人工智能研究框架國泰君安2023年8月研報人工智能研究框架，搭建了詳細的AI知識體系。

AI是研究如何使計算機能夠模擬和執行人類智能任務的科學和技術。通過輸入大量資料數據，讓計算機學習算法，總結出模型，之后再輸入相似樣本時，就可以識別結果。優勢在于模仿人類經驗學習的過程，無需人為制定規則，機器學習等算法和自我迭代是AI區別于傳統計算機能力的主要因素。

根據《AI：現代方法》，AI有七種分類，分別是推理和問題解決、知識表示、規劃和社會智能、感知、機器學習、機器人：運動和操縱，和自然語言處理。

圖|AI的七種分類

三、隨著各類算法的演繹和迭代，AI的子領域明朗化自然語言處理和計算機視覺等是AI技術的重要子領域。

1.自然語言處理

自然語言處理(Natural Language Processing,NLP)是AI和語言學領域的分支學科，讓計算機和系統能夠從文本和語音信號輸入中獲取有意義的信息，理解人類語言，并作出決策。可以從非結構化自然語言中提取信息，處理信息并將其映射到結構化變量。現有的醫學信息大多數以非結構或半結構的形式儲存在醫療信息系統中，NLP可通過機器翻譯將這些數據轉化為AI模型可用的結構化數據語言，構造醫學詞林，實現人機交互、數據管理等。主要有機器翻譯、情感分析和信息抽取幾大基礎任務。

機器翻譯，是指通過特定的計算機程序將一種書寫形式或聲音形式的自然語言，翻譯成另一種書寫形式或聲音形式的自然語言。主要能夠實現語音翻譯、圖像翻譯、VR翻譯等。

情感分析，即指通過計算技術對文本的主客觀性、觀點、情緒、極性的挖掘和分析，對文本的情感傾向做出分類判斷。情感分析在評論機制的App中應用較為廣泛。在互聯網輿情分析中，尤其是在選舉預測、股票預測等領域，情感分析起著舉足輕重的作用。

信息抽取，指從文本中抽取出特定的事實信息。被抽取出來的信息通常以結構化的形式直接存入數據庫，可以供用戶查詢及進一步分析使用，為之后構建知識庫、智能問答等提供數據支撐。

圖|自然語言處理用于醫療場景

2.計算機視覺

計算機視覺(Computer vision,CV)，是指讓計算機和系統能夠從圖像、視頻和其他視覺輸入中獲取有意義的信息，并根據該信息采取行動或提供建議。該技術基于深度學習機器視覺算法的集合，通過構造多層神經網絡，逐層完成圖像特征的提取，最終將多層級的特征組合，在頂層做出分類。主要有圖像分類、目標檢測、目標分割和實例分割幾大基礎任務。

圖像分類是判斷一張圖片的主要類別，是計算機視覺中最基礎的任務之一。目標檢測是給定一張圖像或是一個視頻幀，讓計算機定位出這個目標的位置并且知道目標物是什么，即輸出目標的Bounding Box(邊框)以及標簽。目標分割是檢測到圖像中的所有目標，解決“每一個像素屬于哪個目標物或場景”的問題，屬于像素級的，需要給出屬于每一類的所有像素點，而不是矩形框。實例分割是目標檢測和目標分割的結合，相對目標檢測的邊界框，實例分割可精確到物體的邊緣，相對目標分割，實例分割需要標注出圖上同一物體的不同個體。

圖|AI技術的子領域

圖|計算機視覺用于醫療影像

四、要解決人類指定的各類任務，先要讓計算機模擬人類的學習機制

人類跟計算機的能力維度各有優勢，讓計算機學習和模擬人類解決問題的方法是各類算法的起點。

人類會非常容易的辨別出垃圾郵件與貓狗，但是讓計算機做卻非常困難，因為這與發明計算機的最初任務有本質區別。比如對1億數據進行混合四則運算或大小排序，這些任務讓人類執行會非常低效，但計算機卻可以快速完成，而AI要處理的任務與計算機最初的任務恰好相反。

這促使人們思考人類的學習機制，理解人類的學習機制，有助于讓AI有效復刻這種能力機制。嬰兒根本不知道貓狗到可以一眼分辨出貓狗，是一個經驗學習過程。首先需要一定的樣本資料，從現實中獲得大量信息，然后大腦將接受的信息進行學習、歸納、整理、總結，最后形成知識與經驗。計算機優勢是計算能力非常強，可以處理海量數據。需要給計算機提供成千上萬的資料數據(貓狗照片)讓它進行學習，然后計算機再面對新樣本時才能以較高的準確率進行分辨。

圖|讓計算機模仿人類來解決問題具備理論上的可行性

五、基于AI習得的能力，AI能處理兩大類任務

AI處理的根本任務只有兩類，分類與回歸，人類大腦每日處理的也是分類與回歸問題。分類任務模型輸出是對象的所屬類別，數據類型是離散數據，回歸任務模型輸出的結果是一個值，數據類型是連續型數據。

分類任務有二分類和多分類，二分類任務如貓狗圖像識別，多分類任務場景包括下棋與自動駕駛等場景。在棋盤上可以落子的個數是有限的，所以每一步阿爾法Go要做的就是根據當前已落子信息，預測出落子在每個可落子位置的勝率，然后選取勝率最高的位置進行落子。自動駕駛車輛上裝有多個攝像頭和傳感器來時刻監視車輛四周的環境信息，可根據這些環境的圖像信息讓它選擇在每種情況下方向盤轉動多少角度、油門或剎車踩多深來實現車輛的自動行駛。

以網約車出行預測以及股價預測來說明回歸任務，回歸任務和分類任務并非嚴格區分。網約車出行預測，可根據上下車地點、時間、天氣情況、人流密度以及歷史記錄等因素，預測此刻某區域的網約車訂單數，并以此為依據進行車輛調度，保證供需平衡。股價預測可根據歷史走勢、利弊政策、公司財報等因素對股價進行預測。分類問題在某種程度上可以看做為一個回歸問題，比如可以定義若一支股票漲幅會大于5%，就把它歸為買入類，在-5%至5%之間，就將它歸為持有類，跌幅大于5%的話就將它歸為賣出類。