人工智慧語言是什麼

一類適應於人工智慧和知識工程領域的、具有符號處理和邏輯推理能力的計算機程式設計語言。

人工智慧（AI）語言是一類適應於人工智慧和知識工程領域的、具有符號處理和邏輯推理能力的計算機程式設計語言。能夠用它來編寫程式求解非數值計算、知識處理、推理、規劃、決策等具有智慧的各種複雜問題。

典型的人工智慧語言主要有LISP、Prolog、Smalltalk、C++等。

第一名毫無疑問是 Python。

儘管 Python 有些特性令人不爽（whitespace、Python 2.x 和 Python 3.x 之間的巨大差異、五種不同的包機制都在不同程度上有缺陷）

但如果你正在從事 AI 工作，你幾乎肯定會在某些時候用到 Python。

Python 中可用庫的數量是其他語言所無法企及的。

NumPy 已經變得如此普遍，以至於幾乎成為了張量運算的標準 API，Pandas 將 R 的強大而靈活的資料幀帶入 Python。

對於自然語言處理（NLP），您可以使用久負盛名的 NLTK 和快如閃電的 SpaCy。

對於機器學習，有經過實戰檢驗的 Scikit-learn。當談到深度學習時，

當前所有的庫（TensorFlow，PyTorch，Chainer，Apache MXNet，Theano 等）都是在 Python 上首先實現的專案。

(在LiveEdu上，一位德國的AI開發者教大家如何使用Python開發兩個簡單的機器學習模型）

Python 是人工智慧研究的前沿語言，這是擁有最多機器學習和深度學習框架的語言，也是 AI 研究者幾乎都掌握的語言。

JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用開發的絕佳選擇。

無論是自然語言處理（CoreNLP）、張量運算（ND4J）還是完整的 GPU 加速深度學習堆疊（DL4J），

您都可以使用大量的庫來管理流水線的各個部分。

另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大資料平臺。

Java 是大多數企業的通用語言，

在 Java 8 和 Java 9 中提供了新的語言結構，這使得編寫 Java 程式碼的體驗不再像我們過去所記得的那樣糟糕。

使用 Java 編寫人工智慧應用可能會讓人覺得有一點點枯燥，但它確實能完成工作，並且您可以使用所有現成的 Java 基礎架構來開發、部署和監視。

在開發 AI 應用時，C / C ++ 不太可能成為您的首選，

但如果您在嵌入式環境中工作，並且無法承受 Java 虛擬機器或 Python 直譯器的開銷，那麼 C / C ++ 就是最好的解決方案。

當你需要榨乾系統的每一滴效能時，你就得面對可怕的指標世界。

幸運的是，現代 C / C ++ 寫起來體驗還不錯（實話實說！）。

您可以從下列方法中選擇一個最適合的：

您可以一頭扎進堆疊底部，使用 CUDA 等庫來編寫自己的程式碼，這些程式碼將直接在 GPU 上執行；

您也可以使用 TensorFlow 或 Caffe 以訪問靈活的高階 API。

後者還允許您匯入資料科學家用 Python 寫的模型，然後以 C / C ++ 級別的速度在生產環境中執行它們。

在未來一年中，請密切留意 Rust 在 AI 領域的一些動作。

結合 C / C ++ 級別的速度與型別和資料安全性，Rust 是實現產品級效能卻不會造成安全問題的最佳選擇。並且它現在已經可以與 TensorFlow 繫結了。

其實，谷歌最近釋出了 ，這是一個 WebGL 加速庫，允許您在 Web 瀏覽器中訓練和執行機器學習模型。

它還包括 Keras API 以及載入和使用在常規 TensorFlow 中訓練過的模型的功能。

這可能會吸引大量的 JS 開發者湧入 AI 領域。

雖然 Java 目前能夠訪問的機器學習庫與其他語言相比有所侷限，但在不久的將來，開發者在網頁中新增神經網路就和新增 React 元件或 CSS 屬性一樣簡單。

R 在這份榜單中排名最末，並且看上去將會越來越沒落。

R 是資料科學家喜歡的語言。

但是，其他程式設計師在第一次接觸 R 時會感到有些困惑，因為它採用了以資料幀為中心的方法。

如果您有一組專門的 R 開發者，那麼將 R 與 TensorFlow、Keras 或 H2O 搭配使用，進行研究、原型設計和實驗是有意義的。

但基於效能和操作方面的考慮，我不願意推薦將 R 用於生產。

雖然您可以寫出能在生產伺服器上部署的高效能 R 程式碼，但將這種用 R 語言編寫的原型重新編碼為 Java 或 Python 肯定會更容易。

人工智慧，火的不能再火的詞了，想要駕馭他還需要不斷的磨練，語言是與人工智慧對話的基本條件。