[[269504]]

人們現(xiàn)在談論的人工智能好像還在遙遠的未來，但實際上，它已經在我們的生活中激增。從我們給孩子購買的***玩具機器人寵物到執(zhí)行預定手術的外科醫(yī)生機器人，再到十分了解我們對音樂、電影、廣告的偏好的推薦系統(tǒng)，我們實際上已經進入了人工智能，與它同在。

隨著“人工智能”變得更加智能和普遍，我們內心會產生一種自然的恐懼。有人會擔心在我們的社會中沒有正確實施人工智能帶來的反烏托邦，有人會擔心AI會取代我們所有的工作，有人擔心我們對這些技術會過分沉迷，又或者，我們其實可以嘗試理解這一切，回過頭來真正評估我們的工作場所實施AI的成本和收益，從而使得每個人都可以在通過人工智能真正塑造自己的未來。

什么是人工智能?

從歷史上看，Alan Turing的“思考機器”和John McCarthy的“可以自主思考的機器”都是用于AI的定義。隨著人工智能系統(tǒng)的發(fā)展，我們現(xiàn)在將人工智能稱為“對與人類傳統(tǒng)反應一致的刺激做出反應的機器，具有人類思考、判斷和意圖的能力。”

人工智能就像這個詞暗示的那樣，智能是人為的，由人類編程來執(zhí)行人類活動。這種人工智能被整合到計算機系統(tǒng)中，以創(chuàng)建最終作為“思考機器”單元的AI系統(tǒng)。

• 一般AI Systems可以智能地解決問題。 (例如：人工智能股票交易系統(tǒng))
• 窄AI系統(tǒng)可以很好地執(zhí)行特定任務。 (例如：AI驅動的制造臂)

根據Darrell M. West的布魯金斯學會報告，這些系統(tǒng)有三個特征：意向性、智能和適應性。

• 意向性 - 人類設計AI系統(tǒng)的目的是根據歷史或實時數據或兩者兼而有之做出決策。這些AI系統(tǒng)包含預訂的響應。
• 智能 - 人工智能系統(tǒng)通常將機器學習、深度學習和數據分析與人工智能相結合，從而實現(xiàn)智能決策。這種智能不是人類的智慧，只能說是對人類智能的***的近似。
• 適應性 - 人工智能系統(tǒng)具有在編制信息和做出決策時學習和適應的能力。隨著AI系統(tǒng)從實時數據中學習，AI系統(tǒng)可以改進其決策能力以提高結果。 

人工智能、機器學習、深度學習

人工智能系統(tǒng)通常采用人工智能、機器學習和深度學習來創(chuàng)建一個復雜的智能機器，可以很好地執(zhí)行給定的人類功能。這三個單元越來越多地成為整個人工智能系統(tǒng)的智力拼圖的獨立部分。

機器學習 - 它是人工智能的一種應用，它為AI系統(tǒng)提供了自動學習環(huán)境的能力，并應用該學習來做出更好的決策。機器學習使用各種算法來迭代學習、描述和改進數據，以便預測更好的結果。這些算法使用統(tǒng)計技術來發(fā)現(xiàn)模式，然后對這些模式執(zhí)行操作。

深度學習 - 它是下一代機器學習。它是機器學習的一個子集，深度學習模型可以使他們自己的預測完全獨立于人類。在許多情況下，過去的機器學習模型仍需要人為干預才能達到***結果，深度學習模型使用人工神經網絡。該網絡的設計靈感來自于人腦的生物神經網絡，它分析數據的邏輯結構類似于人類得出結論的方式。

監(jiān)督機器學習VS非監(jiān)督機器學習VS強化學習

機器學習的基礎包括從環(huán)境中學習，然后將學習應用于決策。為了有效地做到這一點，有一些機器學習算法使之成為可能。

監(jiān)督機器學習 - 在監(jiān)督學習中，目標是提出一種映射函數(f)，它將***地描述輸入數據(x)以結束輸出數據(Y)。我們知道x和Y，但是，我們必須找到能夠達到一定性能水平的映射函數(f)。然后，我們可以將映射函數(f)應用于新數據以獲得類似的結果，訓練數據用于查找函數f。

Y = f(X) 

有兩種類型的監(jiān)督機器學習問題：分類和回歸取決于輸出變量的類型。如果輸出變量是分類的，則它是分類問題。(例如：顏色可以是紅色、藍色、紫色等......)如果輸出變量是實數值，那么它就是回歸問題。 (例如：高度可以是0英尺到10英尺)

監(jiān)督機器學習算法列表包括：

• 線性回歸
• 支持向量機
• Logistic回歸
• 樸素貝葉斯
• 線性判別分析
• 決策樹
• K-最近鄰算法

無監(jiān)督機器學習 - 與監(jiān)督機器學習不同，無監(jiān)督機器學習不假設正確的輸出集合“Y”。沒有輸出。這里的目標是呈現(xiàn)最有趣的結構，***地描述輸入數據。

有兩種類型的無監(jiān)督機器學習問題：聚類和關聯(lián)。當您在輸入數據中發(fā)現(xiàn)分組時，聚類問題就出現(xiàn)了。(示例：按性別對投票行為進行分組)關聯(lián)是指您在輸入數據中發(fā)現(xiàn)規(guī)則。 (例如：女性選民傾向于為女性候選人投票)

無監(jiān)督機器學習算法列表包括：

• 分層聚類
• K均值聚類
• 混合模型
• DBSCAN
• 局部異常因子
• 神經網絡
• 期望***化算法
• 主成分分析
• 非負矩陣分解

強化學習 - 與受監(jiān)督的ML和無監(jiān)督的ML不同，強化學習的重點是找到***路徑，以便在某種情況下***化獎勵。該決定是按順序進行的。在每個步驟中，算法都采用總獎勵的路徑，它將具有正面或負面獎勵?？偑剟钍茄刂窂降乃姓婧拓撁妾剟畹目偤汀Ｄ繕耸钦业?**化獎勵的***途徑。 (一個很好的例子是支持AI的股票交易系統(tǒng)。)

• Q學習
• 策略迭代
• State-Action-Reward-State-Action(SARSA)
• 深Q網絡
• 深度確定性策略梯度

深度學習是下一代機器學習

深度學習是下一代機器學習算法，它使用多個層逐步從原始輸入中提取更高級別的特征(或理解)。例如，在圖像識別應用中，深度學習算法不僅僅識別矩陣像素，而是識別某個級別的邊緣，另一個級別的鼻子，并且面向另一個級別。由于能夠從上層一直向上理解數據，深度學習算法可以隨著時間的推移改善其性能，并在任何給定的時刻做出決策。

深度學習算法的強大之處在于它能夠承擔監(jiān)督學習任務以及無監(jiān)督學習任務。它也近似于人類大腦的許多大腦發(fā)育理論。

深度學習算法現(xiàn)在被計算機視覺系統(tǒng)，語音識別系統(tǒng)，自然語言處理系統(tǒng)，音頻識別系統(tǒng)，生物信息學系統(tǒng)和醫(yī)學圖像分析系統(tǒng)使用。

進一步了解深度學習算法的基礎知識：

• 卷積神經網絡
• 人工神經網絡
• 前饋神經網絡
• 多元線性回歸
• 梯度下降
• Logistic回歸

現(xiàn)實生活中的應用

在現(xiàn)實生活中，問題很少是簡單的。 AI最適合解決某些問題。通常，AI最適合在解決問題時執(zhí)行某些步驟，而將其余部分留給人類。例如，AI啟用的聊天機器人可能能夠跟蹤員工的項目，獲得狀態(tài)的更新，但是，管理人員仍然需要構建團隊、激勵團隊并引導團隊朝著正確的方向前進。

適合AI解決的問題：

• 重復性任務 - 按照邏輯步驟得出結論的手動任務。 (例如：包裝貨物，準備在倉庫交貨)
• 數據密集型任務 - 涉及分析大量數據以查找模式和異常的任務。 (例如：從財務記錄中發(fā)現(xiàn)欺詐行為。)
• 超級人類任務 - 需要超人能力的任務，并說明人類感官技能和精細運動技能的局限性。 (例如：機器人外科醫(yī)生可以使用最精確的動作進行非侵入性手術。精細調整的計算機視力可以在人眼無法進行MRI檢查時發(fā)現(xiàn)腫瘤。)

隨著人工智能系統(tǒng)的發(fā)展，我們面臨的挑戰(zhàn)是面對人類自身的局限性。雖然人工智能為我們的生活帶來了更多的效率，但我們面臨著將人工智能融入我們生活所帶來的新問題。 只有更多的理解和更少的恐懼，我們才能授權自己在人工智能時代前進。