當一個應用程式聲稱是由“人工智慧”驅動的時候，感覺就像你在未來一樣。那到底是什麼意思？我們來看看像人工智慧、機器學習和神經網路這樣的流行語到底意味著什麼，它們是否真的有助於改進你的應用程式。

就在最近，谷歌和微軟都在他們的翻譯應用程式中加入了神經網路學習。谷歌表示，它正在使用機器學習來推薦播放列表。Todoist說它是用人工智慧來建議你什麼時候應該完成一項任務。Any.do聲稱它的人工智慧機器人可以為你完成一些任務。這都是上週的事。有些是為了讓新功能聽起來給人留下深刻印象而做的營銷花招，但有時這些改變是合理有用的。”人工智慧、“機器學習”和“神經網路”都描述了計算機執行更高階任務和從環境中學習的方法。雖然你可能會聽到應用程式開發人員可以互換使用它們，但它們在實踐中可能非常不同。

神經網路透過模擬人腦來分析複雜的資料

人工神經網路（ANNs或簡稱“neural networks”）是指一種特定型別的學習模型，它模擬大腦中突觸的工作方式。傳統計算使用一系列邏輯語句來執行任務。另一方面，神經網路使用節點（類似神經元）和邊緣（類似突觸）組成的網路來處理資料。然後輸入透過系統執行，並生成一系列輸出。

然後將該輸出與已知資料進行比較。例如，假設您想訓練計算機識別狗的圖片。你會在網路上執行數百萬張狗的圖片，看看它認為哪些圖片像狗。然後，人類會確認哪些影象實際上是狗。然後，系統透過神經網路支援這些路徑，從而得到正確的答案。隨著時間的推移和數百萬次的迭代，網路最終將提高其結果的準確性。

要瞭解這是如何運作的，你可以試試谷歌的快速，畫！在這裡做實驗。在這種情況下，谷歌正在訓練一個識別塗鴉的網路。它把你畫的塗鴉和其他人畫的例子相比較。該網路被告知塗鴉是什麼，然後根據過去塗鴉的樣子訓練識別未來的塗鴉。即使你的繪畫技巧很差（像我一樣），網路也很擅長識別基本形狀，比如潛艇、室內植物和鴨子。

神經網路並不是解決所有問題的正確方法，但它們擅長處理複雜的資料。谷歌和微軟使用神經網路來驅動他們的翻譯應用程式是正當的令人興奮，因為翻譯語言是困難的。我們都見過錯誤的翻譯，但是神經網路學習可以讓系統從正確的翻譯中學習，隨著時間的推移變得更好。我們已經看到類似的事情發生在語音轉錄。在googlevoice中引入神經網路學習後，轉錄錯誤減少了49%。你可能不會馬上註意到它，它也不會是完美的，但這種型別的學習確實能讓複雜的資料分析變得更好，從而在你的應用程式中產生更自然的特性。

機器學習教計算機在實踐中改進

機器學習是一個寬泛的術語，它包含了任何你教機器獨立完成某項任務的方法。更具體地說，它指的是任何一種系統，在這種系統中，一臺機器完成一項任務的效能僅僅是透過更多的執行該任務的經驗而變得更好。神經網路是機器學習的一個例子，但它們並不是機器學習的唯一方式。

例如，機器學習的另一種方法叫做強化學習。在這種方法中，計算機執行一項任務，然後根據結果進行評分。上面來自Android權威的影片以一個象棋遊戲為例。電腦下一盤完整的國際象棋，然後它不是贏就是輸。如果它贏了，那麼它會給它在遊戲中使用的一系列動作分配一個贏的值。在玩了數百萬個遊戲之後，系統可以根據這些遊戲的結果來確定哪些動作最有可能獲勝。

雖然神經網路在影象的模式識別方面很好，但其他型別的機器學習可能更適用於不同的任務，比如確定你喜歡哪種音樂。也就是說，谷歌表示，它的音樂應用程式會在你想要的時候為你找到你想要的音樂。它會根據你過去的行為為你選擇播放列表。如果你忽略了它的建議，那（大概）會被貼上失敗的標簽。但是，如果您選擇其中一個建議，則它用於給出該建議的過程將被標記為成功，因此它將加強導致該建議的過程。

在這樣的情況下，如果不經常使用機器學習功能，您可能無法獲得機器學習的全部好處。當你第一次開啟谷歌的音樂應用程式時，你的推薦可能會非常雜亂無章。你用得越多，建議就越好。不管怎樣，理論上來說。機器學習不是萬能的，所以你仍然可以得到垃圾推薦。不過，如果你每半年只打開一次音樂應用程式，肯定會收到垃圾推薦。如果不經常使用它來幫助它學習，機器學習建議就不會比常規的“聰明”建議好多少。作為一個時髦詞，“機器學習”比神經網路更模糊，但它仍然意味著你正在使用的軟體將使用你的反饋來提高它的效能。

人工智慧意味著任何“聰明”的東西

就像神經網路是機器學習的一種形式一樣，機器學習也是人工智慧的一種形式。然而，對於“人工智慧”這一範疇的定義非常模糊，幾乎毫無意義。雖然它讓人聯想到未來科幻的精神形象，但實際上，我們已經達到了以前被認為是未來人工智慧領域的里程碑。例如，光學字元識別曾經被認為對一臺機器來說太複雜了，但現在你**上的應用程式可以掃描文件並將其轉換成文字。用人工智慧來描述這樣一個現在的基本任務，會讓它聽起來更令人印象深刻。

基本的電話任務之所以可以被認為是人工智慧，是因為實際上有兩種截然不同的人工智慧。弱人工智慧或狹義人工智慧描述了為一個或一組狹義任務設計的任何系統。例如，googleassistant和Siri雖然功能強大，但設計用於執行非常有限的任務。也就是說，獲取一系列特定的語音命令並返回答案或啟動應用程式。對人工智慧的研究增強了這些功能，但仍被認為是“薄弱環節”

相比之下，強人工智慧（又稱人工通用智慧或“全人工智慧”）是一種可以執行人類能夠執行的任何任務的系統。它也不存在。如果你希望你的待辦事項列表應用程式能由艾倫·圖迪克（alantudyk）配音的可愛機器人驅動，那就太遙遠了。事實上，你實際使用的任何人工智慧都被認為是弱人工智慧，因此應用程式描述中的“人工智慧”一詞實際上只是意味著“這是一個智慧應用程式”。你可能會得到一些很酷的建議，但別指望它能與人類的智慧匹敵。

雖然語義可能很模糊，但人工智慧領域的實際研究非常有用，你可能已經把它融入了你的日常生活。每次你的**自動記住你停在哪裡，識別你照片中的面孔，獲取搜尋建議，或者自動將你所有的度假照片分組在一起，你都直接或間接地從人工智慧研究中受益。在某種程度上，“人工智慧”實際上只是意味著應用程式變得更智慧，這是你所期望的。然而，機器學習和神經網路特別適合於改進某些型別的任務。如果一個應用程式只是說它在使用“人工智慧”，那麼它就沒有任何型別的機器學習那麼有意義。

同樣值得指出的是，神經網路和機器學習並非都是平等的。說應用程式使用機器學習做得更好，有點像說相機更好，因為它是“數碼的”。是的，數碼相機可以做一些膠卷相機做不到的事情，但這並不意味著每一張數碼照片都比每一張膠卷照片好。關鍵在於你如何使用它。一些公司將能夠開發出強大的神經網路來做一些非常複雜的事情，讓你的生活更美好。其他人會在已經提供了“聰明”建議的功能上貼上機器學習標簽，你同樣會忽略它。

從幕後來看，機器學習和神經網路是非常令人興奮的。然而，如果你正在閱讀使用這些短語的應用程式描述，你可以把它讀作“這個功能可能稍微聰明一點”，然後繼續做你一直做的事情：根據應用程式對你的用處來判斷它們。

山姆·伍利的插圖。