主導當今科技商業格局的熱門關鍵詞無疑是人工智能。1955年，達特茅斯的數學教授約翰·麥卡錫首次提到這個詞，經歷了大半個世紀，漸漸被大眾所認知。

計算能力(得益於雲和分佈式計算)、可擴展性和內存體系結構的進步都有助於改善 AI 的前景。隨著成功案例的激增，眾多公司正奮力爭取加入這一潮流。

但在嘗試之前，公司需要了解什麼是人工智能。

以下是開始AI旅程時要牢記的一些基本術語。並非所有人工智能都是一樣的。一般來說，當我們說人工智能時，我們泛指這三種：狹義的人工智能、人工智能(AGI)和自我意識或奇點。

狹義人工智能

當今世界的大多數 AI 實現都是狹義的 AI。IBM的深藍就是一個很好的例子，1997年它擊敗了加里·卡斯帕羅夫後，引起了人工智能興趣的迅速增長。甚至更先進的谷歌AlphaGo，使用神經網絡（模仿我們大腦的工作方式），能很好地完成它的訓練任務。

俠義 AI 經常受到各種情況的挑戰，這些場景差異很大。例如無人駕駛汽車在繁忙的交通中行駛。但是，當給它一個定義狹窄的任務(例如，在國際象棋中獲勝)時，它展示了很強的能力。

狹義人工智能也需要人類。例如，一個聊天機器人，一個普遍存在的狹義人工智能案例，可以通過訓練來回答關鍵問題。但人類的行為是不可預測的、範圍廣泛的，所以它不能處理所有的問題，它們仍然需要人工干預、持續培訓、優化或監督。

狹義人工智能的巨大優勢也是具有可預測性。在類似的情況下，您可以信任人工智能決定每次完成任務的最佳方式，這與人的情緒、動機和精神狀態(如醉酒)可能影響決策不同。非常適合在服務熱線中處理客戶查詢；當你想讓一個人參與關於各種話題的隨意對話時，就不是很好了。

人工智能 (AGI)

AGI走得更遠，它最接近人類的想法。從本質上講，它允許機器應用智能來解決任何問題 -而不僅僅是一個特定的任務。

AGI仍然是實驗室實驗。當地一個受歡迎的例子是索菲亞，由漢森機器人公司創建，它試圖讓人類參與各種各樣的話題。智能城市開發商看到了 AGI 的巨大潛力。它對於危及生命的任務特別好，比如在戰場上替換人類部隊或消防員進入著火的建築物。

AGI 也在業務環境中邁出一小步。其中一個例子是使用面部識別技術來識別客戶的情緒。類似於人類認識到真正的微笑和諷刺的微笑之間的區別，該系統能夠相應地提供建議和建議。然而，AGI 也可以創造勞動力趨勢的轉變，因為他們可以永遠接管人工任務。智能工廠的進步，不僅組裝貨物，而且還使用先進的機器人自主操作，這些進步都是向敏捷化邁出的一步。

奇點

它是好萊塢的超級明星；並不是真實存在。奇點有時被表述為人工智能自我意識，有時稱為超級智能，既是當人工智能開始變得比人類更聰明的時候。

關於奇點的一個有趣的方面是，它能以不同的方式看待問題，而且因為它與數據流和其他AI思想相關聯，所以它可以高效且快速地運行。

奇點可以極大地影響人類，但不是像電影《終結者》、《我》、《機器人》和《2001:太空奧德賽》那樣預測的方式。最大的變化是，人類將不再是地球上唯一的智慧。這種情況產生了巨大的道德問題，如奴役和接受，並可能造成一些社會問題，在這些問題中，人類的某些部分甚至政府可能對一種思維方式的不同、可能失控的情報感到不舒服。

我們離實現奇點還有多遠？很難說，未來學家、谷歌工程總監雷·庫茲韋爾(RayKurzweil)表示，這種奇點將在2045年發生。但是，當它醒來時，它不會是一個災難性的事件。

揭開人工智能的秘密

將 AI 與自動化區分開來的一個關鍵功能是其學習能力。我們稱之為機器學習。1959 年，由 Arthur Samuel設計，機器學習是一種算法使用數據提高性能和預測的能力，而無需明確編程。

機器學習使 AI 能夠適應不同的環境，同時不斷改進自身。這就是為什麼自動駕駛汽車比自動駕駛汽車更善於應對各種交通狀況的原因。

為什麼機器學習很重要？原因有二：第一，人類理解的比我們所學的要多。它被稱為波拉尼的悖論。這就是為什麼一個小孩子能夠識別憤怒，識別一棵樹或理解綠色，而不必經過嚴格的學校。以前，自動化機器依賴於特定的人工編程和指令，這些編程和指令僅限於程序員可以通過代碼指定的內容。通過機器學習，AI 能夠理解比所教的更多知識，它可以更好地適應或應用相同的知識來解決其他相關問題。

其次，AI 是超級學習者，具有攝影記憶。它可以更快、更有效地完成關鍵的人工任務，這就是AI現在用於從醫學和法律到金融服務等不同領域提供幫助的原因。

AI 如何學習

AI有各種各樣的模型可供教授。但是，我們正在尋找一些更成熟和流行的類型:監督學習，無監督學習和深度學習。

監督學習

監督學習是最常見的模式。在這裡，一種算法嘗試使用數據將一組輸入映射到一組結果。例如，用於訓練交易機器人以預測未來市場數據的歷史數據。或者交通燈使用汽車位置和速度來管理交通流量。任何情況下，您擁有大量有關行為的數據，並且試圖預測結果， 這已經為監督學習做好了準備。

無監督學習

無監督學習與人類學習方式非常相似。 我們傾向於獲取知識而不需要擁有大量數據或為我們在生活中看到的所有對象提供特定的標記數據。 這就是為什麼一個小孩可以快速抓住狗是一種四足動物吠叫或草的顏色是綠色。

無監督學習使用未標記的數據開發算法，無需事先培訓。它可以執行比監督學習更復雜的過程，但結果也可能不可預測。當無監督的學習成熟時，可能性是無窮無盡的。然後，AI 可以幫助我們發現新的模式 - 非常適合識別威脅、財務機會、疾病或客戶行為。

深度學習

深度學習是機器學習的一個快速增長分支，經常是人們談論最多的分支。這也是不同的。基本的機器學習模型需要人工指導。當結果不準確時，程序員將通過微調算法來"干擾"

在深度學習中，算法確定其結果是否準確。他們仍然使用上述方法(即監督、強化等)進行學習。但是他們使用人工神經網絡(ANN)來學習和決定，這類似於我們的大腦神經元的連接方式。因此，ANN 有時也稱為連接系統。

因此，例如，監督學習和深度監督學習使用相同的方法從可用數據中學習。但後者學習時沒有人類干涉。

深入學習不容易。但是，當它這樣做，結果可能是驚人的。它允許谷歌的AlphaGo擊敗多個世界冠軍(順便說一句，AlphaGo也使用深度強化學習，從以前的AlphaGo版本學習)。

深度學習已經用於改善計算機視覺、語音識別、自然語言處理 (NLP)、機器翻譯、藥物設計等。

不，AI 並沒有消除人類

大眾對人工智能可能存在許多誤解，最大的問題是人工智能將根除人類的工作，事實並非如此。

狹義AI旨在增強或幫助人類- 而不是取代他們。有些工作可能會被取代，但許多職業會歡迎AI。想象一下，在醫療實踐中，AI 如何幫助外科醫生和醫生根據早期課程確定治療方法或改進外科手術；或者想象一個聊天機器人幫助你回答大部分問題，而不必等待人工的答案。在這種情況下，呼叫中心人員也受益於能夠專注於高級或複雜的問題。

不可避免的是，一些工作，如司機，私人助理等將被淘汰。但是新的就業機會也將被創造，特別是在管理AI的時候。因此，人類就業市場將發生轉變——就像自動化普及時一樣。