说到人工智能，大家就会觉得陌生又熟悉。陌生是因为很多人不太明白现在这么火的人工智能是怎么实现的？其工作的原理是什么？似乎涉及这方面的知识是遥不可及的，或是很难去理解的。熟悉就是这些年来人工智能的概念慢慢走进了我们的视野和生活。这两年很出名的美剧《西部世界》，百度的无人驾驶汽车，阿里的无人超市......等等这些“人工智能”正在进入我们的日常生活并且改变着我们的生活方式和观念。于是抱着好奇的心态，我也试着去了解人工智能到底是个什么东西，甚至试着去了解其核心的思想，以及这种技术可能带来的改变。
开始了解人工智能之后，我首先明白的一个概念就是“AI”和“IA”，下面我会通过一个我画的图来解释这两个概念。
其实我们平常听到或见到的一些与人工智能相关的技术或者产物都属于“IA”也就是增强智能，而传统人工智能“AI”则是指通用人工智能，也就是“类人”或者是具有和人不同的知觉和意识的人工智能。也就是说“IA”是一些弱人工智能，这类人工智能只不过看起来是智能的，但并不是真正拥有智慧，也不会有自主意识。 而“AI”则是指通用人工智能（不特别编码知识与应用区域的情况下，应对多种甚至泛化问题的人工智能技术）和强人工智能（不仅要具备人类的某些技能，还要有知觉，有自我意识，可以独立思考并解决问题）。
现如今，我们大多数时讨论和进步比较大的都是IA的部分，真正在AI方面的进展其实微乎其微，所以我们在电影电视剧中看到的那些具有和人一样能力的人工智能的场景还有很长的路要走，当然那些人工智能威胁论基本上也是不存在的。
在了解到这样的人工智能现状后，咱们也要进入真正认识人工智能的环节了。人工智能的核心思想和算法是什么呢？它究竟是怎么实现的呢？下面我们就来一起分析一下。人工智能的出发点其实就是想要计算机和机器人模仿人类学习和思考的方式来学习。所以其核心就是“学习”。大家一起来看一下我总结的思维导图。
机器学习是人工智能的核心运行功能模式，可以看到机器学习可以分为浅层学习和深度学习。浅层学习是人工智能早期使用的模型，这些模型的算法理论分析简单，训练（其实学习的工程就是训练的过程，是用数据进行训练，并不断调整参数的过程）方法也容易。但是太过耗费人力，机器识别的精度还不理想。而深度学习则区别于传统的浅层学习，利用大数据来进行无监督学习更容易表述特征和丰富内在信息。深度学习很重要的子集就是增强学习和对抗网络学习。增强学习是机器在训练的过程中根据正负反馈的形式使得机器行为越来越接近目标。而对抗学习包含一个生成模型和一个判别模型，机器训练时固定一方，更新另一个模型的参数，交替迭代，使得对方的错误最大化，最终生成模型能估测出样本数据的分布。迁移学习几乎就是人类的学习方法，也就是用学到的知识有效地解决不同但相关领域的问题。
如果现在还对机器学习的概念比较陌生的话，那就想一个简单的例子，那就是我们作为学生在学习的时候，期末考试的题我们是没做过的，但是平时我们做过很多题，懂得一定的解题方法，通过这些我们就可能将期末考试的陌生题目算出来。机器学习也是一样的思路，通过很多的数据进行训练，最终使得机器能对陌生数据进行分类处理。
可以看出，训练是机器学习中最重要的部分。训练是使用不同类别的数据进行训练，不同类型的数据具有不同的特征和标签。标签是人工或利用工具标出的。在训练机器的过程中，所有训练数据中，都有标签的称为监督学习，没有标签的成为无监督学习，有一些有标签，但大多数没标签的称为半监督学习。但是这些训练和学习方法和真正的人类学习还是存在无法逾越的鸿沟，那就是“感知”。想要更加深入的了解人工智能，大家可以自己在此基础上去学习，也欢迎大家随时来交流。
