基本人工智能术语和概念的词汇表

人造智能不断扩大的领域是主流突破的悬崖。无论是AI增强型智能手机鞭打公众狂热还是无人驾驶的汽车首先到达，很显然，我们正式在AI时代。

Naysayers会指出AI不是新的; 研究人员在二十世纪五十年代就深入了解自主计算的思想。今天的开发人员也没有太大的差异，因为他们所做的是本质上是这个领域的专家们几十年来的工作。

改变的是我们现在可用的原始计算能力。五十年前，科学家们将需要内华达州的大小电脑来做我们今天可以做的筹码大小的便士。也许聪明的建筑可能已经到了一个购物中心的大小，但你得到了点。

就硬件而言，我们已经到达了机器人。

但这是什么意思？定义AI的性质以及Joe Public将要做什么很困难。影响整个世界的进步通常是复杂的，在每个人都明白发生了什么之前花费一些时间。

记得试图在90年代向人们解释互联网吗？有一段时间，不久以前，像“带宽”和“路由器”这样的词在你的普通人的词典中不常见。

在接下来的几年中，每个人都将要了解一些关于AI的基本条款，因为您将会看到它在不同的地方，因为在不久的将来，每个小工具都会有一些形式的人工智能。

 

人工智能

 

我们需要做的第一件事就是明白AI是什么。术语“人工智能”是指计算机工程的一个特定领域，专注于创建能够收集数据并做出决策和/或解决问题的系统。基本AI的一个例子是一台可以拍摄1000张猫的照片进行输入的电脑，确定什么使它们相似，然后在互联网上找到猫的照片。计算机尽可能地学到了猫的照片的样子，并使用这种新的智慧来寻找类似的东西。

 

自主性

 

简单地说，自主性意味着AI构造不需要人们的帮助。无人驾驶汽车在不同程度上说明了“自主”一词。四级自主性代表一种不需要方向盘或踏板的车辆：它不需要人体内部的全能操作。如果我们有一辆可以没有驱动程序的车辆，也不需要连接到任何电网，服务器，GPS或其他外部来源，以便运行它将达到五级自主权。

除了这种情况之外，任何事情都将被称为感性，尽管最近在AI领域已经有了飞跃，但奇点（代表一个自我意识的AI的事件）在这一点上纯粹是理论的。

 

算法

 

AI的最重要的部分是算法。这些是数学公式和/或编程命令，通知常规非智能计算机如何解决人工智能问题。算法是教计算机如何自己计算出来的规则。它可能是一个数字和命令的书呆子构造，但是什么算法缺乏性吸引力，而不是弥补有用性。

 

机器学习

 

AI的肉和土豆是机器学习 - 实际上通常可以将人工智能和机器学习术语替换为彼此。但是，它们不一样，但是相互联系。

机器学习是AI使用算法执行人工智能功能的过程。这是通过应用规则通过AI创建结果的结果。

 

黑盒子

 

当应用规则时，AI会做很多复杂的数学。这个数学经常甚至不能被人类所理解（有时候，这并不值得我们把它全部搞清楚），但系统输出有用的信息。当这种情况发生时，它被称为黑匣子学习。真正的工作发生在这样的一种方式，我们不太在乎计算机如何达成它所做出的决定，因为我们知道它在那里使用什么规则。黑盒子学习是我们如何在道德上跳过“显示我们的工作”，就像我们在高中代数中一样。

神经网络

 

当我们想要一个人工智能，在我们创造一个神经网络的东西更好。这些网络被设计为非常类似于人类神经系统和大脑。它使用学习阶段使AI能够通过将其分解为数据级别来解决复杂问题。网络的第一级只能担心图像文件中的几个像素，并检查其他文件中的相似之处。一旦初始阶段完成，神经网络将其发现传递到下一个层次，这将尝试了解更多的像素，也许一些元数据。这个过程在神经网络的每一个层次上继续进行。

 

深入学习

 

深入学习当神经网络上班时会发生什么。由于层数据处理数据，AI获得了基本的了解。你可能正在教你的AI来了解猫，但是一旦知道AI可以将这些知识应用到不同的任务中。深层次的学习意味着，AI开始学习“为什么”而不是理解什么。

 

自然语言处理

 

它需要一个先进的神经网络来解析人类语言。当AI被训练来解释人类传播时，它被称为自然语言处理。这对于聊天机器人和翻译服务非常有用，但也像Alexa和Siri这样的AI助手在最前沿。

 

加强学习

 

人类与人类相比，我们可能会很舒服。我们几乎以同样的方式学习。教学机器的一种方法，就像一个人，就是使用强化学习。这涉及给AI一个没有用特定指标定义的目标，例如告诉它“提高效率”或“找到解决方案”。而不是找到一个具体答案，AI将运行场景并报告结果，然后由人评估。AI接受反馈并调整下一个场景，以获得更好的效果。

 

有监督的学习

 

这是证明事情的非常严肃的事情。当您使用受监督的学习方法训练AI模型时，提前为机器提供正确的答案。基本上，AI知道答案，它知道这个问题。这是最常见的培训方法，因为它产生了最多的数据：它定义了问题和答案之间的模式。

如果你想知道为什么会发生什么事情，或者发生什么事情，AI可以使用监督的学习方法来查看数据并确定连接。

 

无监督学习

 

在许多方面，AI研究中最奇怪的部分是意识到机器真正能够学习，并且它们在数据层和处理能力层上使用层。通过无监督的学习，我们不会给AI一个答案。而不是找到预定义的模式，“为什么人们选择一个品牌超过另一个品牌”，我们只需要一台机器一堆数据，以便它可以找到任何能够实现的模式。

 

转学习

 

机器可以学习的另一个幽灵方式是通过转移学习。一旦AI成功地学习了一些东西，就像如何确定图像是否是一个猫，它可以继续建立在它的知识上，即使你不要求它学习任何关于猫的东西。您可以使用一个可以确定图像是否是一种具有90％准确度的猫的AI，假设是在花了一周的训练后识别出鞋子，然后可以重新开始对猫的工作，并提高精度。

 

图灵测试

 

如果您是大多数AI专家，您对未来谨慎乐观，并且对我们的安全性有所保留，因为我们更接近于与人无法区分的机器人。

艾伦·图灵分享了你的疑虑。虽然他在1954年去世，但他的遗产生活在两个方面。他主要是因为打破纳粹守则而帮助盟国赢得了第二次世界大战。他也是现代计算的父亲，也是图灵测试的创始人。

虽然测试最初被认为是一种确定人类是否可以被谈话愚弄的方法，仅在文本显示中，人与人工智能之间，它已经成为任何可以愚弄一个人相信的人工智能的手他们正在看到或与一个真正的人交往。

AI研究领域不是科幻小说，虽然它是令人兴奋和前卫的。我们正处于如此巨大的文明变迁的边缘，根据像牛津大学教授尼克·博斯托罗姆这样的专家，它代表了我们作为一个物种的轨迹的根本性变化。