什麼是人工智能?

人工智能是如何定義的?根據研討會的核心思想，我們可以很容易地推斷出AI領域假設智能可以機械化，從而由計算機係統模擬。因此，人工智能領域的目標是建造智能(至少)與人類思維相當的思考機器。人工智能與人腦實際功能的匹配程度被稱為生物似是而非。但請注意，生物學上的合理性更多的是人工智能研究的指南，而不是嚴格的要求。簡而言之，人工智能的目的是將智能機械化。這是我們的口頭禪，我們用來思考人工智能的目的的神聖詞彙。

AI是一個概念，這個概念是通過技術(例如，深度機器學習)來執行某些任務(例如，圖像識別)。

換句話說，人工智能可以被理解為這些技術背後的科學，這些技術被用來執行某些任務。不要將技術(例如，深度機器學習)與人工智能的概念混淆。它們之間有細微但重要的區別。還有，不要再想人工智能機器人．機器人是一個容器人工智能。人工智能本身內部機器人。AI是大腦，機器人是它的身體(蒂姆的城市)．這就是你需要知道的。

值得注意的是，我們故意將“人類”一詞從“智能”一詞中排除，因為盡管人類的思維是我們所知道的最先進的思維係統，但人類的智能，尤其是一般的AI(定義如下)，並不需要有任何相似之處。例如，戰鬥機與鳥並不相似。兩者都有翅膀，都能飛，但戰鬥機對你的威脅是鳥類所沒有的，所以這不是一個有用的比較。

根據人工智能研究人員羅伯特英裏(諾丁漢大學)，計算機係統可能比我們想象的更不同(例如，自私)，因為所有可能的智能空間都太大了。想象一下，你有生物進化所能產生的所有智能的空間，在這個空間裏，你有實際存在的智能的空間(小得多，但仍然很大)，在這個空間裏，你有人類的智能，等等。人類智能的空間是所有可能的智能空間中極小的點上極小的點上極小的點。因此，所有可能的智能的空間是巨大的，所有可能的行為係統的空間也是巨大的。這意味著人工智能不一定要像人類那樣思考，也不一定要像人類那樣行事。因此，人工智能可能與人類智能完全不同。

底線。人工智能研究不僅僅是探索人類智能;它探索了所有可能的智能的整個空間。

我們如何定義智力?事實是，人工智能很難定義，因為智能本身就很難定義。所以，讓我們來解決這個問題，因為僅僅使用“智力”這個術語而沒有任何進一步的解釋是沒有幫助的。我們(至少)應該試著去定義它。問題是我們根本不知道智力的一個正式定義。這個真相可能會讓你痛一會兒，但請記住，謊言會讓你痛一輩子。

根據一項研究紙(2007年6月)，人工智能研究本身在這個問題上存在分歧。在這篇論文中，收集了來自不同學科(如心理學、計算機科學)的大約70個非正式的智力定義。關於智力的定義幾乎和專家們被要求定義智力的數量一樣多。羅伯特·斯特恩伯格)．然而，本文作者也得出結論，在許多情況下，不同的定義(適當的解釋)實際上說的是同一件事，但用的是不同的詞。這就是為什麼作者把所有收集到的定義的關鍵屬性放在一起，並認為智能衡量的是一個代理人在廣泛的環境中實現目標的能力。學習和適應能力或理解能力等特征在這個定義中是隱含的，因為這些能力使智能體能夠在廣泛的環境中成功。

底線。智力仍然沒有標準的定義，而且可能很快就沒有了。這仍然是一個很大的爭論，因為它的核心是一個定義問題。

廣義上講，AI領域分為兩類:狹義AI和通用AI。

目前被貼上AI標簽的大多是狹義AI(或弱AI，專業AI)。狹義人工智能專注於執行一項任務(例如下棋)或在一個領域工作(例如玩棋盤遊戲)，並變得越來越擅長。因此，狹義的AI可以理解為能夠將智能應用於特定問題的計算機係統。

一般AI(或真AI，強AI)可以理解為能夠將智能應用於任何問題的計算機係統。這是人工智能研究的聖杯，真正的新黑。盡管幾十年來一直有人說人工智能指日可待，但我們很可能還需要一段時間才能真正麵對通用人工智能。根據黛米斯。(首席執行官,DeepMind),轉移學習(機器學習的一個子領域)可能是通用人工智能的關鍵。遷移學習是指將從解決一個領域的一個問題(例如下棋)中獲得的知識轉移到另一個完全不相關的領域(例如天氣預報)，以解決該領域中基於前一個領域獲得的知識的問題。

弗朗索瓦Chollet(AI研究員，穀歌)的結論是，你不能通過擴大今天的技術(例如，深度機器學習)來實現一般的AI。傑弗裏•辛頓被認為是人工智能教父的多倫多大學(University of Toronto)表示，我們需要拋棄當前所有的技術，重新開始實現通用人工智能。

羅傑·彭羅斯通過探索意義、理解和計算之間的差異，從更廣闊的角度看待一般人工智能。基於數學計算的本質，他證明了計算機係統不能理解，也永遠無法理解。他證明了理解不是源於數學(和計算)規則。根據各種各樣的例子(下麵概述)，Penrose得出結論，理解並不是由計算規則封裝的。因此，理解不是規則驅動的，不是算法驅動的，也不是機器決定的。不用擔心;我們不會深入探討這些哲學上的考慮。讓我們隻看一個例子來理清思路。

羅傑·彭羅斯(Roger Penrose)問計算機係統如何才能處理無窮大的概念。想想這句話:“兩個奇數相加;然後你總是得到一個偶數。”這是一個關於無限數量事物的陳述，你不需要太費勁就能意識到這對所有數字都成立-這是無限數量的數字。請注意，這句話是用數學證明的。這是一個數學真理。現在，想象你把這個陳述(兩個奇數相加得到偶數)放在計算機係統上。

接下來的問題是，“計算機係統能證明這個數學真理嗎?”為了證明這個說法，我們需要一組規則(公理)．這些規則會給你一個證明。因此，如果您想使用這些規則，您需要相信每個規則都是正確的，並且您想使用的規則集是一致的。一致性(粗略地說)意味著你不能從這些規則中推導出無意義的(矛盾的)內容(例如，2等於3)。

在數學中，這些規則非常簡單。例如，想象一下自然數x和y皮亞諾公理)說:“當x等於y時，則y等於x。”這很簡單，所以我們相信這個規則是正確的。這是什麼意思?奧地利數學家庫爾特·哥德爾(粗略地說)表明，如果你有一組規則，你可以在這組規則中構造一個陳述(例如，兩個奇數相加總是得到一個偶數)，它具有奇怪的性質，即它是真的(一方麵)，但在這組規則中沒有證明該陳述的證據(無論這組規則有多大)。

這就是所謂的哥德爾定理．這些定理對我們在數學中可能知道的東西施加了嚴格的限製。簡單地說，這意味著數學真理不能(總是)被簡化為機械規則。這(反過來)意味著數學真理不能(總是)被計算機係統檢查。因此，真理和證明之間存在著差距，因為並不是所有正確的數學命題都可以被證明。出於這個原因，彭羅斯(以及其他許多人)得出結論，理解不是規則驅動的。他聲稱，我們大腦中的活動並不是由規則驅動的。這不是算法，所以不是機器決定的。令人震驚的。

還不相信嗎?然後看這個解釋通過馬庫斯·杜·索托伊．

從這一切中，我們可以清楚地看到，狹義AI是人類迄今為止所實現的唯一形式的AI。我們已經建立了非常複雜的狹隘的人工智能，它們在非常具體的任務上比人類表現得更好，比如下棋、下圍棋、提出購買建議、進行銷售預測、進行天氣預報、識別圖像和大量數據中的模式，以及駕駛汽車。然而，我們還沒有建立一個通用的人工智能，它可以(至少)像人類(一般人類級別的人工智能)一樣做所有這些事情，甚至更好(一般人工智能)超智)．從這個角度來看，通用人工智能(誇張地說)可以被理解為如何讓計算機係統做他們在電影中做的事情的科學。Astro出納員)．

所以，如果你生活在地球上，你可能已經體驗過某種人工智能。不幸的是，這隻是狹隘的AI(通常情況下，這隻是假AI)。

底線。AI有兩種，區別很重要。

我們如何在人工智能和非人工智能之間劃清界限?簡短的回答是:“看情況!”

• 觀察。
  人工智能很難定義，因為智能本身就很難定義。
• 問題。
  智力還沒有標準的定義紙)．
• 結論。
  世界上沒有統一的邊界;這取決於你如何定義智力。

最後，我們得出結論，AI仍然是一個不斷發展的術語，因為不同的社區對AI的定義不同，並且它的定義將隨著未來的發展而繼續變化。