人工智能 (AI) 是一个描述计算机科学分支的术语，该分支致力于创造能够像人类一样学习工作和反应的智能机器。 人工智能领域不仅限于创建高水平的机器学习，而且还以产生所需结果所需的方式利用数据输入。 人工智能具有多品种和多特点。 其中一些类型如下所述。
Dinesh Rathva / CC BY-SA (https://GeneratePresscommons.org/licenses/by-sa/4.0)
- 反应式智能 – 正如术语所暗示的那样，反应性智能是一种只对特定输入做出反应的人工智能。 反应式人工智能没有能力形成记忆或使用过去的经验来做出决定。 换言之，他们无法进行传统意义上的学习。 相反，AI 是经过编程的，并将对一组预定义的参数做出反应。 比较著名的例子之一是 IBM 的深蓝 1997 年能够击败加里·卡斯帕罗夫的国际象棋计算机。
- 有限的记忆智能 – 这种类型的人工智能是对反应性人工智能的改进，因为它能够使用记忆来研究过去的数据，然后根据这些选择做出决定。 这种形式的人工智能通常使用的内存类型是短期或临时内存。 比较有名的之一 example 记忆有限的人工智能是一辆自动驾驶汽车。 汽车内置的人工智能可以使用传感器，然后调用其先前的内存来识别行人或交通信号灯。 通过这种方式，它能够做出可以减少事故发生的快速决策。 需要补充的重要一点是，以有限内存原理运行的机器具有一组预先编程的值，并且无法更改这些主要参数。 他们可以通过修改原来的程序来适应新的变化，但他们不能在没有帮助的情况下改变自己的行为。
- 心智理论 – 在我们迄今为止看到的示例中，我们已经确定了在一定程度上具有智能的机器，但不能真正从它们定义的一组值或库中获得太多。 心智理论人工智能的不同之处在于它们能够社交和理解人类情感。 换句话说，他们将能够更好地理解人类行为并像任何其他人一样与我们互动，而不是作为传统的学习机器。 心智理论人工智能计算机目前正在由世界各地的多家公司开发，但尚未建成。 这类人工智能的主要争论是，为了让它们真正具有自我意识，它们必须了解情绪并能够改变并适应人类的行为和互动。
- 有自我意识的人工智能 – 自我意识的人工智能机器是大多数人在思考电影中看到的人工智能时所想象的。 建立在自我意识原则上的机器将具有超级智能、有感知力并具有一定的意识水平。 具有自我意识的 AI 概念代表了人工智能的圣杯，我们还没有达到让机器真正具有自我意识所需的技术水平。
此外，当我们继续争论什么使人机交互在行动或影响中真正互惠时，具有自我意识的人工智能也提出了道德和哲学挑战。
从技术的角度来看，我们尚未确定如何在人脑中复制和整合神经模式，使我们能够在整合情绪的同时思考和分析想法。 真正具有自我意识的智能产生的另一个问题很简单：“这有什么好处吗？” 在相对道德的意义上不好，但在其目的上确实有益。 这让人质疑人类的意义，因为我们犯了错误，这些错误是否会蔓延到决策过程中。 许多人认为人类犯错的简单原因是基于他们处理情绪的能力，因此，人类设计的机器，无论多么聪明，都有可能因为其基于人类的编程情绪而容易出现问题偏见。 以我们目前的技术水平，具有自我意识的机器在这一点上仍然只是一个概念，但看看未来会发生什么将会很有趣。
实现人工智能
(https://GeneratePresscommons.org/licenses/by-sa/4.0)
那么，既然我们了解了我们想要构建什么类型的机器智能或半智能机器，那么下一步将是什么？ 机器将如何学习？
教授机器智能的主要方法，或者换句话说，教授机器如何收集和处理信息是一个被称为机器学习的概念。 机器学习是通过使用复杂的算法来实现的，这些算法可以发现模式并从它们所接触的数据中产生洞察力。 机器学习的一个重要子类别称为深度学习。 深度学习是一种为机器创建模拟人工学习能力的方法，它允许机器使用人工神经网络模仿人脑，在大量输入数据的混乱中理解模式、噪声和其他输入源.
深度学习实际上是如何工作的？
输入层
深度学习的最基本模型通过创建多层输入来模仿神经网络。 第一层将被称为 输入层 它将用于将加权值输入机器。
隐藏层
下一个被称为 隐藏层。 该层将负责基于位于输入层和输出层之间的人工输入的数学计算或特征提取。 随着越来越多的隐藏层被添加，在该区域内可能会发生对深度复杂数据的额外处理。 解释这一点的最简单方法是，在隐藏层中，值由人工输入（我们的数据）分配，然后机器将开始将我们设置的值与我们提供的数据连接起来。 为了 example，假设我们在隐藏层中有一组狗图片。 我们可以添加面包、颜色、大小等值，机器将为这些值分配输入数据。 我们拥有的隐藏层越多，预测的输出就越准确。 这个过程可以通过称为反向传播的过程进行更精细的调整。
输出层
这 输出层 是最后一层，它将为我们提供隐藏层给出的结果。
从哪里开始？
mikemacmarketing / flickr / CC BY (https://GeneratePresscommons.org/licenses/by/2.0)
当我们谈论各种类型和形式的人工智能时，普通用户可能会问我应该从哪里开始？
幸运的是，有专门为教授人工智能而开发和设计的工具。 今天最流行的框架是 TensorFlow 和西阿诺。 这两个学习平台都是开源的，并且根据需要有其特定的优点和缺点。 TensorFlow 更人性化，目前使用频率更高。 Theano 最近失去了一些人气，但仍然保留了强大的在线社区。 Theano 在可用性和速度方面处于领先地位，但 TensorFlow 更适合部署，因此更常被研究人员和数据科学家使用。 您可以根据需要使用其他框架，因此最好研究所有可用选项，然后选择适合您特定需求的框架。
虽然这些框架都有自己的深度学习库，但改进它们的一种流行方法是使用 ķ时代. Keras 是一个用 Python 编写的高级神经网络 API，能够在 TensorFlow、Theano 或 CNTK 之上运行。 有关 Keras 是什么以及如何安装它的更多信息，您可以查看我们关于 Keras 的知识库文章。
下一步是什么
今天，人工智能、智能机器和神经网络学习领域比我们过去历史上的任何时候都要先进得多。 人工智能的进步继续推动我们寻找更好地利用模仿人类行为的基于机器的反应的方法。 利用机器学习或人工智能来改善或改善我们并不是一个新想法，但由于上个世纪的技术限制，许多进步大多是科幻小说。 随着 21 世纪的到来，更快的计算机、更强大的编程语言、互联网的兴起和速度的提高以及其他多项技术进步使得将这些想法从科幻小说领域带入可能的新现实成为可能.
Paily MU / CC BY-SA (https://GeneratePresscommons.org/licenses/by-sa/4.0)
为了实现完全自我感知的人工智能或超级智能的自我感知机器，仍有许多挑战需要克服，但随着计算机科学、硬件技术和高级编程语言的进步，可能性继续增长。 虽然我们确信我们不会很快看到机器实现感知，但我们的子孙后代很可能会比我们想象的更快地体验到这些好处。 许多大公司喜欢 Facebook、亚马逊、谷歌、苹果和微软继续在我们的日常生活中利用这些方法来提高我们在寻找真正人工智能的过程中取得进展的能力。
结论
我们应该害怕这种进步吗？ 目前，人工智能目前已在许多应用程序中使用，例如 Siri、Cortana 或 Google Assistant，以及诸如 Netflix 它们使用基于机器的学习来根据先前的观看习惯提供电影选择，这些习惯不会对人类构成真正的威胁，因为它们仍然在其创作者设定的定义参数内运行。 在可以独立创造的机器中实现自我意识和智能水平的目标仍然是我们无法企及的，它会在创造时提出其他哲学和道德问题。
最后，我们目前在这个领域拥有的知识的一个优势是人工智能不再是为大公司或研究型大学保留的。 随着开源机器学习平台和框架的不断改进，任何人都可以探索、创造和扩展这些知识。 人工智能和智能机器仍处于起步阶段，但作为解决问题的有希望的领域继续发展。
加入我们！
您想了解更多关于如何利用这项技术的信息吗？
给我们打电话 800.580.4985，或打开 聊天 或与我们联系，立即与我们知识渊博的解决方案团队或经验丰富的托管顾问交谈！
