Google的AI打败了围棋高手，是衡量人工智能突然飞速发展的一种方式，也揭示了这些技术已经发展到什么程度，未来还能发展到什么程度。人工智能是一项未来技术，目前正在开发自己的一套工具。过去几年发生了一系列的发展：驾驶超过300,000英里无事故并在三个州合法驾驶达到自动驾驶的里程碑；IBMWatson击败两届Jeopardy冠军；研究人员对数万亿图像的复杂数据集的模式识别很感兴趣。这些发展无疑增加了科学家和专家对AI的兴趣，这也使开发人员能够了解创建AI应用程序的真正本质。开发这些首先需要注意的是：哪种编程语言适合人工智能？你精通的每一种编程语言都可以成为人工智能的开发语言。人工智能程序几乎可以使用任何编程语言来实现，最常见的有：Lisp、Prolog、C/C++，最近有Java，最近有Python。LISP像LISP这样的高级语言在人工智能领域备受青睐。经过各大学多年的研究，选择了快速原型而非快速执行。垃圾收集、动态类型、数据函数、统一语法、交互环境和可扩展性等特性使LIST非常适合人工智能编程。PROLOG语言有效结合了LISP的高级和传统优点，对AI非常有用。它的优势在于解决“基于逻辑的问题”。Prolog提供逻辑相关问题的解决方案，或者其解决方案具有简明的逻辑特征。它的主要缺点（恕我直言）是很难学习。C/C++就像一只猎豹。C/C++主要是在执行速度要求很高的情况下使用。它主要用于简单的程序，神经网络等统计人工智能就是一个常见的例子。反向传播仅使用几页C/C++代码，但要求速度，即使程序员只能提高一点点速度。作为JAVA的新手，Java使用了LISP的一些思想，最著名的是垃圾收集。它的可移植性允许它在任何程序中使用，并且它有一组内置类型。Java没有LISP和Prolog先进，也没有C快，但如果需要可移植性，它是最好的。PYTHONPython是一种用LISP和JAVA编译的语言。根据Norvig的文章中Lips和Python的比较，这两种语言非常相似，也有一些细微的差别。还有JPthon，它提供对Java图形用户界面的访问。这也是为什么PeterNorvig选择使用JPyhton来翻译他的人工智能书籍中的程序。JPython允许他使用可移植的GUI演示和可移植的http/ftp/html库。因此，它非常适合作为人工智能语言。在人工智能方面使用Python相对于其他编程语言的优势出色的文档独立于平台，现在可以在每个*nix版本和其他面向对象的编程语言上使用比学习更容易和更快Python有许多图像增强库，例如Python成像库、VTK和Maya3D可视化工具包、NumericPython、ScientificPython和许多其他工具可用于数值和科学应用程序。Python设计精良、快速、健壮、可移植且可扩展。显然这些都是人工智能应用非常重要的因素。适用于用于科学目的的各种编程任务，从小型shell脚本到整个网站应用程序。***，它是开源的。提供相同的社区支持。AI'sPythonlibraryAI整体库AIMA：Python实现了从Russell到Norvigs的《人工智能：一种现代方法》中的算法pyDatalog：Python中的逻辑编程引擎SimpleAI：《人工智能：一种现代方法》中的Python实现方法本书所描述的人工智能。它专注于提供易于使用、文档齐全且经过测试的库。EasyAI：用于双人AI游戏的Python引擎（负最大值、排列表、游戏求解）机器学习库PyBrain一种灵活、简单且有效的机器学习任务算法，它是一个模块化的Python机器学习库。它还提供各种预定义环境来测试和比较您的算法。PyML一个用Python编写的双边框架，专注于SVM和其他内核方法。它支持Linux和MacOSX。scikit-learn旨在提供简单而强大的解决方案，可以在不同的环境中重复使用：机器学习作为科学和工程的多功能工具。它是python的一个集成了经典机器学习算法的模块，与python科学包（numpy、scipy.matplotlib）紧密相连。MDP-Toolkit是一个易于扩展的Python数据处理框架。它收集了有监督和无监督的学习算法和其他数据处理单元，它们可以组合成数据处理序列或更复杂的前馈网络结构。新算法的实现简单直观。可用的算法在稳步增加，包括信号处理方法（主成分分析、独立成分分析、慢特征分析）、流模式学习方法（局部线性嵌入）、集中分类、概率方法（因子分析、RBM）、数据预处理方法等等。自然语言和文本处理库NLTK开源Python模块、语言数据和文档，用于研究和开发自然语言处理和文本分析。有windows、MacOSX和Linux版本。案例做了一个实验，一个软件，利用人工智能和物联网来分析员工行为。该软件通过情绪和行为干扰向员工提供有用的反馈，从而改善管理和工作习惯。使用Python机器学习库、opencv和haarcascading概念进行训练。示例POC用于检测从放置在不同位置的无线摄像头传回的基本情绪，如快乐、愤怒、悲伤、厌恶、怀疑、蔑视、讽刺和惊讶。收集到的数据将集中在云数据库中，甚至可以通过在安卓设备或桌面上点击一个按钮来检索整个办公室。开发人员在深入挖掘面部的复杂情绪和挖掘更多细节方面取得了进展。借助深度学习算法和机器学习，它可以帮助分析员工个人绩效和适当的员工/团队反馈。结语Python在人工智能中的重要地位，是因为它提供了像scikit-learn:machinelearninginpython这样的良好框架，实现了该领域的大部分需求。在D3.jsJS中可视化数据驱动文档的最大且易于使用的工具之一。在处理框架时，其快速原型制作使其成为一种不容忽视的重要语言。AI需要大量的研究，因此没有必要要求500KB的Java样板代码来测试新的假设。几乎python中的每一个想法都可以在20-30行代码中快速实现（JS和LISP也是如此）。因此，它是人工智能非常有用的语言。
