AI術語小抄[AI術語的簡單解釋]

人工智能(AI)領域由許多學科、技術和子領域組成。

有幾十個術語被用來描述人工智能技術，這些定義可能很複雜，令人困惑。

我們與營銷人工智能研究所的很大一部分重點是使人工智能更容易接近和可操作BETVlCTOR1946伟德。

為此，我們創建了這個人工智能術語備忘單，其中包括簡單易懂的核心人工智能術語定義。

我們鼓勵你跳過你感興趣的術語。但是，這些術語也有特定的順序，以幫助你在每一項知識的基礎上進行構建。

算法

算法是用來解決問題或執行操作的一係列步驟。

人類程序員編寫算法。然後，機器跟隨他們產生一個結果。

你所使用的幾乎每一個軟件都是由機器執行人類編寫的指令組成的。

這也包括人工智能。除了人工智能以不同的方式使用不同的算法來做典型軟件無法做到的事情。

人工智能(AI)

人工智能是一門讓機器變得智能的科學。

這個定義來自人工智能專家和DeepMind的首席執行官黛米斯。．

這就是我們所說的讓機器變得智能……

典型的軟件隻能按照給出的指令運行。

這對自動化很有幫助。即使是最基本的軟件也能讓我們的生活更輕鬆，為我們更好更快地做事。

但是典型的軟件是靜態的。它隻是一遍又一遍地做它被告知要做的事情。隻有當人類程序員升級它時，它才會變得更好。

總之，典型的軟件無法適應數據或環境中的實時或不斷變化的條件。

這使得它不適合快速變化的情況或市場。

人工智能則不同。它允許我們教機器變得更像人類。

我們賦予他們看、聽、說、動和寫的能力。我們甚至賦予他們理解和預測的能力。

在某些情況下，這些智能機器可以自我學習，更好地完成上麵列出的任務。

這賦予了人工智能典型軟件所不具備的能力。它可以實時響應、反應和建議，而無需人類明確地告訴它該做什麼。

這使得人工智能適用於廣泛的智能任務，而這些任務通常隻適用於人類。

如今，人工智能可以:

• 寫句子和段落。
• 理解人類語言，並作出連貫的回應。
• 驅動車輛。
• 識別人臉和物體。
• 導航道路、城市和倉庫。
• 預測你接下來想買什麼或看什麼。
• 預測不同的行動將如何影響業務。
• 為問題創造新的解決方案。

還有很多很多。

現在，“人工智能”並不是一種能完成所有這些智能任務的技術。

它實際上是一係列技術的總稱。

其中一些技術包括自然語言生成(NLG)、自然語言處理(NLP)、機器學習、深度學習和神經網絡。

機器學習

機器學習是人工智能的核心子集，使其最先進的功能成為可能。

機器學習人工智能技術如何自主學習並變得更聰明。

在機器學習中，人類訓練機器使用人類準備的數據來獲得結果。

利用它從人類那裏學到的東西，然後機器嚐試使用它從未見過的數據來獲得結果。

每次機器試圖實現某個結果時，它都會從結果中學習——即使結果是壞的。它將這些經驗應用到下一次嚐試中。

通過這種方式，機器使用機器學習在沒有人類直接參與的情況下快速提高任務。

在這個過程中，它可能會發現新的、創造性的或違反直覺的方法來實現人類從未想過要嚐試的結果。

這就是為什麼由機器學習實現的人工智能如此強大。一旦經過訓練，它可以很快超越人類，並找到我們無法看到的解決方案和模式。

舉個例子，Demis Hassabis(上麵提到過)教一個機器學習程序如何擊敗20世紀80年代的電子遊戲。

該係統“被編程為尋找獎勵分數，但沒有指示如何獲得獎勵，”據《紐約客》報道．

開始時，係統會隨機移動，有時得分，有時不得分。

然而，該程序的機器學習算法會評估它過去的動作，並確定哪些動作最有效，將這些信息應用到未來的遊戲中。

這樣，它就改進了。DeepMind的係統使用這種方法，從對給定的遊戲一無所知，到在幾個小時內掌握它。

模式識別

模式識別是指機器檢測數據中的模式。

這些模式可以幫助機器更好地優化結果，這使得模式識別成為機器學習的關鍵功能。

模式識別也是人工智能預測能力的動力。機器使用曆史數據中的模式來預測未來最有可能出現的結果。

自然語言生成(NLG)

自然語言生成是指人工智能書寫或說出聽起來像人類的語言。

自然語言生成從寫作工具到智能家居助手，再到聊天機器人，一切都可以使用。它使與機器對話成為可能。

自然語言處理(NLP)

自然語言處理是人工智能解釋人類語言的意思。

要進行NLG，機器必須首先使用自然語言處理來理解書麵或口頭語言。

例如，穀歌Translate使用NLP來理解您鍵入的文本，然後生成您選擇的任何語言的翻譯。

情緒分析

情感分析是指人工智能理解人類語言的語氣和情感。

情感分析將NLP又推進了一步。它不僅能理解語言，還能理解語言的語氣和情感。

情感分析使得機器能夠根據與之交談的人的情緒來調整NLG輸出。

圖像識別

圖像識別是指人工智能準確識別照片中的物體。

利用機器學習，人工智能係統可以高度準確地識別圖像中的物體。

人工智能係統接受了數百萬或數十億張圖像的訓練，以檢測某些物體。經過良好的訓練，它就能識別出以前從未見過的圖像中的物體。

今天使用的圖像識別的一個例子是放射學。人工智能能夠比人類更好、更快、更便宜地識別某些腫瘤。

麵部識別

人臉識別是人工智能在照片和視頻中準確識別人臉的技術。

當你在iPhone上使用麵部識別功能時，你就會用到麵部識別。人工智能能夠識別你的臉，然後使用這些信息來確認你的身份。

社交媒體平台還使用麵部識別來標記照片中的朋友，或將視頻濾鏡映射到你的麵部。

計算機視覺

計算機視覺是指人工智能準確識別視頻或實時視覺饋送中的物體。

計算機視覺將圖像和麵部識別更進一步。人工智能可以識別視頻中或外部世界中的移動物體。

事實上，自動駕駛汽車依靠計算機視覺來實現不撞車。它們用傳感器來“看”周圍的世界，然後用計算機視覺來繞過物體。

機器人

機器人和機器人不是人工智能，它們是由人工智能驅動的。

機器人技術結合了圖像識別、麵部識別和計算機視覺來為身體提供動力。(如果機器人會說話，它也可能使用NLG和NLP。)

機器人本身不是人工智能，但它嚴重依賴人工智能軟件來運作。

機器人可以使用這些核心人工智能功能來完成從走路、說話到在倉庫卸貨的所有事情。

深度學習

深度學習是機器學習的一個子集，它可以解鎖超人的人工智能性能。

機器學習使人工智能的高級功能成為可能，而深度學習則突破了人工智能的極限。

深度學習試圖模仿人類大腦的工作方式。它通過使用“神經網絡”來做到這一點，神經網絡是一組相互連接的人造神經元。

每一層的神經元都被“加權”，根據神經網絡的目標，優先考慮一些標準。

機器學習係統可以學習如何在它們從未見過的數據上改進它們接受過訓練的任務。

深度學習使這方麵更進一步。

最複雜、最先進的深度學習係統實際上可以學習做它們從未接受過訓練的事情。

這開啟了一種可能性，即我們將創造出能夠學習做許多不同事情的機器，其水平遠遠超過人類。

人工狹義智能(ANI)

所有的人工智能係統都是狹義人工智能，這意味著它們隻能執行狹義的任務。

他們可以以超人的水平完成這些狹義的任務。

例如，一個比人類更好更快地識別人臉的係統無法轉身學習如何開車。

無論人工智能多麼強大，它所能做的事情都是有限的。但這種情況可能會改變。

人工智能(AGI)

通用人工智能並不存在，但它描述了一種可以學習和理解任何智能任務的人工智能係統。

現在，AGI還不存在，也不可能存在。

但這是許多人在想到人工智能時首先想到的:一台超級智能計算機或機器人，可以做人類能做的任何事情。

這在今天是不可能的。一些專家對是否有可能建造它存在分歧。

但隨著深度學習等技術的進步，我們可能會逐漸接近通用智能機器。

AGI的潛在創造提出了關於技術的好處和危險的基本問題，以及它對人類意味著什麼。

值得慶幸的是，現在這些都不是我們必須回答的問題，因為AGI目前是科幻小說。