那些想要转行AI的人：送你一份人工智能入门指南

人工智能是什么？人工智能为何重要？我们应该畏惧人工智能吗？为什么突然之间所有人都在谈论人工智能？

你可能会从网上知道人工智能如何为亚马逊和Google的虚拟助理提供支持，或者人工智能如何一步步地取代所有的工作（有争议的），但是这些文章极少很好的解释人工智能是什么（或者机器人是否将要接班）。本文将对人工智能做出解释，这份简明指南将随着领域的发展和重要的概念出现进行更新和改进。

人工智能是什么？

今天距离人工智能还有多远？

人工智能研究人员仍在努力解决这个问题的基础。 我们如何教电脑来识别他们在图像和视频中看到的内容？ 之后，识别如何进入理解 - 不仅产生“苹果”这个词，而且知道苹果是一种与桔子和梨相关的食物，人类可以吃苹果，可以用苹果做饭，并用它们来制作苹果馅饼，并且联系到约翰尼·苹果派的故事，诸如此类。 还有一个理解语言的问题——词根据语境有多重含义，定义总是在演变，每个人的说法都有一点点差别。 电脑如何理解这种不固定的，千变万化的语言构造？

人工智能为什么重要？

就像Gottlieb Daimler和Carl Benz没有考虑到汽车将如何重新定义城市的建造方式，或者污染或肥胖的影响，我们还没有看到这种新型劳动力的长期影响。

AI为什么现在这么火爆，而不是30（或者60）年前？

数十年来，计算机科学界的许多人认为，这个想法永远不会解决更复杂的问题，而现如今它是主要科技公司的实现人工智能的基础，从谷歌、亚马逊到Facebook，再到微软。回顾过去，研究人员现在意识到，计算机还没有复杂到足以模拟我们大脑中的数十亿神经元，而且我们需要大量的数据来训练这些神经网络，正如我们了解的那样。

我们应该恐惧人工智能吗？

看过终结者这样的电影后，人们很容易就会害怕像天网这样的全能的邪恶的AI。在人工智能研究领域，天网被称为一般的超级智能，或者人工通用智能，这类软件在各个方面都要比人脑更强大。

功能性AI术语表：

计算机视觉：人工智能研究探索图像和视频识别和理解的领域。这个领域从了解苹果的外观，到苹果的功能用途，以及与之相关的理念。它是被用作自动驾驶汽车、谷歌图像搜索以及Facebook上自动贴标签的主要技术。

深度学习：一个神经网络被分层来理解数据中的复杂模式和关系的领域。当一个神经网络的输出成为另一个神经网络的输入时，有效地将它们叠加起来，由此产生的神经网络就是“深度”了。

机器学习：机器学习(ML)常常与术语人工智能结合在一起，是使用算法从数据中学习的惯例。

模型：模型是一种机器学习算法，它可以建立自己对某一主题的理解，或者它自己的世界模型。

自然语言处理：用于理解语言中思想的意图和关系的软件。

卷积神经网络：一个主要用来识别和理解图像、视频和音频数据的神经网络，因为它能够处理密集的数据，比如数百万像素的图像或数千个音频文件样本。

递归神经网络：一种用于自然语言处理的神经网络，它可以周期性地、连续地分析数据，这意味着它可以处理像单词或句子这样的数据，同时在句子中保持它们的顺序和上下文。

无监督学习：机器学习算法的一种，没有给出任何关于它应该如何对数据进行分类的信息，并且必须找到它们之间的关系的算法。像Facebook LeCun这样的人工智能研究人员将无人监督的学习视为人工智能研究的圣杯，因为它与人类自然学习的方式非常相似。“在无人监督的学习中，大脑比我们的模型好得多”，LeCun告诉IEEE光谱，“这就意味着我们的人工学习系统缺少了一些非常基本的生物学习原理”。