近年来人工智能迅速地融入到了我们的社会、经济、生活等各个领域，在全世界燃起了燎原之势。令人惊讶的是，对于人工智能到底是什么？至今尚无公认的标准定义。不同的人工智能专家对人工智能是什么都有稍微不同的定义。当然，对于需要了解人工智能技术以及如何将其应用于特定需求的公司企业而言，定义本身并不重要。

通常认为，人工智能的基本目标是使机器具有以前只有人类或其他智能生物才具有的认知、感知和决策能力。当代著名数学物理学家、麻省理工学院教授、基础问题研究所科学主任、生命未来研究所的创始人、马克斯·泰格马克（Max Tegmark）将人工智能定义为“非生物智能”。定义很简单，但是我们还不完全了解生物智能本身的含义。因此，试图构建这样的智能定义是一个挑战。

从最抽象的层面上讲，人工智能是模仿人类智慧和行为的机器行为和功能。具体来说，这通常是指我们认为是学习、解决问题、理解和与现实环境交互以及对话和语言交流的东西。但是，具体的细节很重要，尤其是当我们试图运用这种智能来解决企业、组织和个人遇到的非常具体的问题时。

人工智能技术追求的最终目标是通用人工智能（AGI），即创建可以像人类一样地可以解决处理的任何问题、情况和思考过程的人工智能。但是，当今实际应用中所谈论的人工智能并不是在谈论这种通用人工智能（AGI）或解决这样的基本智能问题。相反，所考虑的是将非常特定的人工智能子集应用于特定的缩小范围，即经典的强 / 弱人工智能问题。

目前没有人成功地构建通用人工智能（AGI）解决方案，当前所有的人工智能解决方案都很狭窄、很特定。实际上并不是为了解决通用性的人工智能问题而进行狭义的人工智能，而是为了特定的人工智能而进行狭义的人工智能。应该说许多企业对通用人工智能（AGI）并不是很在意也不现实，这些组织的人工智能目标并不是 AGI。

企业真正感兴趣的不是解决通用智能的问题，而是人们在组织中一直在做的特定事情，而现在希望机器去做。这些任务的范围因组织及其要解决的问题类型而异。

仅仅因为特定的应用目标而应用狭窄的人工智能的更好的说法，应该是认知技术。企业不是在尝试构建人工智能，而是在通过认知技术来自动化以解决需待认知某些方面的问题。什么是认知技术？简单的来讲，分为下面三个“P”的类别：

感知（Perceive）

了解周围的环境和来自传感器的输入。与知觉相关的认知技术包括图像和对象识别和分类，包括如面部识别、自然语言处理和生成、非结构化文本和信息处理、机器人传感器和物联网信号处理以及其他形式的感知计算。专注于感知的功能是高级神经网络研究方法，尤其是深度学习，的发展获得最大推动的研究领域。

预测（Predict）

了解模式以预测下一步将发生什么，并从不同的迭代中学习以提高系统的整体性能。专注于预测的认知技术利用一系列机器学习、特别是强化学习、大数据和统计方法来处理大量信息、识别模式或异常并建议下一步和结果。神经网络发挥很大作用，但是其它机器学习方法以及更简单的方法，如知识图和统计贝叶斯模型也起到一定作用。面向预测的认知技术涵盖了从大数据分析到复杂的、类似于人的决策模式的范围。

计划（Plan）

使用所学到的知识和感知力来做出决策并计划下一步。以计划为中心的认知技术包括决策模型和方法，这些模型和方法试图模仿人类如何做出决策。早期尝试包括专家系统。较新的方法使用了诸如启用认知的网络安全或决策等情况下使用的一系列方法。由于当前的机器缺乏直觉、常识、情感智商以及其它使人类在计划和决策方面变得更好的因素，因此以计划为中心的认知技术是可以使用更多人工智能通用研究进行改进的领域。

从这个角度来看，显然，虽然认知技术确实是人工智能技术的一个子集，但重要的概念是，认知技术是当代人工智能最实际、最具体、也是最核心的内容。

人工智能行业的情绪正在发生明显变化。营销炒作、风险投资资金和政府兴趣都在将人工智能技能和技术的需求，有时自觉或不自觉地推向不切合实际的极限。

我们离 AGI 的最终愿景还很遥远。许多人工智能公司正在意识到当前人工智能技术的局限性。正如过去许多企业在第一个人工智能寒冬中所经历的那样，随着企业撤回被过度承诺和交付不足的产品，行业冒着反弹冷落的风险。

最大的危机是，不切合现实的极限兴趣将可能再次大为降温，投资和研究再次放缓，从而可能导致另一个人工智能寒冬的出现。

人工智能一直都将是学术与应用领域研究和探索的崇高目标，就像是探求在火星上建造定居点或星际旅行一样，这个最终目标可望而不可求。因此，强调具体的、特定的认知技术，而不是泛泛谈论的人工智能概念，对于防止过去的人工智能寒冬的再次出现，具有现实而重要的意义。