关于人工智能这篇文章最易懂：原理、技术和未来
Facebook 官方博客更新，FAIR 主管、深度学习代表人物 Yann LeCun 与同事撰文，深入浅出解释什么是人工智能、人工智能如何影响我们的生活，以及在充满人工智能的未来我们将如何学习、工作和生活。Facebook 还推出了系列教学视频，帮你更好地了解人工智能。
星期二早上8：00。你已经醒了，扫了一眼手机上的标题，回复了一个在线帖子，为你妈妈订购了一件假日毛衣，锁上屋子开车上班，路上听一些好听的曲子。
在这个过程中，你已使用了人工智能(AI)十几次——被闹铃唤醒、得到当地天气报告、购买礼物、锁上你的房子、得知提醒即将到来的交通堵塞，甚至识别一首不熟悉的歌曲。
AI已经遍布我们的世界，它在日常生活中产生了巨大的变化。但这不是你在科幻电影中看到的AI，也没有神经紧绷的科学家猛击键盘，试图阻止机器摧毁世界。
您的智能手机、房子、银行和汽车已经每天都在使用AI。有时很明显，就像当你让Siri把你导向最近的加油站的，或者 Facebook 建议你提醒某个好友你在网上发布了一张图片。有时候则几乎看不出来，就像当你使用你的 Amazon Echo 用你的信用卡买一件平时不怎么购买的东西(比如一件花哨的假日毛衣)，并且没有从银行得到欺诈短信提醒。
AI将通过推动自动驾驶汽车的发展、改善医学图像分析、促进更好的医疗诊断和个性化医疗，从而带来社会的重大转变。AI 也将是支撑未来许多最具创新应用和服务的基本架构。但对许多人来说，AI 仍然很神秘。
为了帮助你解开这些谜题，Facebook 正在创建一系列教育在线视频，概述AI如何工作。我们希望这些简单扼要的介绍将帮助大家了解复杂的计算机科学领域是如何工作的。
不是魔法，只是代码
首先，有一些重要的事要知道：AI是一门严谨的科学，专注于设计智能系统和智能机器，其中使用的算法技术在某些程度上借鉴了我们对大脑的了解。许多现代 AI系统使用人工神经网络和计算机代码，模拟非常简单的、通过互相连接的单元组成的网络，有点像大脑中的神经元。这些网络可以通过修改单元之间的连接来学习经验，有点像人类和动物的大脑通过修改神经元之间的连接进行学习。现代神经网络可以学习识别模式、翻译语言、学习简单的逻辑推理，甚至创建图像并且形成新的想法。其中，模式识别是一项特别重要的功能——AI十分擅于识别大量数据中的模式，而这对于人类来说则没有那么容易。
所有这些都通过一组编码程序以惊人的速度发生，运行这些程序的神经网络具有数百万单位和数十亿的连接。智能就源于这些大量简单元素之间的交互。
人工智能不是魔术，但我们已经看到它如何像魔法一样大幅推进科学研究，并在照片中识别物体、识别语音、驾驶汽车或将在线文章翻译成几十种语言的日常奇迹中扮演重要的角色。
在 Facebook 人工智能研究(FAIR)实验室，我们正在努力使学习机器更好地工作。其中很大一部分是所谓的深度学习。使用深度学习，我们可以帮助AI学习世界的抽象表征。深度学习可以帮助改善语音和物体识别等问题，并且有助于推进物理学、工程学、生物学和医学等领域的研究。
深度学习系统中一个特别有用的架构被称为卷积神经网络或 ConvNet。 ConvNet 是连接神经网络中单元的一种特定方式，受其他动物和人类视觉皮层体系结构的启发构建而来。现代 ConNet可以利用从7~100层的单元。在公园里，我们人类看到大牧羊犬和奇瓦瓦，尽管它们的体型和体重都不同，但我们却知道它们都是狗。对于计算机而言，图像只是一串数组。在这串数组内，局部图案，例如物体的边缘，在第一层中能够被轻易检测出来。神经网络的下一层将检测这些简单图案的组合所形成简单形状，比如汽车的轮子或人脸的眼睛。再下一层将检测这些形状组合所构成的物体的某些部分，例如人脸、腿部或飞机的机翼。神经网络的最后一层将检测刚才那些部分的组合：一辆汽车、一架飞机、一个人、一只狗等等。神经网络的深度——具有多少层——使网络能够以这种分层次的方式识别复杂模式。
一旦经过了大量样本数据库的训练，ConvNet 对于识别图像、视频、语音、音乐甚至文本等自然信号特别有用。为了很好地训练网络，我们需要提供给这些网络被人标记的大量图像数据。ConvNet会学习将每个图像与其相应的标签相互关联起来。有趣的是，ConvNet 还能将以前从未见过的图像及其相应的标签配对。由此我么就得到了一个系统，可以梳理各种各样的图像，并且识别照片中的元素。这些网络在语音识别和文本识别中也非常有用，在自动驾驶汽车和最新一代医学图像分析系统中也是关键组成部分。
什么是可以学习的
AI也解决了我们人类所面临的核心问题之一：什么是智能(intelligence)?哲学家和科学家一直在努力解决这个问题，而答案却一直难以捉摸、飘忽不定，哪怕这个中心是我们能称之为人的根本属性。
同时，AI也提出了大量的哲学和理论问题：什么是可以学习的?数学定理告诉我们，单个能学习的机器不能有效地学会所有可能的任务，我们也由此得知什么是不可能学到的，不管你投入多少资源。
这样，AI机器就像我们人类一样。在很多方面，我们人并不比会学习的机器优秀。人类大脑高度特化，尽管具有明显的适应性。当前的AI系统仍然远不具有人类拥有的看似一般的智能。
在AI中，我们通常考虑三种类型的学习：
强化学习 这是关于代理应该如何行动以获得最大化奖励的问题，它受行为心理学理论的启发。在特定情况下，机器挑选一个动作或一系列动作并获得奖励。强化学习通常用于教机器玩游戏和赢得比赛，比如国际象棋、西洋双陆棋、围棋或简单的视频游戏。强化学习存在的问题是，单纯地强化学习需要海量的试错才能学会简单的任务。
监督学习 基本上，监督学习就是我们告诉机器特定输入的正确答案：这是一幅汽车的图像，正确答案是“汽车”。它之所以被称为监督学习，是因为算法从带标签数据学习的过程类似于向年幼的孩子展示图画书。成年人知道正确的答案，孩子根据前面的例子做出预测。这也是训练神经网络和其他机器学习体系结构最常用的技术。举个例子：给出你城市中大量房屋的描述及其价格，尝试预测你自己家房子的售价。
无监督学习 人类和大多数其他动物学习，是在其生命的前几个小时、几天、几个月和几年，以没有人监督的方式学习：我们通过观察和得知我们行动的结果了解世界如何运作。没有人告诉我们所看到的每一个对象的名称和功能。我们学会非常基本的概念，比如世界是三维的，物体不会自行消失，没有支撑的物体会往下落。当前我们还不知道如何在机器身上实现这一点，至少无法达到人类和其他动物的水平。缺乏用于无监督或预测学习的AI技术，是限制当前AI发展的原因之一。
这都是 AI 是经常使用的方法，但是对于任何计算设备而言，都有很多从根本上无法解决的问题。这就是为什么即使我们修建出了拥有超越人类智慧的机器，这些机器仍然能力有限。这些机器可能在下国际象棋时打败我们，但却不知道在淋雨时躲进屋里。
未来的工作
随着AI、机器学习和智能机器人变得越来越普遍，在这些机器人将在制造、培训、销售、维修和车队管理方面担任新的岗位。人工智能和机器人将能够实现今天难以想象的新服务。但很显然，医疗保健和交通运输将是AI第一批颠覆的行业。
年轻人只要调整职业目标，就能够享受 AI 提供的大量的机会。那么，我们如何为尚不存在的工作做好准备呢?
如果你是学生：
数学和物理是学习人工智能、机器学习、数据科学以及许多未来工作的基本方法的地方。选修所有你能够选修的数学课程，包括Calc I，Calc II，Calc III，线性代数，概率论和统计学。计算机科学也是必不可少的，你需要学习如何编程。工程学、经济学和神经科学也会有所帮助。你也可以考虑一些与哲学相关的领域，例如认识论——这门学习研究什么是知识、什么是科学理论，什么是学习。
选修这些课程的目标不是简单记忆。作为学生，你必须学会如何将数据转化为知识。这包括基本的统计学，还包括如何收集和分析数据，注意可能出现的偏差，并小心因为这些偏差在处理数据时出现的误差。
请教你学校的教授，他或她可以帮助你，使你的想法变得更加具体。如果他们的时间有限，你也可以请教高年级的博士生或博士后。
读博士。不用管学校的“排名”，在那些从事你感兴趣的研究中，找一位信誉良好的教授，或选择一位写了你喜欢或敬佩的论文的人。申请这些教授所在的学校的一些博士课程，并在申请信中提到你愿意与这些教授合作，但同时也愿意与其他人合作。
参与研究你感兴趣的与AI相关的问题。开始阅读关于这个问题的文献，并尝试用不同于以前的思路去解决它。在你毕业之前，尝试写一篇研究论文，或者发布一个开源代码。
申请侧重产业为的实习机会，获得关于AI在实践中的工作经验。
如果你已经就业，但想要转向从事与AI有关的工作：
在网上有大量关于深度学习的资料，包括讲座、在线教材、教程和机器学习相关课程。你可以报名 Udacity 或 Coursera 课程，阅读Yoshua Bengio、Geoff Hinton 和我合著的 Nature 论文，还有刚刚出版的《深度学习》这本书，作者是 Goodfellow， Bengio and Courville，以及我最近在巴黎法兰西学院的讲座(有英语版本)。
当然，你也可以考虑重新回到学习，那么就参考我上面说的内容。
展望未来
越来越多的人类智力活动将与智能机器一起进行。我们的智慧是我们成为人的根本，AI则是这种属性的延伸。