因爲 AlphaGo 的出現，過去的 2016 年可謂是人工智能元年。記得當時我們正在蘇州封閉研發 The Platform，工作之餘討論到人機對戰的真正意義，並不在於技術上的突破，而在於對人們固有知識的影響，人工智能的應用會如雨後春筍般誕生，以後沒有人工智能的軟件以後你都不好意思開口了。
大家都在問，自己的工作與人工智能有什麼關係，如何在自己的工作中應用人工智能，如何在軟件中植入人工智能的基因，使用人工智能應該從何處入手，學習人工智能應該從哪裏開始，更深層次的問題是人工智能能否代替人類，作爲一個程序員，人工智能是否會代替人類寫程序。這裏根據我們團隊的實踐介紹一下如何在軟件中應用人工智能。
人工智能並不是一個新概念，40 年代維納的《控制論——關於在動物和機器中控制和通訊的科學》就是人工智能。但早年的人工智能受限於計算能力，更多在解決模型的計算速度和精度上存在着諸多問題。近年來隨着雲計算技術的發展，計算機的計算能力提高了，同時隨着大數據的發展，更復雜的計算問題可以用更多的數據進行修正，人工智能的可用性大大提高。
但是我們從目前人工智能應用的情況可以看到，人工智能並不能替代人類，例如在圖像識別、語音識別等方面的突破，僅僅是讓機器更加聰明而已，還遠遠沒有達到人類的程度，作爲人類的智能助手更加合適。
與 AI 相關的幾個概念
把人工智能的方法應用到軟件中，我們先梳理清楚幾個概念之間的關係：
人工智能（Artificial Intelligence）是一個大的概念，是讓機器像人一樣思考甚至超越人類；
機器學習（Mechine Learning）是實現人工智能的一種方法，機器學習最基本的做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測；
深度學習（Deep learning）又是機器學習的一種實現方式，他是模擬人神經網絡的方式，用更多的層數，更多的神經元，然後給系統輸入海量的數據，來訓練網絡；
統計學是機器學習和神經網絡的一種基礎知識，從傳統分工來看，統計學一般是數學、統計等專業研究的方向，而機器學習是計算機科學的研究方向，但是目前大家的研究成果越來越殊途同歸，有統計學的大師就認爲統計實際上一直在從事機器學習的工作。
對於深度學習、統計的專家來說，他們更加關注於模型、算法等等，找到可以普適性解決問題的辦法。而對於我們應用來說，具體的算法實現不需要我們考慮太多，而是找到適合的場景、合適的模型、匹配的算法，所以應用人工智能實際上是一個計算機、統計、知識工程、行業知識的一個交叉應用。
在經常涉及到的應用中，我一般在處理結構化、半結構化數據時優先考慮傳統統計學的方法，例如分類、數據相關性、迴歸等，而處理非結構化數據時（例如圖像、視頻、文本）優先考慮深度學習的方法，但這些方法也需要有統計學知識。所以，需要補課：線性代數、數理統計、Python，我覺得《機器學習實戰》這書入門不錯，上述幾方面知識都介紹了。