人工智能

我认为一般人们在思考Artificial Intelligence（AI）时，会想到Artificial General Intelligence（AGI），或者说非生物实体能够在人类层面上成功执行各种各样的任务（或更好）熟练程度。这与人工智能可以执行特定任务的狭窄人工智能形成鲜明对比。我们已经在日常生活中使用了狭窄的人工智能，例如我们的个人电话或家庭助理，自动驾驶汽车或AlphaGo。然而，我们并没有任何AGI的例子，并且对于何时可能发生这种情况尚未达成共识，但人工智能研究的神圣目标正在朝着人类AGI水平的发展，而超智能AI的可能性不会，远远落后。

机器学习

机器学习是机器接受训练以开发执行任务的算法的领域。传统编程面临着这个领域的飞速发展，人们组装算法和编程机器来计算它们。在机器学习中，人类提供训练数据（导致某些结果的输入）和程序机器，以确定某些输入如何导致某些结果。这是一个强大的范例，因为它可以让人们免于需要知道如何自己获得结果，他们只需要为机器提供足够的训练数据，以确定某些输入组合如何导致结果。例如，如果手头的任务是钓鱼，传统的编程将教会一台机器如何使用钓鱼竿 - 如何抓住钓竿，如何释放钓竿，如何钓鱼。机器学习将为机器提供一个视频库，显示人们成功或未能抓到鱼，将它留给机器去浏览每个视频，并确定/学习如何抓鱼。也许某些铸造技术比其他铸造技术更好，或者天气起着重要作用，机器可能会采用人类甚至不认为考虑的模式。

深度学习

深度学习是机器学习的一个子集，其中机器的学习风格松散地基于生物大脑的神经布线。也就是说，机器被编程为通过人工神经网络复制大脑的学习方式。我将在随后的文章中进一步讨论这个问题，但这些神经网络将会有许多层“神经元”，这些神经元探索许多可能的输入路径，最终形成一组结果。令人着迷的是，分析这些神经网络非常困难，因为它们本质上是一组计算输入数据模式的权重。以人工神经网络（ANN）可以识别猫是否在照片中。对于人类，我们通过我们认为猫的特征（尖耳朵，毛茸茸的身体，胡须）来识别猫。人工神经网络可能会注意到，某些像素组与某些其他像素组相关，暗示着猫在那里，但对于人来说，这看起来像是一堆数学和数据。据我们所知，人工神经网络可能会提供一种更精确的方法来识别没有人想过的猫，一些微妙的模式可以使简单的特征识别（它有一个cheezburger？）过时。