人工智能是一個廣泛的術語，涵蓋了許多技術，所有這些技術使計算機能夠顯示類似于我們人類的某種程度的智能。

通用AI

人工智能比較流行的用途是在許多不同任務上類似于超人的機器人。 他們可以戰斗，飛行，并可以就幾乎任何主題進行深入的對話。 電影中有很多機器人，有好有壞，例如Vision，Wall-E，Terminator，Ultron等。盡管這是AI研究的終極目標，但我們目前的技術離達到AI水平還很遙遠， 我們稱之為通用AI。

Narrow AI 窄人工智能

相反，我們今天擁有的AI是稱為Narrow AI的人工智能子集。

Narrow AI在部分任務中可以達到甚至超越現有人類的水平

舉個例子，幾年前，你可能在新聞上看到谷歌的人工智能程序DeepMind AlphaGO非常擅長圍棋，它打敗了當時的世界冠軍!然而，這個程序除了玩"圍棋"游戲外，什么也做不了。"它肯定不能玩像PUBG或Fortnite這樣的游戲了。它甚至不能告訴你當前時間是多少。

目前來說，我們接觸到的基本上都窄AI，而窄AI有兩種類型。讓我們一個一個來看。

• 符號人工智能(Symbolic AI)
• 數字人工智能(Numeric AI)，一般來說數字人工智能又被稱作機器學習ML

Symbolic AI 符號人工智能

符號人工智能也被稱為老式AI(GOFAI)，因為它已經存在了數十年。 程序員必須手動編寫控制符號AI系統的所有規則。 因此，很難建立正確的解決方案。 但是，它仍被用于某些人類需要了解為什么AI程序在給定情況下做出特定決定的用例。 例如，如果AI法官判某人入獄，則必須說明其決定的原因。

ML 機器學習

ML比Symbolic AI相對新，但功能要強大得多。 Google DeepMind的AlphaGO是一種ML系統。

在ML中，AI程序不是使用人工編寫所有規則的程序員，而是使用大量示例或數據為自己"學習"我們想要做的事情。

這類似于人類如何"學習"新信息。 當我們要教孩子狗的外觀時，我們不會告訴他/她，如果動物矮小，耳朵下垂，尾巴擺動的話，那就是狗。 取而代之的是，我們向孩子展示一些"狗"的圖片，隨著時間的流逝，孩子自然會明白什么是狗。 ML程序遵循相同的范例。

隨著智能手機和傳感器的出現，我們每天都會產生大量數據，以至于機器學習方法現在已經擁有了足夠的數據來接受訓練。 多年來，諸如多核CPU和GPU之類的電子芯片的成本也在下降。 創建的數據量的激增以及廉價硬件的可用性，是當前AI革命的重要原因。

今天，主要有三種類型的機器學習。

1.傳統機器學習

傳統的ML使用基于統計方法的算法來執行ML，其中最著名的算法有線性回歸、支持向量機、決策樹等。這些技術的大多數數學和統計數據都有幾十年的歷史了，而且已經很好理解了。直到過去十年，它們才被廣泛稱為ML或AI。

要學習這些算法背后的數學，一個很好的參考是《The Elements of Statistical Learning》一書。 Python sklearn和xgboost軟件包基本上可以包括上面所說的使用Python進行傳統ML所需要的全部。

2.深度學習(DL)

DL徹底改變了計算機視覺(CV)和自然語言處理(NLP)領域。

在深度神經網絡中，將多層人工神經網絡鏈接在一起，可以根據通用逼近定理近似任意數學函數。人工神經網絡的每一層都由一個線性操作和一個非線性操作組成。。

通過向算法提供有關我們要學習的任務的大量數據，可以"學習"線性運算的參數。 在內部，使用一種稱為"梯度下降"的學習算法來逐步調整參數，直到獲得最佳精度為止。

目前有兩個主要的用于開發深度學習應用程序的Python框架:Tensorflow和Pytorch

3.強化學習(RL)

在我看來，強化學習是三種ML中最復雜的一種。谷歌DeepMind AlphaGO程序打敗了世界上最好的"圍棋"選手就是一個RL的例子。

在傳統的ML和DL中，人工智能系統從過去的數據中學習，而在RL中，人工智能系統通過采取一些行動并衡量其回報來學習，類似于訓練我們的寵物狗狗學新技能。在像"AlphaGO"這樣的游戲中，獎勵是做出決定以最大化分數。

如何選擇?

最后，有了各種各樣的窄人工智能技術，你如何選擇技術來解決你的問題?

首先，從業務角度理解問題。然后，嘗試各種技巧，直到達到你的商業目標。使用企業可以使用的方法達到80%的準確率要比使用企業不能使用的方法達到99.9%的準確率要好!