人工智能领域不断扩大，站在了主流突破的悬崖边上。无论AI增强型智能手机如何掀起公众狂热，还是无人驾驶汽车首先到达那里，显然我们正式进入AI时代。
反对者会指出人工智能不是新的; 研究人员在20世纪50年代深入探讨了自主计算的概念。今天的开发人员也没有那么不同，因为他们所做的事实质上是该领域的专家几十年来一直在努力的。
改变的是我们现在可用的原始计算能力。五十年前，科学家们需要内华达大小的计算机才能做到我们今天能够在便士这种芯片上做的事情。也许聪明的建筑可以把它缩小到商场的大小，但你明白了。
就硬件而言，我们已经到了，机器人也是如此。
但这是什么意思？定义AI的性质以及它为Joe Public所做的工作很困难。将影响整个世界的进步往往是复杂的，需要一段时间才能让每个人都了解发生的事情。
还记得在90年代向人们解释互联网吗？有一段时间，并不是很久以前，像“带宽”和“路由器”这样的词在普通人的词汇中并不常见。
在接下来的几年中，每个人都希望了解关于人工智能的一些基本术语，因为在不久的将来制作的每种小工具都会有某种形式的人工智能。
人工智能
我们需要做的第一件事是了解人工智能的实际情况。术语“人工智能”指的是计算机工程的特定领域，其侧重于创建能够收集数据并做出决定和/或解决问题的系统。基本AI的一个例子是计算机，它可以拍摄1000张猫的照片作为输入，确定是什么使它们相似，然后在互联网上找到猫的照片。计算机尽可能地了解到猫的照片是什么样的，并使用这种新的智能来找到类似的东西。
自主性
简而言之，自治意味着AI构造不需要人们的帮助。无人驾驶汽车在不同程度上说明了“自主”一词。四级自治表示不需要方向盘或踏板的车辆：它不需要内部的人员以满负荷运行。如果我们有一辆可以在没有驾驶员的情况下驾驶的车辆，并且不需要连接到任何电网，服务器，GPS或其他外部来源以便发挥功能，它将达到五级自主权。
除此之外的任何东西都将被称为有感知力的，尽管最近在人工智能领域已经取得了飞跃，但奇点（一种代表一种自我意识的AI的事件）在这一点上纯粹是理论上的。
算法
算法是AI中最重要的部分。这些是数学公式和/或编程命令，通知常规的非智能计算机如何解决人工智能问题。算法是指导计算机如何自行计算出来的规则。它可能是一个数字和命令的书呆子结构，但是什么算法在性吸引力方面缺乏，而不是在实用性上弥补。
机器学习
AI的肉和土豆是机器学习 – 事实上，将人工智能和机器学习替换为另一个术语通常是可以接受的。然而，它们并不完全相同，但是连接起来。
机器学习是人工智能使用算法来执行人工智能功能的过程。这是应用规则通过AI创建结果的结果。
黑盒子
当应用规则时，AI会执行很多复杂的数学运算。这个数学通常甚至不能被人理解（有时候它只是不值得花费时间来完成），但系统输出有用的信息。发生这种情况时，称为黑盒学习。真正的工作是这样发生的，我们并不关心计算机是如何做出决定的，因为我们知道它曾经到达那里的规则。黑盒子学习就是我们如何在道德上跳过“展示我们的工作”，就像我们在高中代数时一样。
神经网络
当我们想要一个人工智能在某些方面变得更好时，我们创建一个神经网络 这些网络的设计与人类的神经系统和大脑非常相似。它使用学习阶段让AI能够通过将复杂问题分解为数据级别来解决复杂问题。网络的第一层可能只担心图像文件中的几个像素，并检查其他文件中的相似性。一旦完成了初始阶段，神经网络将把它的发现传递到下一个级别，这将尝试理解更多的像素，或许还有一些元数据。这个过程继续在神经网络的每个级别。
深入学习
深度学习是神经网络起作用时发生的事情。随着图层处理数据，AI获得了基本的理解。你可能会教你的AI来理解猫，但一旦它了解到AI可以将这些知识应用于不同的任务。深入的学习意味着，AI不会理解什么是什么，而是开始学习“为什么”。
自然语言处理
它需要先进的神经网络来解析人类语言。当人工智能被训练来解释人类交流时，它被称为自然语言处理。这对于聊天机器人和翻译服务非常有用，但它也代表着像Alexa和Siri这样的AI助手。
强化学习
人工智能与人类相比，更像人类。我们几乎以完全相同的方式学习。像机器人一样教授机器的一种方法是使用强化学习。这涉及给人工智能提供一个没有用特定度量标准定义的目标，比如告诉它“提高效率”或“找到解决方案”。不是找到一个具体答案，AI会运行方案并报告结果，然后由人评估并进行评估。AI接受反馈并调整下一个场景以获得更好的结果。
监督学习
这是证明事情的非常严肃的事情。当您使用监督式学习方法训练AI模型时，您提前为机器提供正确的答案。基本上AI知道答案，它知道这个问题。这是最常用的培训方法，因为它产生的数据最多：它定义了问题和答案之间的模式。
如果你想知道为什么会发生什么事情或发生了什么事情，AI可以查看数据并使用监督式学习方法确定连接。
无监督学习
在许多方面，人工智能研究最棘手的部分是意识到这些机器真的有能力学习，并且他们正在使用层层的数据和处理能力来做到这一点。在无监督学习的情况下，我们不会给AI一个答案。我们不是找到像“为什么人们选择一个品牌而不是另一个”这样的预先定义的模式，而是为一台机器提供一堆数据，以便它能够找到所需的模式。
转移学习
机器可以学习的另一个怪异方式是通过转换学习。一旦AI成功学到了一些东西，比如如何确定一张图片是否为猫，即使您不要求它学习任何有关猫的知识，也可以继续建立它的知识。假设一张图像是一只90％精度的猫，假设它可以确定一只猫是否是一只猫，并且在花了一周的时间确定鞋子后，它可以重新开始猫的工作，并且准确性有了明显的提高。
图灵测试
如果你像大多数人工智能专家一样，你对未来持谨慎乐观的态度，并且对我们的安全性有保留，因为我们更接近与人无法区分的机器人。
艾伦图灵分享了你的担忧。尽管他在1954年去世，但他的遗产仍然以两种方式生存。他主要以破解纳粹代码和帮助盟友赢得第二次世界大战为荣誉。他也是现代计算之父，也是图灵测试的创始人。
尽管测试最初被认为是一种确定人类是否可能被对话愚弄的方式，仅在文本显示中，人类智能与人工智能之间进行混淆，然后它已经成为任何可以欺骗人们相信的AI的简称他们正在看到或与真人进行互动。
人工智能研究领域不是科幻小说，虽然它是令人兴奋和前卫的。根据像牛津大学教授尼克博斯特罗姆这样的专家，我们正处在文明变革的巨大边缘，它代表了我们作为一个物种的轨迹的根本性变化。
翻译：天才写手
Ref:https://thenextweb.com/artificial-intelligence/2017/09/10/glossary-basic-artificial-intelligence-terms-concepts/
