判断、规划、决策）、行为功能（如说、写、画）及学习、记忆等功能。所以，如果一个计算机系统具有某种学习能力，能够对有关问题给出正确的答案，而使用的方法与人类相似，还能解释系统的智能活动，那么，这种计算机系统便认为具有某种智能。总体来讲，目前对人工智能的定义大多可划分为四个层次，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。2、共识定义目前业界对人工智能普遍达成共识定义是按照智能化程度将人工智能分为弱人工智能(ArtificialNarrowIntelligence,ANI)、强人工智能(ArtificialGeneralIntelligence,AGI)和超人工智能(ArtificialSuperintelligence,ASI)三个层面。弱人工智能是指不能制造出真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。弱人工智能通过对原始数据的收集、整理、清洗、分析，利用机器学习、神经网络、优化算法等技术，通过训练和学习，完成分类、聚类、回归值等判断或预测计算。弱人工智能让电脑看起来会像人脑一样思考。弱人工智能擅长于单个方面的人工智能。比如有能战胜世界围棋冠军的AlphaGo，但是它只会下围棋，如果你让他辨识一下猫和狗，它就不知道怎么做了。目前，弱人工智能随处可见，并且一般认为这一研究领域已经取得可观的成就。强人工智能认为：“计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”强人工智能通过对原始数据的收集、整理、清洗、分析，机器可以自我进行推理和解决问题，拥有自己会思考的电脑。强人工智能是指在各方面都能和人类比肩的人工智能，认为有可能制造出真正能推理和解决问题的智能机器，并且这类机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：类人的人工智能，即机器的思考和推理就像人的思维一样。非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。超人工智能可以是各方面都比人类强点，也可以是各方面都比人类强很多倍。超人工智能可以视为强人工智能的终极形态。现在，人类已经使机器具备了弱人工智能。其实弱人工智能无处不在，人工智能革命正是从弱人工智能，通过强人工智能，最终到达超人工智能的旅途。例如，垃圾邮件分类系统是可以帮助我们筛选垃圾邮件的弱人工智能，在线翻译是可以帮助我们翻译中英文的弱人工智能，AlphaGo是一个可以战胜世界围棋冠军的弱人工智能，等等。这些弱人工智能算法不断融合创新，无不是向通往强人工智能和超人工智能的旅途中施加强劲的动力。

AI主流学派的分类：1、AI主流学派的分类符号主义（Symbolicism）又称逻辑主义（Logicism）或心理学派（Psychlogism），是基于物理符号系统假设和有限合理性原理的人工智能学派。该学派认为人工智能起源于数理逻辑。符号主义采用的是功能模拟方法，其代表性成果是1957年纽厄尔和西蒙等人研制的称为逻辑理论机的数学定理证明程序LT。60年来，符号主义走过了“启发式算法→专家系统→知识工程”的发展道路，长期在人工智能中处于主导地位。理论上，符号主义认为：认知的基元是符号，认知过程就是符号运算过程；智能行为的充要条件是物理符号系统，人脑和电脑都是物理符号系统；智能的基础是知识，其核心是知识表示和知识推理；知识可用符号表示，也可用符号进行推理，因而可建立基于知识的人类智能和机器智能的统一理论体系。从研究方法上，符号主义认为人工智能的研究应该采用功能模拟的方法，即通过研究人类认知系统的功能和机理，再用计算机进行模拟，从而实现人工智能。符号注意特别适合解决现实生活中的状态转换和逻辑推理问题，如八数码难题（下图）它主张用逻辑方法来建立人工智能的统一理论体系，但却遇到了“常识”问题的障碍，以及不确知事物的知识表示和问题求解等难题，因此，受到了其他学派的批评与否定。2、连接主义学派连接主义（Connectionism）又称仿生学派（Bionicsism）或生理学派（Physiologism），是基于神经网络及网络间的连接机制与学习算法的人工智能学派。连接主义认为人工智能起源于仿生学，特别是对人脑模型的研究。联结主义学派从神经生理学和认知科学的研究成果出发，把人的智能归结为人脑的高层活动的结果，强调智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。连接主义（Connectionism）又称仿生学派（Bionicsism）或生理学派（Physiologism），是基于神经网络及网络间的连接机制与学习算法的人工智能学派。连接主义认为人工智能起源于仿生学，特别是对人脑模型的研究。联结主义学派从神经生理学和认知科学的研究成果出发，把人的智能归结为人脑的高层活动的结果，强调智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。3、行为主义学派行为主义（Actionism）又称进化主义（Evolutionism）或控制论学派（Cyberneticsism），是基于控制论和“感知—动作”控制系统的人工智能学派。行为主义认为人工智能起源于控制论，提出智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理行为主义采用的是行为模拟方法，其代表性成果是布鲁克斯研制的机器虫。布鲁克斯认为，要求机器人像人一样去思维太困难了，但可以先做一个机器虫，由机器虫慢慢进化为机器人。布鲁克斯成功研制了一个六足行走的机器虫实验系统。这个机器虫虽然不具有像人那样的推理、规划能力，但其应付复杂环境的能力却大大超过了原有的机器人，能够实现在自然环境下的灵活漫游。1991年8月，布鲁克斯发表了“没有推理的智能”的论文，提出了基于行为（进化）的人工智能新途径，从而在人工智能界形成了行为主义这个新的学派。4、三大学派比较就人工智能三大学派的历史发展来看，符号主义认为认知过程在本质上就是一种符号处理过程，人类思维过程总可用某种符号来进行描述，其研究是以静态、顺序、串行的数字计算模型来处理智能，寻求知识的符号表征和计算，特点是自上而下。连接主义则是模拟发生在人类神经系统中的认知过程，提供一种认知神经研究范式，主张认知是相互连接的神经元的相互作用。行为主义认为智能是系统与环境的交互行为，是对外界复杂环境的一种适应。这些理论与范式在实践之中都形成了自己特有的问题解决方法体系，并在不同时期都有成功的实践范例。而就解决问题而言，符号主义有从定理机器证明、归结方法到非单调推理理论等一系列成就。而连接主义有归纳学习，行为主义有反馈控制模式及广义遗传算法等解题方法。人工智能是一个交融了诸多学科的特殊的领域，多学科相互交融带来了多元观点的争论和冲突、修正与提高。没有一种“假说”或“范式”能够一统江湖。随着研究和应用的深入，人们逐步认识到三大学派其实各有所长，应该相互结合、取长补短、综合集成的研究策略。可以预见，在不久的将来，三大研究学派将逐渐由对立转为协作，并最终会走向统一。

大数据时代的人工智能：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展（大数据、云计算、物联网和人工智能之间的关系参看下图），泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术产品实现了从“不能用、不好用”到“可以用、较好用”的技术突破，迎来爆发式增长的新高潮。在21世纪第一个十年，对于简单的人类感知和本能，人工智能技术一直处于落后或追赶，而到2011年，在图像识别领域或常识问答比赛上，人工智能都开始表现出超过人类的水平，新的十年将会是人工智能在各个专业领域取得突破的时代。