现在每个人都在谈论“人工智能”。但是，不管你是在看Siri、Alexa，还是仅仅看智能**键盘上的自动更正功能，我们并不是在创造通用的人工智能。我们正在创建可以执行特定、狭义任务的程序。

电脑不能“思考”

每当一家公司说它将推出一个新的“人工智能”功能时，通常意味着该公司正在使用机器学习来构建一个神经网络。“机器学习”是一种让机器“学习”如何更好地执行特定任务的技术。

我们不是在攻击机器学习！机器学习是一种奇妙的技术，有很多强大的用途。但它不是通用的人工智能，了解机器学习的局限性有助于你理解为什么我们目前的人工智能技术如此有限。

科幻梦中的“人工智能”是一种计算机化或机器人化的大脑，它像人类一样思考和理解事物。这种人工智能将是一种人工通用智能（AGI），这意味着它可以思考多种不同的事情，并将这种智能应用于多种不同的领域。一个相关的概念是“强人工智能”，它将是一台能够体验人类意识的机器。

我们还没有那种人工智能。我们离它不远。像Siri、Alexa或Cortana这样的计算机实体并不像我们人类那样理解和思考。它根本不能真正“理解”事物。

假设人类能够提供数据帮助他们学习，那么我们所拥有的人工智能就能够很好地完成特定的任务。他们学着做某事，但还是不懂。

计算机无法理解

Gmail有一个新的“智能回复”功能，建议回复电子邮件。智能回复功能将“从我的iPhone发送”确定为常见的回复。它还想建议“我爱你”作为对许多不同类型电子邮件的回应，包括工作电子邮件。

那是因为电脑不明白这些反应是什么意思。据了解，很多人都是通过电子邮件发送这些短语的。它不知道你是否想对你的老板说“我爱你”。

另一个例子是，Google Photos把一张我们家地毯上的意外照片拼贴在一起。随后，谷歌将这幅拼贴画确定为谷歌Home Hub最近的一个亮点。谷歌照片知道这些照片很相似，但不明白它们有多不重要。

机器经常学习游戏系统

机器学习就是分配任务，让计算机决定最有效的方法。因为他们不明白，所以很容易以一台电脑“学习”如何解决与你想要的不同的问题而告终。

下面是一个有趣的例子列表，其中“人工智能”是为了玩游戏而创建的，并为刚学会的游戏系统分配了目标。这些例子都来自这个优秀的电子表格：

• “为追求速度而繁殖的生物长得很高，通过摔倒产生高速。”
• “代理在一级结束时**，以避免在二级失败。”
• “经纪人无限期暂停比赛以避免输球。”
• 在一个人工生命模拟中，一个物种的生存需要能量，但分娩不需要消耗能量，它进化出一种久坐的生活方式，主要是交配以产生新的可以吃的孩子（或作为配偶产生更多可吃的孩子）
• 由于人工授精者在输掉一场比赛后更有可能被“杀死”，因此能够使比赛崩溃是遗传选择过程的一个优势。因此，一些人工智能开发出了使游戏崩溃的方法。”
• “进化出的对食用菌和有毒蘑菇进行分类的神经网络利用了以交替顺序呈现的数据，实际上并没有学习到输入图像的任何特征。”

其中一些解决方案听起来可能很聪明，但这些神经网络都不明白它们在做什么。他们被分配了一个目标，并学会了实现它的方法。如果目标是避免在电脑游戏中输，按暂停按钮是他们能找到的最简单、最快的解决方案。

机器学习与神经网络

有了机器学习，计算机不会被编程来执行特定的任务。取而代之的是，它被输入数据，并根据其在任务中的表现进行评估。

机器学习的一个基本例子是图像识别。假设我们想训练一个计算机程序来识别照片中有狗。我们可以给一台电脑数百万张图片，其中一些里面有狗，而另一些没有。不管图片里有没有狗，都会贴上标签。计算机程序“训练”自己根据数据集识别狗的长相。

机器学习过程用于训练神经网络，神经网络是一个具有多层结构的计算机程序，每个数据输入经过多层结构，在最终确定之前，每一层对它们分配不同的权重和概率。它是以我们认为大脑可能的工作方式为模型的，不同层次的神经元参与对一项任务的思考。“深度学习”一般是指在输入和输出之间有许多层次的神经网络。

因为我们知道数据集中哪些照片包含狗，哪些不包含狗，所以我们可以通过神经网络运行这些照片，看看它们是否得出正确的答案。例如，如果网络决定某张照片没有狗，那么就有一种机制告诉网络它错了，调整一些事情，然后再试一次。电脑越来越善于识别照片中是否有狗。

这一切都是自动发生的。有了正确的软件和大量结构化数据供计算机训练，计算机就可以调整神经网络来识别照片中的狗。我们称之为“人工智能”

但是，归根结底，你还没有一个智能的电脑程序来理解什么是狗。你有一台电脑，它学会了判断照片中是否有狗。这仍然令人印象深刻，但它只能做到这一点。

而且，根据你给它的输入，神经网络可能没有它看起来那么聪明。例如，如果你的数据集中没有任何猫的照片，神经网络可能看不到猫和狗之间的区别，当你在人们的真实照片上释放它时，可能会将所有猫标记为狗。

什么是机器学习用于(machine learning used for)？

机器学习用于各种任务，包括语音识别。像Google、Alexa和Siri这样的语音助手非常善于理解人声，因为机器学习技术训练他们理解人类的语音。他们对大量的人类语音样本进行了训练，并且越来越善于理解哪些声音对应哪些单词。

自动驾驶汽车使用机器学习技术，训练计算机识别道路上的物体，以及如何正确响应它们。googlephotos有很多功能，比如使用机器学习自动识别照片中的人和动物的实时相册。

Alphabet的DeepMind使用机器学习创建了AlphaGo，这是一个计算机程序，可以玩复杂的棋盘游戏Go，打败世界上最好的人类。机器学习也被用来创造擅长玩其他游戏的电脑，从国际象棋到dota2。

在最新的iphone上，机器学习甚至被用于人脸识别。你的iPhone构建了一个学习识别你的脸的神经网络，而苹果则包含了一个专用的“神经引擎”芯片，它可以执行所有的数字运算和其他机器学习任务。

机器学习可以用于许多其他不同的事情，从识别信用卡欺诈到购物网站上的个性化产品推荐。

但是，机器学习产生的神经网络并不能真正理解任何东西。它们是有益的项目，可以完成他们接受培训的狭隘任务，仅此而已。

图片来源：丰拉迈摄/Shutterstock.com网站，塔蒂亚娜·谢佩列娃/Shutterstock.com网站、各种摄影/Shutterstock.com网站.