由于人工智能不再是一个模糊的营销术语，而是更多的精确意识形态，因此理解所有AI术语越来越成为一项挑战。国外AI领域的专家们聚在一起，聚集在一起，为大家定义了人工智能领域的一些最常见的术语。
A
Algorithms算法：给AI、神经网络或其他机器提供的一套规则或指令，以帮助它自己学习;分类，聚类，推荐和回归是四种最流行的类型。
Artificialintelligence人工智能：机器能够做出决策并执行模拟人类智能和行为的任务。
Artificialneuralnetwork人工神经网络（ANN）：一种学习模型，可以像人脑一样工作，解决传统计算机系统难以解决的任务。
Autonomiccomputing自主计算：系统的自适应自我管理能力，用于高级计算功能，无需用户输入。
C
Chatbots聊天机器人：聊天机器人（简称聊天机器人），旨在通过文本聊天，语音命令或两者进行通信来模拟与人类用户的对话。它们是包含AI功能的计算机程序的常用接口。
Classification分类：分类算法让机器根据训练数据为数据点分配类别。
Clusteranalysis聚类分析：一种用于探索性数据分析的无监督学习，用于查找数据中的隐藏模式或分组;群集使用由欧几里得或概率距离等度量定义的相似性度量建模。
Clustering聚类：聚类算法允许机器将数据点或项目分组到具有相似特征的组中。
Cognitivecomputing认知计算：一种模仿人类大脑思维方式的计算机模型。它涉及通过使用数据挖掘，自然语言处理和模式识别进行自学习。
Convolutionalneuralnetwork卷积神经网络（CNN）：一种识别和理解图像的神经网络。
D
Datamining数据挖掘：检查数据集以发现和挖掘可以进一步使用的数据模式。
Datascience数据科学：一个跨学科领域，结合了统计学，信息科学和计算机科学的科学方法，系统和过程，通过结构化或非结构化数据提供对现象的洞察。
Decisiontree决策树：基于树和分支的模型，用于映射决策及其可能的后果，类似于流程图。
Deeplearning深度学习：机器通过由级联信息层组成的人工神经网络自主模仿人类思维模式的能力。
F
Fluent流畅：一种可以随时间变化的状况。
G
GameAI：一种特定于游戏的AI形式，它使用算法来代替随机性。它是非玩家角色中使用的计算行为，用于生成玩家所采取的类似人类智能和基于反应的动作。
Geneticalgorithm遗传算法：一种基于遗传学和自然选择原理的进化算法，用于寻找困难问题的最优或近似最优解，否则需要数十年才能解决。
H
Heuristicsearchtechniques启发式搜索技术：支持通过消除不正确的选项来缩小搜索问题的最佳解决方案的范围。
K
Knowledgeengineering知识工程：专注于构建基于知识的系统，包括其所有科学，技术和社会方面。
L
Logicprogramming逻辑编程：一种编程范式，其中基于事实和规则的知识库进行计算;LISP和Prolog是用于AI编程的两种逻辑编程语言。
M
Machineintelligence机器智能：一个涵盖机器学习，深度学习和经典学习算法的总称。
Machinelearning机器学习：人工智能的一个方面，专注于算法，允许机器学习而不需要编程，并在暴露于新数据时进行更改。
Machineperception机器感知：系统接收和解释来自外部世界的数据的能力，类似于人类如何使用我们的感官。这通常使用附加的硬件来完成，尽管软件也是可用的。
N
Naturallanguageprocessing自然语言处理：程序能够识别人类交流的能力。
R
Recurrentneuralnetwork递归神经网络（RNN）：一种神经网络，它能够理解顺序信息并识别模式，并根据这些计算创建输出。
S
Supervisedlearning监督学习：一种机器学习，其中输出数据集训练机器生成所需的算法，如监督学生的教师;比无监督学习更常见。
Swarmbehavior群体行为：从数学建模者的角度来看，它是由个人遵循的简单规则产生的紧急行为，不涉及任何中心协调。
U
Unsupervisedlearning无监督学习：一种机器学习算法，用于从没有标记响应的输入数据组成的数据集中得出推论。最常见的无监督学习方法是聚类分析。
补充：TF
TF是指谷歌的TensorFlow深度学习开源框架。Tensorflow是谷歌在2015年11月开源的机器学习框架，来源于Google内部的深度学习框架DistBelief。由于其良好的架构、分布式架构支持以及简单易用，自开源以来得到广泛的关注。
鉴于TensorFlow目前这么流行，想要学习和实践的程序员们也可以了解下谷歌最近的AI开源项目——AIYProjects。AIY全称是ArtificialIntelligenceYourself，顾名思义就是利用AI来进行的DIY功能套件。借助AIY项目，创客可以利用人工智能来实现更像人与人交流的人机交互。谷歌目前为AIYProjects推出了两款硬件产品--AIYVoiceKit和AIYVisionKit。
人工智能语音识别系统可以根据其技术实现、应用场景和功能进行分类。以下是一些常见的分类方法：
1.根据模型类型分类：
a.基于规则的系统（Rule-based）：这类系统利用预先定义的语法和词汇规则进行语音识别。虽然简单且易于实现，但准确率受限于规则的完备性和复杂性。
b.统计模型（Statisticalmodel）：这类系统使用统计学方法对语音信号进行分析和识别，例如隐马尔可夫模型（HMM）和高斯混合模型（GMM）。统计模型在识别准确性方面取得了显著的进步，但仍然需要大量的训练数据和计算资源。
c.深度学习模型（Deeplearningmodel）：这类系统使用神经网络（尤其是卷积神经网络（CNN）和循环神经网络（RNN））进行语音信号的处理和识别。深度学习模型在语音识别领域取得了突破性成果，大大提高了识别准确性和鲁棒性。常见的深度学习模型包括深度神经网络（DNN）、长短时记忆网络（LSTM）和Transformer等。
2.根据应用场景分类：
a.语音助手（VoiceAssistants）：这类系统主要用于智能手机、平板电脑和其他智能设备，例如苹果的Siri、谷歌助手和亚马逊的Alexa。
b.客户服务（CustomerService）：这类系统用于企业客户服务和支持，例如自动语音应答（IVR）系统和电话客服机器人。
c.语音翻译（Speech-to-SpeechTranslation）：这类系统用于实时翻译不同语言的语音，例如谷歌翻译和微软翻译。
d.医疗语音识别（MedicalSpeechRecognition）：这类系统用于医疗领域，帮助医生快速记录病历、处方和其他临床信息。
e.汽车语音识别（AutomotiveSpeechRecognition）：这类系统用于汽车行业，实现语音控制、导航、娱乐等功能，提高驾驶安全和舒适性。
3.根据功能分类：
a.语音转文本（Speech-to-Text）：这类系统将语音信号转换为可读的文本。
b.文本转语音（Text-to-Speech）：这类系统将文本信息转换为语音信号，用于语音合成、朗读等功能。
c.语音情感识别（SpeechEmotionRecognition）：这类系统用于识别语音中的情感信息，例如愤怒、喜悦、悲伤等。
d.语音生物识别（SpeechBiometricRecognition）：这类系统用于识别说话者的身份，例如声纹识别。
这些分类方法并非互斥，可以根据实际需求选择合适的语音识别系统。
长文预警。
一、孕育期
1.1943年WarrenMcCulloch和WalterPitts利用三种资源：基础生理学知识和脑神经元的功能、罗素和怀特海德对命题逻辑的形势分析、图灵的计算理论，提出了人工神经元模型。
2.1949年DonaldHebb提出用于修改神经元之间的连接强度的更新规则，即赫布型学习。
3.1950年MarvinMinsky和DeanEdmonds建造了第一台神经网络计算机SNARC，使用3000个真空管和自动指示装置模拟40个神经元构成的网络。
4.1950年阿兰.图灵提出图灵测试、机器学习、遗传算法和强化学习。
5.1952年阿瑟.萨穆尔的西洋跳棋程序，可以通过学习达到业余高手的水平。
二、诞生
1956年约翰.麦卡锡(johnMcCarthy)等人召开了达特茅斯研讨会，标志着人工智能的诞生。
此后20年，人工智能领域被这10个人以及他们所在的MIT、CMU、斯坦福和IBM的学生和同事支配了。
1.艾伦.纽厄尔和赫伯特.西蒙推出了一个推理程序"逻辑理论家"，能证明罗素和怀特海德的《数学原理》。
2.1958年麦卡锡定义了长期霸占人工智能编程统治地位的Lisp语言，发明了分时技术、提出了"有常识的程序"。
后者被认为是第一个完整的人工智能系统。
3.明斯基指导学生研究求解需要智能的有限问题，这些有限域称为微观世界，比如积木世界。
这直接引发了1970年学习理论、1971年的视觉项目、1972年的自然语言理解程序、1974年的规划器、1975年的视觉与约束传播工作、
4.1962年FrankRosenblatt用感知机加强了赫布的学习方法。Block等也提出了感知机收敛定理。
5.1969年Bryson和Ho首次提出反向传播算法。
三、第一次低谷(1974-1980)
1.由于准确的翻译需要背景知识来消除歧义并建立句子的内容，导致机器翻译迟迟没有进展。
2.微观世界能求解的问题，放大之后迟迟没有任何进展。
3.感知机被嘲讽无法解决最简单的异或问题，导致神经网络几乎销声匿迹。
四、第二次兴起(1980-1987)：专家系统的流行
1.1969年Buchanan等开发了第一个成功的知识密集系统DENDRAL，引发了专家系统的研究。
2.1982年第一个成功的商用专家系统RI在数据设备公司(DEC)运转，该程序帮助为新计算机系统配置订单，到1986年为公司节省了4000万美元。
这个期间几乎每个主要的美国公司都正在使用或者研究专家系统。
五、第二次AI寒冬1987-1995
1.XCON等最初大获成功的专家系统维护费用居高不下。
2.专家系统的实用性仅仅局限于某些特定情景。
3.1981年日本提出的"第五代计算机"，以研制运行Prolog语言的智能计算，始终无法实现。
4.美国AI研究计划中的芯片设计和人机接口研究始终无法实现目标。
六、第三次兴起(1995-现在)
1.80年代中期，至少4个不同的研究组重新发明了反向传播学习算法，导致神经网络的重新引起人们的注意。
2.智能Agent的出现。Agent是指驻留在某一环境下，能持续自主地发挥作用，具备驻留性、反应性、社会性、主动性等特征的计算实体。
3.九十年代中期，以支持向量机(SVM)、贝叶斯为代表的统计学习迅速占据主流舞台。
4.2006年Hinton提出了深度学习；
5.2012年Hinton课题组在ImageNet图像识别比赛，以CNN网络AlexNet一举夺得冠军，且碾压第二名（SVM方法）的分类性能。
错误率逐年降低，超越人类，导致2017年ImageNet图像识别比赛中止。
6.2016年阿尔法围棋以4比1的总比分碾压李世石，从此引发了人工智能的热潮。
7.2017年10月19日，DeepMind团队重磅发布AlphaGoZero，从空白状态学起，在无任何人类输入的条件下，迅速自学围棋，并以100:0的战绩击败“前辈”。
如果对您有帮助，请您点赞支持。谢谢
人工智能的诞生时间是1956年的夏天，地点是美国达特茅斯学院，在这里举办了人类第一次人工智能的研讨会，会议上麦卡锡提出人工智能，并且产生人工智能的逻辑理论机器。之后的人工智能经历了几个发展阶段，其中20世纪50-70年代是黄金时代，之后10年是低谷，稍后又进入到繁荣时代。