更多深度文章，請關注：https://yq.aliyun.com/cloud

---

我們首先應該給出一個人工智能的整體定義。問題是，這樣一個獨特的、清晰的定義不存在于AI研究者的社區！ （最重要的是，了解和定義智能本身仍然是一個持續的努力。）

3種定義人工智能的方法

事實上，有幾種方法來考慮什么是AI。 第一個也是最常見的是看看人工智能研究的熱門結果：粗略地說，“創造和研究機器的行為表現為智能”或“創造和研究機器思考”。

定義AI的第二種方式是通過查看它的組件或子問題，它的目的是解決。你最常聽到的是：

我們不能抵制添加一種更加文化或志同的方式來定義人工智能，由Astro Teller（現為X的首席執行官，Alphabet的“moonshot工廠”）在1998年建議：“AI是科學如何讓機器去做他們的電影的東西。”

事實上，這個定義并不遠離人工智能（或強AI或全AI）和人工超智能的概念，其中的例子在科幻小說的作品中很多。他們指定的通才系統將分別達到或超過人類的能力——也就是說，將結合我們剛剛列出的所有組件。

如今AI評論員中最受歡迎的娛樂之一就是試圖猜測Skynet什么時候將接管。 如果你注意到關于通用人工智能和人工超智能的預測之間有很大的差異，這是完全正常的——真的很難說，這樣的預測是否低于還是過高估計，這樣的水平的機器智能是否甚至可以實現。

人工智能的2種主要方法

自從20世紀50年代人工智能開始以來，已經采用了兩種方法：

在第一種方法中，你編程規則，通過步驟樹解決問題——人工智能的先驅，許多邏輯學家，喜歡這種方法。 它在20世紀80年代達到高潮，隨著專家系統的興起，旨在封裝從狹窄領域的專家獲取的知識庫和決策引擎，以幫助有機化學家識別未知分子。

問題是，使用這樣的系統，你必須從頭開始開發一個新的模式——手寫，特定的規則本質上非常困難或完全不可能從一個問題推廣到下一個，從語音識別到醫療診斷。

在第二種方法中，你編寫一個通用模型，但它是計算機使用你提供的數據調整模型的參數。?這是最近最流行的方法。

它的一些模型真的接近統計方法，但最有名的是受神經科學的啟發：他們被稱為人工神經網絡（或ANNs）。 這樣的ANN具有一個共同的通用方法：

如果你聽說過當前的深度學習的狂潮，那是因為這種類型的ANN由大量的圖層組成，因此“深”。它在諸如識別圖像中的對象的任務中產生了顯著的結果。

此外，你可能會遇到以下3種方法之一來對機器學習模型進行分類：

監督學習：為模型提供標簽數據。例如，一個常規的貓圖像附帶一個明確的“貓”標簽。

無監督學習：為模型提供無標簽數據，并讓它自己識別模式。?由于數據通常沒有標簽，需要考慮智能手機中積累的所有照片，標簽過程需要時間，無監督學習方法更難/欠發達，看起來比受監管的學習更有前途。

強化學習：在你的模型的每次迭代結束時，你只需給它一個“等級”。 讓我們以DeepMind為例，訓練一個模型來玩老阿塔里游戲：等級是游戲顯示的分數，模型逐漸學會最大化。 強化學習方法可能是三個中最不發達的，但DeepMind算法的最近的成就已經揭示了這一努力的新的希望。

人工智能分類特點

所以，當你將人工智能研究所解決的問題、各種各樣的“思想流派”、這些流派的分支機構、各種目標和靈感來源結合起來時，你就會明白為什么對組織進行分類的嘗試總是有缺陷的。看看這個，你看到問題了嗎？

將“機器學習”和“語音”置于同一水平是不準確的，因為你可以使用機器學習模型來解決語音問題——它們不是并行分支，而是不同的方式來分類AI。

因此，人工智能領域的困難和吸引人在于，它肯定不是一個有序的樹——而是一個灌木叢。 一個分枝比另一個分枝生長得快，并且處于顯要地位，然后是另一個轉彎，等等。一些分支已經交叉，其他分支沒有，一些分支已經被切割，并且新的分支將出現。

因此我們的建議是：永遠不要忘記大局，否則你會迷路的！

作者介紹：Tom Morisse，FABERNOVEL的研究經理，所在地區：法國?巴黎地區，所屬行業：風險投資和私募股權。曾經就職于CIGALES、Bridgepoint等公司。

以上為譯文

本文由北郵@愛可可-愛生活?老師推薦，阿里云云棲社區組織翻譯。

文章原標題《AI for Dummies》，作者：Tom Morisse，譯者：tiamo_zn，審校：主題曲(身行)。

文章為簡譯，更為詳細的內容，請查看原文

總結

以上是生活随笔為你收集整理的对AI毫无了解？本文带你轻松了解AI的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。