人工智能是一个广泛的术语，涵盖了许多技术，所有这些技术使计算机能够显示类似于我们人类的某种程度的智能。
通用AI
人工智能比较流行的用途是在许多不同任务上类似于超人的机器人。 他们可以战斗，飞行，并可以就几乎任何主题进行深入的对话。 电影中有很多机器人，有好有坏，例如Vision，Wall-E，Terminator，Ultron等。尽管这是AI研究的终极目标，但我们目前的技术离达到AI水平还很遥远， 我们称之为通用AI。
Narrow AI 窄人工智能
相反，我们今天拥有的AI是称为Narrow AI的人工智能子集。
Narrow AI在部分任务中可以达到甚至超越现有人类的水平
举个例子，几年前，你可能在新闻上看到谷歌的人工智能程序DeepMind AlphaGO非常擅长围棋，它打败了当时的世界冠军!然而，这个程序除了玩"围棋"游戏外，什么也做不了。"它肯定不能玩像PUBG或Fortnite这样的游戏了。它甚至不能告诉你当前时间是多少。
目前来说，我们接触到的基本上都窄AI，而窄AI有两种类型。让我们一个一个来看。
- 符号人工智能(Symbolic AI)
- 数字人工智能(Numeric AI)，一般来说数字人工智能又被称作机器学习ML
Symbolic AI 符号人工智能
符号人工智能也被称为老式AI(GOFAI)，因为它已经存在了数十年。 程序员必须手动编写控制符号AI系统的所有规则。 因此，很难建立正确的解决方案。 但是，它仍被用于某些人类需要了解为什么AI程序在给定情况下做出特定决定的用例。 例如，如果AI法官判某人入狱，则必须说明其决定的原因。
ML 机器学习
ML比Symbolic AI相对新，但功能要强大得多。 Google DeepMind的AlphaGO是一种ML系统。
在ML中，AI程序不是使用人工编写所有规则的程序员，而是使用大量示例或数据为自己"学习"我们想要做的事情。
这类似于人类如何"学习"新信息。 当我们要教孩子狗的外观时，我们不会告诉他/她，如果动物矮小，耳朵下垂，尾巴摆动的话，那就是狗。 取而代之的是，我们向孩子展示一些"狗"的图片，随着时间的流逝，孩子自然会明白什么是狗。 ML程序遵循相同的范例。
随着智能手机和传感器的出现，我们每天都会产生大量数据，以至于机器学习方法现在已经拥有了足够的数据来接受训练。 多年来，诸如多核CPU和GPU之类的电子芯片的成本也在下降。 创建的数据量的激增以及廉价硬件的可用性，是当前AI革命的重要原因。
今天，主要有三种类型的机器学习。
1.传统机器学习
传统的ML使用基于统计方法的算法来执行ML，其中最著名的算法有线性回归、支持向量机、决策树等。这些技术的大多数数学和统计数据都有几十年的历史了，而且已经很好理解了。直到过去十年，它们才被广泛称为ML或AI。
要学习这些算法背后的数学，一个很好的参考是《The Elements of Statistical Learning》一书。 Python sklearn和xgboost软件包基本上可以包括上面所说的使用Python进行传统ML所需要的全部。
2.深度学习(DL)
DL彻底改变了计算机视觉(CV)和自然语言处理(NLP)领域。
在深度神经网络中，将多层人工神经网络链接在一起，可以根据通用逼近定理近似任意数学函数。人工神经网络的每一层都由一个线性操作和一个非线性操作组成。。
通过向算法提供有关我们要学习的任务的大量数据，可以"学习"线性运算的参数。 在内部，使用一种称为"梯度下降"的学习算法来逐步调整参数，直到获得最佳精度为止。
目前有两个主要的用于开发深度学习应用程序的Python框架:Tensorflow和Pytorch
3.强化学习(RL)
在我看来，强化学习是三种ML中最复杂的一种。谷歌DeepMind AlphaGO程序打败了世界上最好的"围棋"选手就是一个RL的例子。
在传统的ML和DL中，人工智能系统从过去的数据中学习，而在RL中，人工智能系统通过采取一些行动并衡量其回报来学习，类似于训练我们的宠物狗狗学新技能。在像"AlphaGO"这样的游戏中，奖励是做出决定以最大化分数。
如何选择?
最后，有了各种各样的窄人工智能技术，你如何选择技术来解决你的问题?
首先，从业务角度理解问题。然后，尝试各种技巧，直到达到你的商业目标。使用企业可以使用的方法达到80%的准确率要比使用企业不能使用的方法达到99.9%的准确率要好!
