为非专业人员量身打造，斯坦福教授Christopher Manning一页纸定义AI核心概念

斯坦福教授 Christopher Manning 用一页纸的篇幅介绍 AI 领域的核心概念。

在「AI」随处可见的当下，你真的理解人工智能领域核心概念吗？

刚刚，斯坦福大学教授、人工智能实验室（SAIL）负责人、HAI 副主任 Christopher Manning 用一页纸的篇幅定义了 AI 领域的核心术语。他表示希望这些定义能够帮助非专业人员理解 AI。

在这一页纸中，Manning 介绍了十多个术语的定义，包括「智能」、「人工智能」、「机器学习」、「深度学习」等。

链接：https://hai.stanford.edu/sites/default/files/2020-09/AI-Definitions-HAI.pdf

具体内容参见下文：

智能可以定义为学习和执行恰当的技术以解决问题、实现目标的能力，且这些能力能够适用于不确定、不断变化的外部环境。经过完全预编程的工业机器人具有灵活性、准确性和一致性，但并不智能。

人工智能（AI）由斯坦福大学名誉教授 John McCarthy 在 1955 年提出，他将人工智能定义为「制造智能机器的科学与工程」。许多研究使人类编程的机器能够以聪明的方式执行任务，如下棋。但是如今，AI 领域致力于实现至少可以像人类一样学习的机器。

自主系统能够独立地计划和确定操作步骤，以实现指定的目标，而无需进行微观管理。医院中的配送机器人必须在人来人往的走廊中自主导航才能成功完成任务。在人工智能领域中，「自主」并不意味着政治或生物学中常见的「自治」（self-governing）。

机器学习（ML）是人工智能的一部分，旨在研究计算机智能体如何根据经验或数据改善其感知、知识、思维或行动。为此，机器学习领域的知识涉及计算机科学、统计学、心理学、神经科学、经济学和控制论。

在监督学习中，计算机学习预测人类给定的标签，例如基于带标签的狗狗照片来学习狗的品种。而无监督学习不需要标签，有时需要自己做预测任务，例如尝试预测句子中每个后续单词。强化学习让智能体学习可优化其总体奖励的动作序列，例如在没有良好技术的明确示例下自主赢得游戏。

深度学习指使用大型多层神经网络计算连续（实数）表示，与人脑中按层级结构组织的神经元略有相似。目前，深度学习是最成功的机器学习方法，可用于所有类型的机器学习，并且可基于少量数据实现更好的泛化性能，能够更好地扩展至大规模数据和算力。

算法列出了待执行的精确步骤，就像人把步骤写进计算机程序一样。AI 系统包含算法，但算法往往仅作为学习或奖励计算方法。它们的很多行为是从数据或经验中学得的，正如斯坦福毕业生 Andrej Karpathy 所提出的「软件 2.0」带来的系统设计基础性改变一样。

狭义人工智能（Narrow AI）表示能够处理特定任务的智能系统，如语音识别或人脸识别。人类级 AI（Human-level AI）或通用人工智能（AGI）则致力于寻找智能处理大量任务且能够感知语境的机器，例如高效的社交聊天机器人或人机交互。

以人为中心的人工智能指寻求能够增强人类能力、满足人类社会需求且从人类身上得到启发的 AI。它为人类研发高效的合作伙伴和工具，如机器人助手和老年陪护机器人。

入门人工智能核心概念

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

感知技术

知觉或感知是外界刺激作用于感官时，脑对外界的整体的看法和理解，为我们对外界的感官信息进行组织和解释。在认知科学中，也可看作一组程序，包括获取信息、理解信息、筛选信息、组织信息。与感觉不同，知觉反映的是由对象的各样属性及关系构成的整体。

来源：维基百科

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

工业机器人技术

工业机器人是面向工业加工制造的可自动控制，多用途，需有三轴及以上可编程的固定或可移动机械手。其系统中包括带有执行机构的机械手以及示教控制器。它可以依靠自身控制能力来执行预设的轨迹及动作。典型应用包括焊接，刷漆，组装，采集和放置等工作。工业机器人完成工作具有高效性，持久性和准确性。目前常用的工业机器人包括关节机器人，SCARA机器人，并联机器人和直角坐标机器人等。

来源：ISO 8373:2012(en) Robots and robotic devices - Vocabulary

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域，它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性，目前的语音识别系统只能在一定的限制条件下获得满意的性能，或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

来源：What is Automatic Speech Recognition?

强化学习技术

强化学习是一种试错方法，其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划（Dynamic Programming）。流行的强化学习方法包括自适应动态规划（ADP）、时间差分（TD）学习、状态-动作-回报-状态-动作（SARSA）算法、Q 学习、深度强化学习（DQN）；其应用包括下棋类游戏、机器人控制和工作调度等。

来源：机器之心

通用人工智能技术

通用人工智能（AGI）是具有一般人类智慧，可以执行人类能够执行的任何智力任务的机器智能。通用人工智能是一些人工智能研究的主要目标，也是科幻小说和未来研究中的共同话题。一些研究人员将通用人工智能称为强AI（strong AI）或者完全AI（full AI），或称机器具有执行通用智能行为（general intelligent action）的能力。与弱AI（weak AI）相比，强AI可以尝试执行全方位的人类认知能力。

来源：wikipedia