图灵测试（The Turing test）由艾伦·麦席森·图灵发明，指测试者与被测试者（一个人和一台机器）隔开的情况下，
通过一些装置（如键盘）向被测试者随意提问。
进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，
那么这台机器就通过了测试，并被认为具有人类智能。
图灵测试一词来源于计算机科学和密码学的先驱阿兰·麦席森·图灵写于1950年的一篇论文《计算机器与智能》，
其中30%是图灵对2000年时的机器思考能力的一个预测，目前我们已远远落后于这个预测
图灵还对人工智能的发展给出了非常有益的建议：
与其去研制模拟成人思维的计算机，不如去试着制造更简单，也许只相当于一个小孩智慧的人工智能系统，
然后再让这个系统不断去学习——这种思路正是我们今天用机器学习来解决人工智能问题的核心指导思想。
AI is a fascinating area and I personally feel it will not do justice to explain it without looking at it from multiple dimensions. I have provided my point of view on AI in the following dimensions,
Guardrails for AI (starting with, “just because you can doesn’t mean you should”)
Core & essential building blocks
Types of data AI systems work on
Primary characteristics of an AI system
Different types of AI (yawn!)
Types of approaches to train / teach AI systems
Top Algorithms
Most common AI workloads/tasks
Common examples of AI systems at work
Dev Ops for AI — how are AI systems built?
Popular Platform, API’s, Libraries & Frameworks
Some of the absolute concepts and topics you need to take time in knowing
What’s next for AI?
人工智能是一个引人入胜的领域，我个人认为，如果不从多个角度审视人工智能，就无法公正地对其进行解释。我从以下几个方面对AI提出了自己的看法，
AI的Guardrails （从这里开始，只是因为您可以做到并不意味着您应该这样做”）
核心和必要的构建基块
数据AI系统的工作类型
人工智能系统的主要特征
不同类型的AI（打哈欠！）
训练/教导AI系统的方法类型
热门算法
最常见的AI工作负载/任务
工作中的AI系统的常见示例
面向AI的Dev Ops-如何构建AI系统？
流行平台，API，库和框架
您需要花一些时间来了解的一些绝对概念和主题
人工智能的下一步是什么？
