很有可能。我觉得人类可能是高等智慧生物创造的人工智能。工控plc和人工智能AI有什么区别？首先，两者不是一个层次的。工控plc是控制器的一种，而人工智能AI是近年来的热门话题。它不是一个控制器，而是一个想法。简单来说，它教会机器如何像人一样思考和做事。
人工智能的原理是什么？
谢邀！在回复《人类与AI（人工智能）如何相处？（ https://www.wukong.com/answer/6955462920969830692/）》中谈了在面对拥有自我意识的机器人，人类该如何与之相处？又该遵从哪些伦理道德？接下来，借着回复此问题，向大家介绍一下AI的三大核心要素（也是AI的三大基石）——数据、算力和算法。
数据是AI算法的“饲料”在如今这个时代，无时无刻不在产生数据（包括语音、文本、影像等等），AI产业的飞速发展，也萌生了大量垂直领域的数据需求。在AI技术当中，数据相当于AI算法的“饲料”。机器学习中的监督学习（Supervised Learning）和半监督学习（Semi-supervised Learning）都要用标注好的数据进行训练（由此催生大量数据标注公司，对未经处理的初级数据进行加工处理, 并转换为机器可识别信息），只有经过大量的训练，覆盖尽可能多的各种场景才能得到一个良好的模型。
目前，数据标注是AI的上游基础产业，以人工标注为主，机器标注为辅。最常见的数据标注类型有五种：属性标注（给目标对象打标签）、框选标注（框选出要识别的对象）、轮廓标注（比框选标注更加具体，边缘更加精确）、描点标注（标注出目标对象上细致的特征点）、其他标注（除以上标注外的数据标注类型）。AI算法需要通过数据训练不断完善，而数据标注是大部分AI算法得以有效运行的关键环节。
算法是AI的背后“推手”AI算法是数据驱动型算法，是AI背后的推动力量。主流的算法主要分为传统的机器学习算法和神经网络算法，目前神经网络算法因为深度学习（源于人工神经网络的研究，特点是试图模仿大脑的神经元之间传递和处理信息的模式）的快速发展而达到了高潮。南京大学计算机系主任、人工智能学院院长周志华教授认为，今天“AI热潮”的出现主要由于机器学习，尤其是机器学习中的深度学习技术取得了巨大进展，并在大数据和大算力的支持下发挥巨大的威力。
当前最具代表性深度学习算法模型有深度神经网络（Deep Neural Network，简称DNN）、循环神经网络（Recurrent Neural Network，简称RNN）、卷积神经网络（Convolutional Neural Network，简称CNN）。谈到深度学习，DNN和RNN就是深度学习的基础。
DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层, 一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。DNN可以理解为有很多隐藏层的神经网络，是非常庞大的系统，训练出来需要很多数据、很强的算力进行支撑。算力是基础设施AI算法模型对于算力的巨大需求，推动了今天芯片业的发展。据OpenAI测算,2012年开始,全球AI训练所用的计算量呈现指数增长,平均每3.43个月便会翻一倍,目前计算量已扩大30万倍,远超算力增长速度。
在AI技术当中，算力是算法和数据的基础设施，支撑着算法和数据，进而影响着AI的发展，算力的大小代表着对数据处理能力的强弱。算力源于芯片，通过基础软件的有效组织，最终释放到终端应用上，作为算力的关键基础，AI芯片的性能决定着AI产业的发展。加快补齐AI芯片短板从技术架构来看，AI芯片可以分为四大类：通用性芯片（GPU，特点是具备通用性、性能高、功耗高）、半定制化芯片（FPGA，特点是可编程、功耗和通用性一般）、全定制化芯片（ASIC，特点是不能扩展、性能稳定、功耗可控）和类脑芯片（特点是功耗低、响应速度快）。
AI本质上是使用人工神经网络对人脑进行的模拟，旨在替代人们大脑中的生物神经网络。由于每个任务对芯片的要求不同，所以可以使用不同的AI芯片进行训练和推理。在过去二十年当中，处理器性能以每年大约55%的速度提升，内存性能的提升速度每年只有10%左右，存储速度严重滞后于处理器的计算速度。随着AI技术的发展，所需数据量变得越来越大，计算量越来越多，“内存墙”（指内存性能严重限制CPU性能发挥的现象）的问题越来越严重。
