人工智能是一個(gè)廣泛的術(shù)語(yǔ)，涵蓋了許多技術(shù)，所有這些技術(shù)使計(jì)算機(jī)能夠顯示類似于我們?nèi)祟惖哪撤N程度的智能。

通用AI

人工智能比較流行的用途是在許多不同任務(wù)上類似于超人的機(jī)器人。 他們可以戰(zhàn)斗，飛行，并可以就幾乎任何主題進(jìn)行深入的對(duì)話。 電影中有很多機(jī)器人，有好有壞，例如Vision，Wall-E，Terminator，Ultron等。盡管這是AI研究的終極目標(biāo)，但我們目前的技術(shù)離達(dá)到AI水平還很遙遠(yuǎn)， 我們稱之為通用AI。

Narrow AI 窄人工智能

相反，我們今天擁有的AI是稱為Narrow AI的人工智能子集。

Narrow AI在部分任務(wù)中可以達(dá)到甚至超越現(xiàn)有人類的水平

舉個(gè)例子，幾年前，你可能在新聞上看到谷歌的人工智能程序DeepMind AlphaGO非常擅長(zhǎng)圍棋，它打敗了當(dāng)時(shí)的世界冠軍!然而，這個(gè)程序除了玩"圍棋"游戲外，什么也做不了。"它肯定不能玩像PUBG或Fortnite這樣的游戲了。它甚至不能告訴你當(dāng)前時(shí)間是多少。

目前來(lái)說(shuō)，我們接觸到的基本上都窄AI，而窄AI有兩種類型。讓我們一個(gè)一個(gè)來(lái)看。

• 符號(hào)人工智能(Symbolic AI)
• 數(shù)字人工智能(Numeric AI)，一般來(lái)說(shuō)數(shù)字人工智能又被稱作機(jī)器學(xué)習(xí)ML

Symbolic AI 符號(hào)人工智能

符號(hào)人工智能也被稱為老式AI(GOFAI)，因?yàn)樗呀?jīng)存在了數(shù)十年。 程序員必須手動(dòng)編寫(xiě)控制符號(hào)AI系統(tǒng)的所有規(guī)則。 因此，很難建立正確的解決方案。 但是，它仍被用于某些人類需要了解為什么AI程序在給定情況下做出特定決定的用例。 例如，如果AI法官判某人入獄，則必須說(shuō)明其決定的原因。

ML 機(jī)器學(xué)習(xí)

ML比Symbolic AI相對(duì)新，但功能要強(qiáng)大得多。 Google DeepMind的AlphaGO是一種ML系統(tǒng)。

在ML中，AI程序不是使用人工編寫(xiě)所有規(guī)則的程序員，而是使用大量示例或數(shù)據(jù)為自己"學(xué)習(xí)"我們想要做的事情。

這類似于人類如何"學(xué)習(xí)"新信息。 當(dāng)我們要教孩子狗的外觀時(shí)，我們不會(huì)告訴他/她，如果動(dòng)物矮小，耳朵下垂，尾巴擺動(dòng)的話，那就是狗。 取而代之的是，我們向孩子展示一些"狗"的圖片，隨著時(shí)間的流逝，孩子自然會(huì)明白什么是狗。 ML程序遵循相同的范例。

隨著智能手機(jī)和傳感器的出現(xiàn)，我們每天都會(huì)產(chǎn)生大量數(shù)據(jù)，以至于機(jī)器學(xué)習(xí)方法現(xiàn)在已經(jīng)擁有了足夠的數(shù)據(jù)來(lái)接受訓(xùn)練。 多年來(lái)，諸如多核CPU和GPU之類的電子芯片的成本也在下降。 創(chuàng)建的數(shù)據(jù)量的激增以及廉價(jià)硬件的可用性，是當(dāng)前AI革命的重要原因。

今天，主要有三種類型的機(jī)器學(xué)習(xí)。

1.傳統(tǒng)機(jī)器學(xué)習(xí)

傳統(tǒng)的ML使用基于統(tǒng)計(jì)方法的算法來(lái)執(zhí)行ML，其中最著名的算法有線性回歸、支持向量機(jī)、決策樹(shù)等。這些技術(shù)的大多數(shù)數(shù)學(xué)和統(tǒng)計(jì)數(shù)據(jù)都有幾十年的歷史了，而且已經(jīng)很好理解了。直到過(guò)去十年，它們才被廣泛稱為ML或AI。

要學(xué)習(xí)這些算法背后的數(shù)學(xué)，一個(gè)很好的參考是《The Elements of Statistical Learning》一書(shū)。 Python sklearn和xgboost軟件包基本上可以包括上面所說(shuō)的使用Python進(jìn)行傳統(tǒng)ML所需要的全部。

2.深度學(xué)習(xí)(DL)

DL徹底改變了計(jì)算機(jī)視覺(jué)(CV)和自然語(yǔ)言處理(NLP)領(lǐng)域。

在深度神經(jīng)網(wǎng)絡(luò)中，將多層人工神經(jīng)網(wǎng)絡(luò)鏈接在一起，可以根據(jù)通用逼近定理近似任意數(shù)學(xué)函數(shù)。人工神經(jīng)網(wǎng)絡(luò)的每一層都由一個(gè)線性操作和一個(gè)非線性操作組成。。

通過(guò)向算法提供有關(guān)我們要學(xué)習(xí)的任務(wù)的大量數(shù)據(jù)，可以"學(xué)習(xí)"線性運(yùn)算的參數(shù)。 在內(nèi)部，使用一種稱為"梯度下降"的學(xué)習(xí)算法來(lái)逐步調(diào)整參數(shù)，直到獲得最佳精度為止。

目前有兩個(gè)主要的用于開(kāi)發(fā)深度學(xué)習(xí)應(yīng)用程序的Python框架:Tensorflow和Pytorch

3.強(qiáng)化學(xué)習(xí)(RL)

在我看來(lái)，強(qiáng)化學(xué)習(xí)是三種ML中最復(fù)雜的一種。谷歌DeepMind AlphaGO程序打敗了世界上最好的"圍棋"選手就是一個(gè)RL的例子。

在傳統(tǒng)的ML和DL中，人工智能系統(tǒng)從過(guò)去的數(shù)據(jù)中學(xué)習(xí)，而在RL中，人工智能系統(tǒng)通過(guò)采取一些行動(dòng)并衡量其回報(bào)來(lái)學(xué)習(xí)，類似于訓(xùn)練我們的寵物狗狗學(xué)新技能。在像"AlphaGO"這樣的游戲中，獎(jiǎng)勵(lì)是做出決定以最大化分?jǐn)?shù)。

如何選擇?

最后，有了各種各樣的窄人工智能技術(shù)，你如何選擇技術(shù)來(lái)解決你的問(wèn)題?

首先，從業(yè)務(wù)角度理解問(wèn)題。然后，嘗試各種技巧，直到達(dá)到你的商業(yè)目標(biāo)。使用企業(yè)可以使用的方法達(dá)到80%的準(zhǔn)確率要比使用企業(yè)不能使用的方法達(dá)到99.9%的準(zhǔn)確率要好!