听到 AI 时，不要把它想成机器人，请想成算法。
人工智能，只是一组渐进的演算指令
算法是一组循序渐进的指令，非常明确，明确到就连呆板又缺乏想象力的计算机也可以遵循（你可能听过机器人因为遵照洗发精瓶子上的指令：“起泡、冲洗、重复”而永远被卡在淋浴间的笑话）。算法本身并不比电钻更聪明， 它只是能将一件事情做得很好，例如整理数字列表、或在网上搜索可爱动物的照片。然而，若以巧妙的方式将许多算法链接在一起，则可以生成 AI ──在特定领域具备智能的幻觉。比方说，像Google Home 这样的数字助理，你可能会对它提出诸如此类的问题：“在哪里可以找到奥斯汀最好吃的墨西哥卷饼早餐？”
这个查询引发了一连串的算法运行：
这就是所谓的人工智能。几乎所有的 AI 系统，无论是自动驾驶汽车、小黄瓜自动分拣机、或是你的信用卡帐户防盗监控软件，都遵循同样的“算法流程”范本。流程一开始先输入某个特定领域取得的数据数据，执行一连串的计算，再输出预测的结果或决策。
通过学习“训练数据”得到的机率便是人工智能
人工智能运用的算法有两个显著的特点。 首先，这些算法通常处理的是机率，而不是确定性。 例如，AI 中的算法不会直接判定某一笔信用卡交易是诈骗行为，它会表示诈骗行为的可能性是 92％（或任何由提供的数据所推算出的机率）。其二，这些算法是怎么“知道”该遵循什么指令呢？在传统算法中，网站运行或文本处理器之类的指令，是由程序设计师事先设置的。然而， 在人工智能中，这些指令是由算法本身直接通过“训练数据”学习而来。 没有人告诉 AI 算法如何将信用卡交易数据分类为诈骗或非诈骗。相反地，算法会观察各个类别的大量范例，再从中找出区分这两个类别的模式。在人工智能中，程序设计师的角色不是告诉算法该做什么，而是告诉算法如何利用数据和机率规则来训练自己知道该怎么做。
老早人工智能就出现，为何现在才广为使用？
现代的人工智能系统，诸如自动驾驶汽车或家庭数字助理，看似是一股新潮流。但你可能会惊讶地发现，人工智能大部分的创意其实由来已久，其中许多甚至可回溯到几世纪之前，人类世时代代都用这些想法来解决问题。以自动驾驶汽车为例，Google 在2009 年首次推出这种汽车，但你会在本书第三章中学到，这种汽车运行的主要概念之一，其实是在1750 年间由长老教会的牧师所发现的；而这个想法在五十多年前被一群数学家采用，解决了冷战时期一个重大的谜团。
再举图像分类为例，在过去五年间，图像处理算法已经有了惊人的进展，出现如 Facebook 自动在照片上标记好友这一类的功能。但是在第二章中，你会发现这其中的关键概念可以追溯到1805 年前；也会明白在一百年前，亨丽爱塔·勒维特（Henrietta Leavitt）这位名不见经传的天文学家早已运用这些概念，来帮助解答“宇宙有多大？”这个人类有史以来最深奥的科学问题。
再举语音识别系统为例，这是人工智能近年来最伟大的成就之一。 Alexa 和 Google Home 这一类的数字助理能够非常流利地使用语言，日后也将会更加精进。然而，第一位让计算机明白英语的人是一位美国海军少将，他大约在七十年前就这么做了（参见第四章）。
以上不过是三个惊人的实例。无论从哪个角度审查人工智能，你都会发现，某个构想人们早已讨论许久了。因此， 重大的历史谜题并不在于 AI 为何出现、而是为何没有更早开始发展。 想要解开这个谜团，我们必须审查促使这些可敬的构想进入新时代的三大有利科技驱势。
三大要素，造就AI 如超新星般爆炸发展
促成AI 发展的第一个因素是数十年来计算机处理器速度指数式的增长，一般称之为“摩尔定律”（Moore’s Law）。 很难说明计算机发展的速度究竟有多快，老套一点的说法是，阿波罗号宇航员员登陆月球所凭借的计算处理功能，还不如袖珍型计算机。但是，这个模拟再也引不起共鸣了，因为…… 还有谁知道袖珍型计算机是什么呢？因此，不如让我们拿汽车来当例子。在 1951 年，当时最快速的计算机处理器之一是 UNIVAC，每秒可执行两千次的运算；而爱快罗密欧 6C 则属当时最快速的车型，每小时行驶一百一十英里。自 1951 年来，汽车和计算机都有所进化；如果汽车进化的速度与计算机相同，那么现代的爱快罗密欧将会以光速的八百万倍驰骋。
第二个促成 AI 发展的因素是“新摩尔定律”：随着人类一切信息的数字化，数据量呈爆炸式增长。 美国国会图书馆需要10TB 的存储空间；光是在2013 年，Google、Apple、Facebook 和亚马逊等四大科技公司就收集了比10TB 多出约十二万倍的数据，而那还算是网络时代早期的发展。如今数据积累的速度比阿波罗火箭更快；在2017 年，每分钟就有超过三百小时的视频上传到YouTube、每天有超过一亿张图片被发布到Instagram，更巨量的数据意味着更聪明的算法。
第三个促成 AI 发展的因素是云计算计算。 这种趋势对消费者来说几乎是看不见的，对 AI 却产生了巨大的普及效应。为了说明这一点，让我们拿数据和石油做个模拟。假设二十世纪初所有的公司都拥有一些石油，但是他们都必须创建一些基础设施才能提取、运输和精炼自己的石油。任何具有创新点子、想要善用自家石油的公司，都将面临庞大的固定成本才能进行，最终结果就是大部分的石油都无法开采。是的，同样的逻辑也适用在相当于是 21 世纪石油资源的数据信息。大多数的业余爱好者或是小公司，都想要利用自家数据来创建人工智能系统，假如都得购买一切所需的设备和专业知识，将面临高昂的成本。但是，现今诸如微软 Azure、IBM 或亚马逊网络服务公司所提供的云计算计算资源设备，已将固定成本转化为变动成本，彻底改变了大规模数据存储和分析的经济模式。时至今日，任何想要开采自家“石油”的人，都可以通过租用别人的基础设备、以低成本完成。
当你将这四大趋势结合在一起，也就是更快速的芯片、巨量的数据数据、云计算计算，再加上最重要的创意，利用AI 解决实际问题的需求和能力将有如超新星的爆炸一般。