什么是人工智能？机器学习是什么意思？GAN又是什么呢？在本文，你会学习到常用技术术语的清晰定义与解释。
如果你考虑计算机的未来，你就不能回避人工智能。人工智能如今无处不在，但我们今天所说的人工智能是什么呢？它是如何工作的？
人工智能
人工智能的创始人之一约翰麦卡锡（John McCarthy）将人工智能描述为“生产智能机器的科学和技术”（即研究人员和工程师的活动领域）。今天，这个术语主要指这些智能机器：人工智能是指行为智能的计算机系统。智能意味着：它们解决通常需要智能的任务，例如理解和表达语言、图像识别、决策或翻译。
弱人工智能
与人类不同的是，人工智能在高水平上只学习和执行一项任务。因此，这种人工智能被称为弱人工智能或窄人工智能，在他们的专业领域，他们现在常常比人类优越。目前所有的人工智能系统都是弱人工智能。
通用或强人工智能
一个具有类似人类智能的人工智能，能够将其思想应用于许多不同的任务，现在还不存在，但这是人工智能研究的主要目标，这样的人工智能被称为通用人工智能。
超级人工智能
如果一般人工智能发展到全面超越人类的程度，就产生了超级人工智能。对于许多人工智能警告者来说，一个叫做奇点的KSI出现标志着人类可能终结。另一方面，一些人工智能专家希望超级人工智能能解决人类面临的气候变化、贫困和疾病等大问题。
如何创造人工智能
创造人工智能有不同的方法。基本上，可以区分为两种不同的方法：直到20世纪80年代末，所谓的“好的，老式的人工智能”（GOFAI）决定了人工智能的研究，并努力争取更强大的人工智能。思想是：人类的思维由包含我们对世界知识的各个术语的逻辑组合组成。SHRDLU视频：https://youtu.be/QAJz4YKUwqwSHRDLU（http://hci.stanford.edu/winograd/shrdlu/） 是最早尝试理解自然语言的人工智能程序之一。该程序创建于1968年至1970年间，可以移动几何物体，并在需要时提供有关这些物体的信息。从这个观点出发，出现了所谓的专家系统，该系统将关于世界的简单信息打包为符号类别，并根据逻辑结论进行操作。GOFAI无法满足人们对人工智能的高期望——第一个人工智能冬季爆发了。科研经费取消，项目取消。如今，此类AI用于过程自动化。
机器学习（ML）
人工智能计算当前最热门的研究是机器学习，尤其是深度学习。机器学习创建了使用数据来学习如何执行任务的计算机系统，该软件不是由开发人员以编程代码的形式逐行指定指令，而是由软件在首次触发后独立更新其代码并对其进行优化以获得更好的结果。该研究领域当前最喜欢的方法是所谓的深度学习：具有多层神经网络的机器学习功能，可以以更高的准确性识别数据中的模式，从而学习人类的喜好，识别对象或理解语言。机器学习推动了许多当前的AI服务。无论是Google，Netflix还是Facebook：学习算法都会提出建议，改善搜索引擎并让语音助手给出答案。
人工神经网络
人工神经网络的灵感来自人类大脑的基本图景：一种算法，它可以创建相互交换信息的神经元或节点的神经网络。神经网络的数学起源于1943年。在最简单的情况下，其结构由输入层，中间隐藏层（隐藏层）和输出层组成。输入信号被中间神经元的最初随机生成的值修改并传递到输出层。
上图是一个简单的人工神经网络。圆圈对应于人工神经元，箭头表示一个神经元的输出与另一神经元的输入的连接。现在可以将输出与输入进行比较——预测是否正确？根据结果，修改中间神经元的值，并用新的输入重复该过程。通过多次重复，预测变得越来越精确。简而言之：神经网络是可以自我优化的算法。
深度学习（DL）
深度学习是使用具有多个隐藏层的神经网络进行机器学习。这些复杂的神经网络于2012年开始取得胜利，当时该网络赢得了ImageNet图像分析竞赛的冠军。深度神经网络的每一层都可以分析自己的图像信息：边界，纹理和图案直至对象。
深度学习是近年来人工智能蓬勃发展的原因，特别是在图像识别、自动驾驶或深度仿造方面。更快的处理器、专用的AI芯片（例如Google的TPU）和用于训练机器的大量数据使深度学习的突破成为可能。
生成对抗网络（GAN）
GANs由两个相互改进的神经网络组成。两者都是用一个共同的数据集训练的，比如照片。然后，一个叫做生成器的神经网络创建类似于数据记录的内容，另一个叫做鉴别器的神经网络将其与原始数据记录进行比较。如果鉴别器将其识别为伪造品，它将迫使生成器改善其内容，直到其看起来像原始数据一样属于训练数据记录为止。有关推特：https://twitter.com/goodfellow_ian/status/1084973596236144640在4.5年中，GAN-KI在生成人像方面变得更加出色。有了足够的重复比较，就可以创建一个大师级的伪造者：GAN会欺骗性地创建真实的人，深层的伪造品、街道或伪造模型。他们创作音乐并制作昂贵的艺术品，将复古游戏变成高清版本。自2014年推出以来，它们一直在稳步改善。
训练，训练以及更多训练
训练是人工智能的一部分，就像数学公式中的占位符一样，但是如何学习和训练完全取决于AI。下文我介绍了AI训练中使用的一些学习方法。
监督学习
通过监督学习，可以在准备好训练数据后对AI进行监控。例如：如果AI可以识别照片中的物体（https://mixed.de/google-lens-bildanalyse-ki-erkennt-laut-google-ueber-eine-milliarde-objekte/） ，则在训练之前，在训练照片上标记所有的猫，汽车，树木等。
这种贴标签过程很耗时，但却是成功进行监督训练的基础，由于进行了深入的人工准备工作，AI知道了它应该寻找哪种模式。监督式学习落后于大多数当前广泛使用的AI，例如自动驾驶，面部识别或在线搜索。该标签通常是由低工资工人设置，并且在最近几年它已成为一个全球性的行业。
无监督学习
无监督学习是AI研究的希望，与有监督的学习相反，数据不是以复杂的方式准备的：AI接收大量没有标签的数据，并独立搜索数据中的模式。该方法有两个优点：首先，准备充分的、广泛的数据集是很少的。其次，人工智能可以发现仍然对人们隐藏的数据中的相关性。用AI研究人员Yann LeCun的话来说，听起来像是：“如果说智能是蛋糕，那么大多数蛋糕都是无监督学习的，锦上添花是监督学习，而樱桃则是强化学习。”
同时，“自我监督学习”一词也已普及。这是无监督学习的特殊变体或同义词。LeCun已经宣布，从现在开始，他将只讲自我监督而不是无监督的学习。自我监督学习通常会保留部分训练数据，而AI必须对其进行预测，例如句子中的下一个单词。这迫使他们学习有关数据的重要细节，例如语义表示。例如，自我监督学习被用于AI扩展，并在过去1.5年中推动了语言AI的巨大进步。OpenAI将学习方法用于功能强大的GPT-2算法。
强化学习
只要AI成功执行任务，就会得到回报。如果它错过了目标，它将一无所获或受到惩罚。OpenAI教AI通过强化学习来玩捉迷藏游戏。https://youtu.be/kopoLzvh5jY通过这种反复试验的方法，人工智能从初学者到专业人士都在许多领域得到了发展，例如GO和Chess，Dota 2，Starcraft 2或扑克。最近所有的成功都依赖于所谓的深度强化学习，即强化学习和深度学习的结合。
迁移学习
迁移学习是指将从AI中学到的技能应用于新的但相关问题的训练方法。一个例子是Google的图像识别AI Inception，研究人员将其用于检测肺癌。
从长远来看，迁移学习有更大的灵活性。因此，对迁移学习的研究是对通用人工智能的重要贡献。
模仿学习
模拟学习的使用演示可作为AIs的训练材料。例如，在电子游戏中，这可以是人类玩家在游戏中奋力拼搏的记录，也可以是机器人通过观察人类的动作来学习的记录。
比起增强学习，模仿学习的一个优点是具有更大的灵活性：在某些环境中，奖励很难定义或实现。纯粹的试错方法不会提高人工智能的精确度。在模仿学习中，有了人类演示的帮助，人工智能也可以从中学习方法。
小样本学习
在人工智能成功识别数据中的模式之前，常常需要无数的样本。在小样本学习中，一次和几次学习方法有助于AIs，类似于人们仅仅用几个样本，甚至仅仅用一个样本来学习一种新的能力。Nvidia的AI可以跳舞，传递面部表情并生成街拍。全能者只需要几个样本，例如新闻主播的几张照片。https://youtu.be/8AZBuyEuDqc在实践中，AIs可以在没有广泛训练的情况下学习新的任务。例如，三星的研究人员仅用了几个样本就成功地交换了人们的面孔。以色列的一个研究小组更进一步，开发了一种无需面部训练的实时深度模仿方法
原文链接：https://towardsdatascience.com/artificial-intelligence-ai-terms-simply-explained-745c4734dc6c
摘抄自微信公众号“深度学习与计算机视觉”