目前人工智能的实现主要以计算机为核心，通过构建算法模型、编制程序来模拟人类对外部信息的处理。
计算机AI系统的基本组成
计算机是目前最不知疲倦、具有计算能力的载体。计算机中有CPU（中央处理器），可以处理各种复杂的运算，CPU类似于生物的大脑（智能的产生处）；计算机中有各种存储单元，这相当于人类的记忆；计算机中还有感应和接收外界信号的外部设备——传感器，如听觉传感器（麦克风接收声音）、视觉传感器（摄像头采集图像）、味觉传感器（电子舌）、嗅觉传感器（电子鼻）、触觉传感器（电子皮肤）以及其他传感器（温度传感器、湿度传感器等）。
AI系统一般包括模型、软件、硬件、编程语言，通过它们来实现各种智能任务，如图像识别、语音识别、自然语言理解等，如下图所示。
在计算机实现AI的过程中，信息的表达和处理是其中的重要环节。真实世界通过数字化的表征进入计算机，经过计算机程序所实现的模型进行处理后，向真实世界反馈结果，实现智能任务。下面将以编程语言Python为例，展示信息的数字化表征以及后续的处理方式。
计算机AI系统组成示例
数字化表征与维度
1.数字化表征
当我们将客观世界映射到计算机中时，需要对客观世界的人和物进行描述，通常会抽取事物（人、物品等）的多个特征、指标来进行刻画，示例如下。
● 天气：温度、湿度、风力等。
● 学生信息：性别、年龄、班级等。
同样，在计算机的虚拟世界中，如电子游戏所建立的玩家、装备、场景也都是用各种特征来进行描述的。例如：
甚至人类也试图将我们的整个世界进行数字化，构建数字孪生世界：
图片来源：http://www.prcfe.com/finance/2019/0322/343514.html
2.数据的维度与存储维度
在数字世界中，每一个实体对象（人、物、场景等）都用多个属性来描述，在计算机世界中都作为数据进行存储，数据的维度与其属性特征对应。例如，表征“实体”采用的属性个数决定了数据的维度，以“天气”实体为例，如表6-1所示。
表6-1 “天气”数据的维度
不管是一维数据还是高维数据，都需要在计算机中进行存储，存储的形式和数据的维度有关，但并非一一对应，一维数据可以存储为高维的形式，而高维数据也可以存储为一维的形式。数据的存储形式就是计算机中数据的组织形式，采用合适的组织形式有助于表征原有数据之间的内在联系，不同的编程语言采用不同的数据类型来存储数据，并基于此进行后续的信息处理。下面以“天气”对象为例简要说明数据的存储维度。
如果仅用温度表示“天气”情况，则数据的维度为一维，但数据的组织形式可以有多种，例如，需要存储近十年的温度数据（取每天的平均气温），不同的存储维度如下。
● 一维存储（将所有数据排成一行，即顺序存储）：
● 二维存储（将每年的数据排成一行，即按年顺序存储）：
● 三维存储（将每月的数据排成一行，每年的数据按月存储为二维数据，存储多年的数据即三维存储）：
因此，即使数据的维度是一维，在存储中也可以存成多维的形式。同样，高维数据也可以存储为低维形式，例如一个黑白图像，本身是一个矩阵（可理解为二维表格），自然的存储方式是按照二维进行存储，也可以依照一维存储方式把所有的数字排成一行进行存储。
例如，在著名的手写体数字识别数据集mnist中，每张图片都有28×28=784像素，每个像素都是从0（黑）到255（白）的亮度值，如下图所示。
将这个数组展开成一个向量（例如按行展开，排成一行），长度是28×28=784。展平图片的数字数组会丢失图片的二维结构信息，从AI识别的角度看不够理想，优秀的计算机视觉方法会挖掘并利用这些结构信息。
在这个例子中，每一个手写体数字都用784个点来表示，数据的维度是784，这是一个高维数据。从存储角度来看，如果存成二维数组形式，则存储结构为二维；若存成一个向量形式，则存储结构为一维。对于计算机程序处理来说，主要关注的是根据存储维度来选择合适的数据类型，从人工智能识别任务的角度来看，更注重数据本身的维度信息和结构信息。在本书后续利用Python进行数据处理时，所涉及的维度主要指存储维度。
手写体数字8的像素信息
图片来源：https://ml4a.github.io/ml4a/cn/neural_networks/(www.xing528.com)
基于Python的数据处理流程
一个完整的数据操作周期不仅包含数据的存储，还有数据的表示和操作。其中，存储是数据在文件、数据库等中的表现形式；表示是数据在程序中的表现形式；操作是数据存储形式和表现形式之间的转换和处理。当需要对数据进行操作时，计算机编程语言需要采用合适的数据类型对数据进行表示，相应的各种操作（运算、函数）都是根据数据类型来进行的，操作之后的结果通常也需要存入某种数据类型变量中，根据需要再进行存储。因此一个数据的操作周期包括存储、表示和操作，如下图所示。
数据的操作周期
具体如下。
（1）读操作
● 与存储数据产生关联：与文件或数据库中存储的数据连接（文件打开、数据库链接）。
● 数据读入和表示：进行读操作，将读入的数据存储到某数据类型的变量中。
（2）数据的操作
采用各种基本运算或者函数、方法对变量进行操作。
（3）操作结果返回
将操作结果存入变量。
（4）数据的写入
● 写入数据：将变量中的数据写入文件。
● 断开与存储数据的连接：文件关闭，数据库链接断开。
针对不同存储维度的数据，Python作为一种编程语言，有相应的数据类型进行表示和操作，具体如下。
● 一维数据：由对等关系的有序或无序数据构成，采用线性方式组织，可以采用基本数据类型列表（List）进行表示。
● 二维数据：由多个一维数据构成，是一维数据的组合形式，可以采用嵌套的列表进行表示。
● 多维数据：由一维或二维数据在新维度上扩展形成，可以用多维列表来表示。
● 高维数据：仅利用最基本的二元关系展示数据间的复杂结构，例如json、yaml格式的数据。
在进行数据分析时，为提高数据处理的速度，推荐使用Python的扩展数据分析模块Numpy和Pandas。其中，最常用的是Numpy模块中的多维数组nDarray以及Pandas模块中的数据框DataFrame。下图展示了如何利用Pandas模块从网络中的iris.data文件中读取数据并进行操作，该实例的完整版本见第七章。
在该实例中，首先给出数据文件的地址，可以是url地址，也可以是本地磁盘地址，然后通过相应的读取函数将数据从文件中读出，存入变量中，之后对变量进行一系列的操作。
数据操作示例
基于数据的AI信息处理流程
目前，基于大数据的AI方兴未艾。在这一过程中在执行AI任务时，由于需要完成如分类、图像识别、语言理解、优化等工作，因此基于数据的一系列操作是按照某个模型算法的步骤执行的，基于数据的AI信息处理过程如下图所示。
基于数据的AI信息处理过程
在后续的章节中，将介绍几种AI的模型以及基于Python的实现方法，包括机器学习、图像识别、语音识别和自然语言理解以及优化。这些AI任务都基本遵循这一信息处理过程。
本章小结
本章首先介绍了人工智能的一些基本内容，包括信息的输入、模型和学习等概念，进而介绍了3个人工智能流派、目前人工智能的局限性以及潜在应用，并对以计算机为核心的AI实现过程进行了描述，阐述了AI系统结构、数据维度、基于Python的数据处理方法以及基于数据的AI信息处理过程。本章可以帮助读者初步建立AI的信息处理框架，有助于读者理解后续章节中的具体应用实例。
本章习题
找一找生活中的人工智能。
说一说你对人工智能学习的理解。
说一说人工智能的局限性。
数据操作周期的主要步骤是什么？
Python的扩展数据模块有哪些？
请描述基于数据的AI信息处理过程。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
