人工智能是一個廣泛的術(shù)語，涵蓋了許多技術(shù)，所有這些技術(shù)使計算機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)上類似于超人的機器人。 他們可以戰(zhàn)斗，飛行，并可以就幾乎任何主題進行深入的對話。 電影中有很多機器人，有好有壞，例如Vision，Wall-E，Terminator，Ultron等。盡管這是AI研究的終極目標，但我們目前的技術(shù)離達到AI水平還很遙遠， 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)中可以達到甚至超越現(xiàn)有人類的水平

舉個例子，幾年前，你可能在新聞上看到谷歌的人工智能程序DeepMind AlphaGO非常擅長圍棋，它打敗了當時的世界冠軍！然而，這個程序除了玩“圍棋”游戲外，什么也做不了?！八隙ú荒芡嫦馪UBG或Fortnite這樣的游戲了。它甚至不能告訴你當前時間是多少。

目前來說，我們接觸到的基本上都窄AI，而窄AI有兩種類型。讓我們一個一個來看。

符號人工智能（Symbolic AI）

數(shù)字人工智能（Numeric AI），一般來說數(shù)字人工智能又被稱作機器學(xué)習(xí)ML

Symbolic AI 符號人工智能

符號人工智能也被稱為老式AI（GOFAI），因為它已經(jīng)存在了數(shù)十年。 程序員必須手動編寫控制符號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，則必須說明其決定的原因。

ML 機器學(xué)習(xí)

ML比Symbolic AI相對新，但功能要強大得多。 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。 當我們要教孩子狗的外觀時，我們不會告訴他/她，如果動物矮小，耳朵下垂，尾巴擺動的話，那就是狗。 取而代之的是，我們向孩子展示一些”狗“的圖片，隨著時間的流逝，孩子自然會明白什么是狗。 ML程序遵循相同的范例。

隨著智能手機和傳感器的出現(xiàn)，我們每天都會產(chǎn)生大量數(shù)據(jù)，以至于機器學(xué)習(xí)方法現(xiàn)在已經(jīng)擁有了足夠的數(shù)據(jù)來接受訓(xùn)練。 多年來，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)量的激增以及廉價硬件的可用性，是當前AI革命的重要原因。

今天，主要有三種類型的機器學(xué)習(xí)。

1.傳統(tǒng)機器學(xué)習(xí)

傳統(tǒng)的ML使用基于統(tǒng)計方法的算法來執(zhí)行ML，其中最著名的算法有線性回歸、支持向量機、決策樹等。這些技術(shù)的大多數(shù)數(shù)學(xué)和統(tǒng)計數(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)，一個很好的參考是《The Elements of Statistical Learning》一書。 Python sklearn和xgboost軟件包基本上可以包括上面所說的使用Python進行傳統(tǒng)ML所需要的全部。

2.深度學(xué)習(xí)（DL）

DL徹底改變了計算機視覺（CV）和自然語言處理（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)的每一層都由一個線性操作和一個非線性操作組成。。

通過向算法提供有關(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)算法來逐步調(diào)整參數(shù)，直到獲得最佳精度為止。

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

3.強化學(xué)習(xí)（RL）

在我看來，強化學(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RL的例子。

在傳統(tǒng)的ML和DL中，人工智能系統(tǒng)從過去的數(shù)據(jù)中學(xué)習(xí)，而在RL中，人工智能系統(tǒng)通過采取一些行動并衡量其回報來學(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，獎勵是做出決定以最大化分數(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)來解決你的問題？

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