更多深度文章，请关注：https://yq.aliyun.com/cloud
我们首先应该给出一个人工智能的整体定义。问题是，这样一个独特的、清晰的定义不存在于AI研究者的社区！ （最重要的是，了解和定义智能本身仍然是一个持续的努力。）
事实上，有几种方法来考虑什么是AI。 第一个也是最常见的是看看人工智能研究的热门结果：粗略地说，“创造和研究机器的行为表现为智能”或“创造和研究机器思考”。
定义AI的第二种方式是通过查看它的组件或子问题，它的目的是解决。你最常听到的是：
我们不能抵制添加一种更加文化或志同的方式来定义人工智能，由Astro Teller（现为X的首席执行官，Alphabet的“moonshot工厂”）在1998年建议：“AI是科学如何让机器去做他们的电影的东西。”
事实上，这个定义并不远离人工智能（或强AI或全AI）和人工超智能的概念，其中的例子在科幻小说的作品中很多。他们指定的通才系统将分别达到或超过人类的能力——也就是说，将结合我们刚刚列出的所有组件。
如今AI评论员中最受欢迎的娱乐之一就是试图猜测Skynet什么时候将接管。 如果你注意到关于通用人工智能和人工超智能的预测之间有很大的差异，这是完全正常的——真的很难说，这样的预测是否低于还是过高估计，这样的水平的机器智能是否甚至可以实现。
自从20世纪50年代人工智能开始以来，已经采用了两种方法：
在第一种方法中，你编程规则，通过步骤树解决问题——人工智能的先驱，许多逻辑学家，喜欢这种方法。 它在20世纪80年代达到高潮，随着专家系统的兴起，旨在封装从狭窄领域的专家获取的知识库和决策引擎，以帮助有机化学家识别未知分子。
问题是，使用这样的系统，你必须从头开始开发一个新的模式——手写，特定的规则本质上非常困难或完全不可能从一个问题推广到下一个，从语音识别到医疗诊断。
在第二种方法中，你编写一个通用模型，但它是计算机使用你提供的数据调整模型的参数。 这是最近最流行的方法。
它的一些模型真的接近统计方法，但最有名的是受神经科学的启发：他们被称为人工神经网络（或ANNs）。 这样的ANN具有一个共同的通用方法：
如果你听说过当前的深度学习的狂潮，那是因为这种类型的ANN由大量的图层组成，因此“深”。它在诸如识别图像中的对象的任务中产生了显着的结果。
此外，你可能会遇到以下3种方法之一来对机器学习模型进行分类：
监督学习：为模型提供标签数据。例如，一个常规的猫图像附带一个明确的“猫”标签。 无监督学习：为模型提供无标签数据，并让它自己识别模式。 由于数据通常没有标签，需要考虑智能手机中积累的所有照片，标签过程需要时间，无监督学习方法更难/欠发达，看起来比受监管的学习更有前途。 强化学习：在你的模型的每次迭代结束时，你只需给它一个“等级”。 让我们以DeepMind为例，训练一个模型来玩老阿塔里游戏：等级是游戏显示的分数，模型逐渐学会最大化。 强化学习方法可能是三个中最不发达的，但DeepMind算法的最近的成就已经揭示了这一努力的新的希望。
所以，当你将人工智能研究所解决的问题、各种各样的“思想流派”、这些流派的分支机构、各种目标和灵感来源结合起来时，你就会明白为什么对组织进行分类的尝试总是有缺陷的。看看这个，你看到问题了吗？
将“机器学习”和“语音”置于同一水平是不准确的，因为你可以使用机器学习模型来解决语音问题——它们不是并行分支，而是不同的方式来分类AI。
因此，人工智能领域的困难和吸引人在于，它肯定不是一个有序的树——而是一个灌木丛。 一个分枝比另一个分枝生长得快，并且处于显要地位，然后是另一个转弯，等等。一些分支已经交叉，其他分支没有，一些分支已经被切割，并且新的分支将出现。
因此我们的建议是：永远不要忘记大局，否则你会迷路的！
作者介绍：Tom Morisse，FABERNOVEL的研究经理，所在地区：法国 巴黎地区，所属行业：风险投资和私募股权。曾经就职于CIGALES、Bridgepoint等公司。
以上为译文
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
文章原标题《AI for Dummies》，作者：Tom Morisse，译者：tiamo_zn，审校：主题曲(身行)。
文章为简译，更为详细的内容，请查看原文
相关资源：敏捷开发V1.0.pptx