人工智能從上世紀八十年代開始興起，許多初創公司、政府、以及大型企業都開始部署人工智能系統，來處理過去由人類專家執行的任務。相比于傳統的編程語言，這些系統大多基于行為規則，然后形成“記憶”，人工智能系統可以處理更多計算密集型任務，比如機器學習，規劃和調度，以及自然語言處理等。在如今這個大數據世代，很多人相信人工智能已經徹底顛覆了科技行業，雷鋒網此前也做過不少相關的研究及報道。

不過，在人工智能發展的過程中，它的核心要素并沒有發生太大變化。舉個例子，NASA 在上世紀八十年代末到九十年代推出的航天飛機（Space Shuttle）計劃，結果整個產業鏈都成功實現了商業化，包括無人駕駛探測器、太空望遠鏡、空間站、以及行星探測器等。甚至有些技術也應用在了 ERP 行業和電商、客戶關系管理和廣告市場營銷應用領域里。最近幾年，人工智能技術還在其他很多行業內得到了廣泛應用，包括：

生命科學：人工智能可以學習臨床試驗數據，然后為患者匹配最合適的治療藥物，或是尋找最理想的醫生。

網絡安全系統：人工智能可以預測企業網絡的潛在危險（至少能告訴企業該在什么地方買保險）。

物聯網系統：基于 RFID 標簽，人工智能可以對資產位置變化做出反應，而且還能預測、分析某些特定場景，防止犯罪。

以上幾個領域，雷鋒網也有不少相關的文章詳細描述了人工智能在這些領域所起的作用。此外，許多人們日常交互，且耳熟能詳的系統也采用了人工智能技術，比如蘋果的 Siri 和亞馬遜的 Alexa 可以收聽我們的語音指令，亞馬遜網站可以智能推薦商品，Netflix 可以按照用戶喜好推送節目，自動泊車和無人駕駛系統，能夠下國際象棋和圍棋計算機，等等。

人工智能的用例其實還有很多，事實上，在人工智能發展的近四十年時間里，一直有五大核心要素在支撐整個行業，連接各個技術節點。人工智能應用程序吸收海量數據，對周圍環境做出反應，通過學習提升適應度、實現更好的表現，同步服務系統和用戶。

一、強化吸收數據

基于數據強化的人工智能系統需要和海量數據進行交互，他們通常會高速獲取數十億量級的信息記錄。對于人工智能系統來說，實時吸收數據是它們必備的技能之一，此外還需要獲取不間斷的流媒體數據（絕大多數都是小數據模塊，比如物聯網傳感器評估）和批量數據（一些大數據模塊，比如系統數據庫內的歷史數據表）。

二、自適應性

利用機器學習技術，自適應的應用程序可以進行自我優化。隨著時間的推移，他們會分析工作處理的結果，然后學習如何做的更好。機器學習的工作流程需要數據科學家進行模型選擇，這涉及到一整套迭代流程，包括特征工程、算法選擇、以及參數調整。開發人員之后會把機器學習模型部署到應用程序內部，再導入新數據，該模型會進行數據分類，在按照分類分析處理行為。最后，這些部署了機器學習的應用程序會“回顧”自己的處理結果，再利用這些結果數據重新進行訓練。

三、反應性

現代人工智能系統可以根據周圍環境情況，實時做出變化反應。傳統應用程序更多的是基于批處理模式——你安排應用程序執行任務，它們運行，然后存儲處理結果，最后關閉程序。而人工智能應用程序則會不斷監測他們的輸入（通常來自于各種流媒體數據平臺），然后根據實際情況執行操作，人工智能程序會自動調用程序、規則和行為，然后自己做出決策。簡單的說，人工智能系統會一直處于運轉之中，然后根據不同的輸入做出反應。

四、前瞻性

許多人工智能系統不僅僅具備反應性，他們可以規劃未來，執行最佳的行動計劃。事實上，系統規劃、游戲規劃、甚至是語言分析系統，都需要一個前瞻性的解決方案。這些系統必須要具備根據不同場景（情況）隨時切換輸入數據的能力。舉個例子，人工智能會及時獲取天氣預報數據，并以此分析是否會延誤來自中國的海運或航運發貨，一旦發貨延遲，是否會對美國的制造進度計劃產生影響，是否需要重新優化生產計劃。

五、并發性

人工智能系統，其實就像傳統應用程序一樣，必須支持同時處理多個用戶或多個系統。通過在操作系統和數據庫領域里開發分布式系統，人工智能系統需要不斷確保執行傳統數據庫事務的四要素原則（ACID）：原子性（Atomicity）、一致性（Consistency）、隔離性（Isolation）、以及持久性（Durability）。

總結

隨著軟硬件技術的提升，一方面業務數據量在不斷增長，另一方面，系統性能的提升幫助處理響應時間大幅縮短，對于現代人工智能系統而言，正確的構建系統可以幫助企業快速拓展技術基礎設施。當然，不管是個人還是企業，上述五大特征在過去四十年人工智能發展的過程中都扮演了支柱角色，也是所有人工智能系統必須要考慮的重點。雷鋒網將會持續關注人工智能在各行各業所起的重要作用，詳情可關注相應的公號或子欄目。