许多人认为他们对AI有一些了解。但是这个领域很新，而且在飞速发展，专家们每天都在开拓新领域。

这就是本文的切入点。我希望通过简短易懂的语言，让有科技头脑的人群快速熟悉AI术语、语言和技术。同时希望许多非该领域的人群能够读懂本文，并作为参考。

介绍

人工智能(Artificial intelligence)，深度学习和神经网络是用来描述强大的机器学习技术的术语，这些技术可以解决许多现实世界的问题。

尽管演绎推理，推理和决策与人脑相比还有一段距离，但AI技术和相关算法已有许多最新进展。AI可以从中学习的大型数据集也越来越多。

AI领域涉及到数学、统计学、概率论、物理学、信号处理、机器学习、计算机科学、心理学、语言学和神经科学等领域。围绕AI的社会责任和道德问题与许多哲学问题有相似之处。

进一步推进AI技术的动机是，解决许多变量问题所需的解决方案非常复杂，难以理解且不容易手动完成。

越来越多的公司、研究人员和个人都依靠机器学习来解决问题，而不需要全面的编程指导。程序员发现编写模型和解决数据问题所需的算法越来越复杂和耗时。即使当我们形成有用的模式来处理大数据集时，这往往是非常复杂，难以维护并且不能充分测试。

现代机器学习和人工智能算法，以及训练数据都能够为我们编程。

现代机器学习和人工智能算法进行编程

概述

智能(Intelligence)：能够感知信息，并将其作为知识应用于环境中的适应性行为。

以上维基百科对智能的定义可以适用于大脑和机器。智能并不意味着意识，这是科幻小说家普遍存在的误解。

在网上搜索 AI 的例子，你会看到IBM的Watson。这是一种机器学习算法，由于在2011年在电视问答节目《危险边缘》中获胜而出名。此后，它被重新定位，并被用作各种商业应用的模板。苹果，亚马逊和谷歌正努力在我们的家庭和手机中构建类似的系统。

自然语言处理和语音识别是机器学习的第一个商业应用。之后实现了许多其他自动识别任务(模式、文本、音频、图像、视频、面部等)。应用范围正在飞速增长，包括自动驾驶汽车、医疗诊断、游戏、搜索引擎、垃圾邮件过滤、打击犯罪、市场营销、机器人技术、遥感技术、计算机视觉、交通、音乐识别、分类等方面。

AI 已经深入到我们所使用的技术中，现在许多人并不将其视为”人工智能”，而只是计算的延伸。如果上街采访询问行人他们手机上是否有AI，他们可能会说不。但是AI算法已经嵌入了各个领域，从预测文本到相机中的自动对焦系统。人们通常认为AI时代尚未到来，但实际上我们已处于AI时代，而且已经有一段时间了。

AI 是一个相当普遍的术语。大多数研究的重点是人工神经网络和深度学习这类较狭窄的领域。

你的大脑如何工作

人脑是一个精密的碳计算机，估计每秒执行一百万兆次计算(1000 千万亿次)，消耗约20瓦的功率。中国的超级计算机天河二号(截止到本文是目前世界上最快的超级计算机)每秒只能计算33,860万亿次计算(33.86 千万亿次)，消耗1760万瓦(17.6兆瓦)。显然机器要像媲美人脑还有一段路要走。

大脑用于进行思维的确切机制需要辩论和深入研究。然而，内部运行原理往往围绕神经元和其构成的网络。大脑约包含1000亿个神经元。

人脑神经元

神经元之间的相互作用和沟通能够传递信息。在激活其他神经元之前，单个神经元的信号被进行加权和合并。消息传递、结合、激活其他神经元的过程是跨层重复的。在人脑的1000亿个神经元中，整体的信息加权是非常复杂的。

每个神经元在将功能或变化应用于加权输入前，会先测试是否达到在激活阈值。这些因素加起来可能是线性或非线性的。

初始输入信号来自各种来源……我们的感官、身体机能的内部监测(血氧水平，胃内容物等)。在决定如何反应之前，单个神经元可能会接收到数十万个输入信号。

思考或处理给肌肉的结果指令是输入信号和反馈在神经网络中经过多层和多个周期处理的总和。但大脑的神经网络也在发生变化和更新，包括神经元间权重的调整。这是由学习和经验造成的。

人类大脑的模型被用作模板在计算机仿真环境下复制大脑，即人工神经网络。

人工神经网络(ANNs)

人工神经网络是受到生物神经网络启发的模拟数学模型。人工神经网络能够对输入和输出之间的非线性关系进行建模和处理。人工神经元之间的权重通过学习算法进行调整，该算法能够读取观测数据，并以提高输出为目标。

使用优化技术让人工神经网络解决方案尽可能接近最佳解决方案。如果优化成功，人工神经网络能够以高性能解决特定问题。

人工神经网络建模时使用到神经元层。这些层的结构被称为模型的结构。神经元是独立的计算单元，能够接收输入并应用数学函数来确定消息是否能传递。

在简单的三层模型中，第一层是输入层，接下来是隐藏层和输出层。每层可以包含一个或多个神经元。

随着模型变得越来越复杂，需要更多的层和更多的神经元，解决问题的能力也随之增加。但是如果模型对于给出的问题来说太大了，那么模型不能被有效地优化。这被称为过拟合。

基本的模型结构和调整是人工神经网络技术的主要元素，同时还包括读取数据的学习算法。所有部分都具备模型的性能。

模型具有激活函数的特征。这用于将神经元的加权输入转换为输出激活。有一些转换可用作激活函数。

人工神经网络非常强大。即使少数神经元中的数学很简单，整个网络也会变得复杂。由于人工神经网络被认为是“黑盒”算法。选择人工神经网络作为解决问题的工具应该小心，因为之后无法取消系统的决策过程。

深度学习

深度学习是用来描述消耗原始数据的神经网络和相关算法的术语。数据通过模型层进行处理，目标是计算输出。

无监督学习是深度学习技术卓越之处。正确配置的人工神经网络能够自动识别输入数据的重要特征，从而得出期望的输出。传统意义上，理解输入数据的重任通常落在构建系统的程序员身上。然而，在深度学习设置中，模型本身可以识别如何解释数据，从而获得有意义的结果。一旦优化的系统进行训练，模型的计算、内存和功耗要求就会大大降低。

简而言之，特征学习算法让机器使用合适的数据学习特定任务，即算法学习如何学习。

深度学习应用于各种各样的任务，这被认为是创新的 AI 技术之一。其中有用于监督、无监督和半监督学习问题的算法。

阴影学习用于描述更简单的深度学习形式，其中数据的特征选择需要程序员进行预先处理和更深入的知识。由此产生的模型更加透明和性能更高，但会增加设计阶段的时间。

结语

AI 是强大的数据处理领域，能够比程序员开发的传统算法更快地得出复杂的结果。人工神经网络和深度学习技术可以解决多种难题。缺点是创建的优化模型不能被取消。这可能会导致道德问题，因为数据透明是很重要的。