五大支柱解决人工智能的创新问题

　　人工智能从上世纪八十年代开始兴起，许多初创公司、政府、以及大型企业都开始部署人工智能系统，来处理过去由人类专家执行的任务。相比于传统的编程语言，这些系统大多基于行为规则，然后形成“记忆”，人工智能系统可以处理更多计算密集型任务，比如机器学习，规划和调度，以及自然语言处理等。在如今这个大数据世代，很多人相信人工智能已经彻底颠覆了科技行业。

　　不过，在人工智能发展的过程中，它的核心要素并没有发生太大变化。举个例子，NASA在上世纪八十年代末到九十年代推出的航天飞机（SpaceShuttle）计划，结果整个产业链都成功实现了商业化，包括无人驾驶探测器、太空望远镜、空间站、以及行星探测器等。甚至有些技术也应用在了ERP行业和电商、客户关系管理和广告市场营销应用领域里。最近几年，人工智能技术还在其他很多行业内得到了广泛应用，包括：

　　生命科学：人工智能可以学习临床试验数据，然后为患者匹配最合适的治疗药物，或是寻找最理想的医生。

　　络安全系统：人工智能可以预测企业络的潜在危险（至少能告诉企业该在什么地方买保险）。

　　物联系统：基于RFID标签，人工智能可以对资产位置变化做出反应，而且还能预测、分析某些特定场景，防止犯罪。

　　此外，许多人们日常交互，且耳熟能详的系统也采用了人工智能技术，比如苹果的Siri和亚马逊的Alexa可以收听我们的语音指令，亚马逊站可以智能推荐商品，Netflix可以按照用户喜好推送节目，自动泊车和无人驾驶系统，能够下国际象棋和围棋计算机等等。

　　人工智能的用例其实还有很多，事实上，在人工智能发展的近四十年时间里，一直有五大核心要素在支撑整个行业，连接各个技术节点。人工智能应用程序吸收海量数据，对周围环境做出反应，通过学习提升适应度、实现更好的表现，同步服务系统和用户。

　　一、强化吸收数据

　　基于数据强化的人工智能系统需要和海量数据进行交互，他们通常会高速获取数十亿量级的信息记录。对于人工智能系统来说，实时吸收数据是它们必备的技能之一，此外还需要获取不间断的流媒体数据（绝大多数都是小数据模块，比如物联传感器评估）和批量数据（一些大数据模块，比如系统数据库内的历史数据表）。

　　二、自适应性

　　利用机器学习技术，自适应的应用程序可以进行自我优化。随着时间的推移，他们会分析工作处理的结果，然后学习如何做的更好。机器学习的工作流程需要数据科学家进行模型选择，这涉及到一整套迭代流程，包括特征工程、算法选择、以及参数调整。开发人员之后会把机器学习模型部署到应用程序内部，再导入新数据，该模型会进行数据分类，在按照分类分析处理行为。最后，这些部署了机器学习的应用程序会“回顾”自己的处理结果，再利用这些结果数据重新进行训练。

　　三、反应性

　　现代人工智能系统可以根据周围环境情况，实时做出变化反应。传统应用程序更多的是基于批处理模式——你安排应用程序执行任务，它们运行，然后存储处理结果，最后关闭程序。而人工智能应用程序则会不断监测他们的输入（通常来自于各种流媒体数据平台），然后根据实际情况执行操作，人工智能程序会自动调用程序、规则和行为，然后自己做出决策。简单的说，人工智能系统会一直处于运转之中，然后根据不同的输入做出反应。

　　四、前瞻性

　　许多人工智能系统不仅仅具备反应性，他们可以规划未来，执行最佳的行动计划。事实上，系统规划、游戏规划、甚至是语言分析系统，都需要一个前瞻性的解决方案。这些系统必须要具备根据不同场景（情况）随时切换输入数据的能力。举个例子，人工智能会及时获取天气预报数据，并以此分析是否会延误来自中国的海运或航运发货，一旦发货延迟，是否会对美国的制造进度计划产生影响，是否需要重新优化生产计划。

　　五、并发性

　　人工智能系统，其实就像传统应用程序一样，必须支持同时处理多个用户或多个系统。通过在操作系统和数据库领域里开发分布式系统，人工智能系统需要不断确保执行传统数据库事务的四要素原则（ACID）：原子性（Atomicity）、一致性（Consistency）、隔离性（Isolation）、以及持久性（Durability）。