随着“人工智能”走出实验室、逐渐有了实际的应用场景，它成为了一项可能在不久的将来彻底改变人类社会的基础技术，也成为了很多人最爱讨论的话题。

　　人工智能（AI）：人工智能的方法很多，包括神经网络、遗传算法、蚁群算法和专家系统等。

    l 神经网络；

    l 遗传算法；

    人工智能（AI）是研究使计算机来模拟人的某些思维过程和智能行为（如推理、证明、识别、理解、设计、学习、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

    神经网络：人工智能的基石。

计算机强大的地方是运算能力，假设说问x的n次方计算机会瞬间给出答案，但是人却不行；但如果要问地上跑的是猫还是狗，三岁小孩都会瞬间给出答案，计算机却不行。为了让计算机在分类识别领域有所进展，神经网络诞生了。构成电脑神经网络的组成部分叫“神经元”。

    自主（深度）学习

模仿人脑实现主动学习，人类的大脑在一段时间内受到高频率的刺激，则和输入信号的神经元之间的连接强度就会按某种过程改变，使得该神经细胞下一次受到激励时更容易兴奋。与此相反的是，如果一个神经细胞在一段时间内不受到激励，那么它的连接的有效性就会慢慢地衰减。这一现象就称可塑性。

损伤冗余

    大脑即使有很大一部分受到了损伤，它仍然能够执行复杂的工作。在大脑中，知识并不是保存在一个局部地方。

    神经网络：人工智能的基石。

神经网络是期望通过模拟现实中的生物思维来直接实现人工思维，而遗传算法则期望模拟生物进化来再次产生思维。

    处理信息效率极高

    神经细胞之间电-化学信号的传递，与一台数字计算机中CPU的数据传输相比，速度是非常慢的，但因神经细胞采用了并行的工作方式，使得大脑能够同时处理大量的数据。

    善于归纳

    大脑和数字计算机不同，它极擅长的事情之一就是模式识别，并能根据已熟悉信息进行归纳推广。

    意识

    对于意识实际究竟是什么，至今尚未取得实质性的统一看法。我们甚至不能同意只有人类才有意识，因此，人工神经网络(Artificial neural network，简称ANN)就是在当代数字计算机现有规模的约束下，来模拟这种大量的并行性，并在实现时，使它能显示出许多和生物学大脑相类似的特性。

    遗传算法：自我进化。

遗传算法的工作过程本质上就是模拟生物的进化过程。需要随着时间的推移不断成长、演化，最后才能收敛，得到针对某类特定问题的一个或多个解。遗传算法并不保证你能获得问题的最优解，但只要采用的方法正确，你通常都可以利用遗传算法在一定范围内得到一个限定条件下的最优解（寻优）。

    遗传算法的优点

    遗传算法的最大优点就是在于你不必去了解和操心如何去“找”最优解，而只要简单的“否定”一些表现不好的“解”。

    遗传算法的缺点

    遗传算法的编码和解码比较复杂，在开始进化前需要做复杂的编码工作，在遗传操作过程中也不易掌控，容易出错。