人工智能的几种常见误解

应用的AI系统只是AGI的有限版本

尽管许多人认为，AI的艺术状态仍然远远落后于人类的智慧。人工智能，即AI， 一直是所有 AI 科学家从图灵到今天的动力燃料。有些类似于炼金术，对复制和超越人类智慧的敏捷的永恒追求，造就了许多技术和科学突破的创造。AI帮助我们了解了人类和自然智力的方方面面，因此，我们建立了有效的算法，灵感来源于我们的理解和模型。

然而，当涉及到人工智能的实际应用时，AI 从业者并不一定会把自己局限在人类决策、学习和解决问题的纯粹模型上。相反，为了解决一些问题并达到可接受的性能，AI从业者通常会尽其所能来构建实用的系统。例如，在算法突破的核心， 造就了深层次的学习系统，是一种称为反向传播的技术。然而，这种技术并不是大脑如何建立世界模型的。

AI和深入学习一样

回到这一天，我们认为人工神经网络 (ANNs) 这个术语真的很酷。这是最初的兴奋围绕它的潜在的事与愿违，直到因为它缺乏规模和能力的过度不适应。现在这些问题在很大程度上已经解决了，我们已经通过”重塑”人工神经网络作为”深度学习”来避免旧名称的耻辱。深度学习或深层网络在规模上是ANN的，而”深层”指的不是深度思考，而是我们现在可以负担的ANNs的隐藏层数(在大多数情况下，现在它们可以是数以百计的)。深入学习是用来生成标记数据集的模型，深层学习方法中的”学习”是指模型的生成，而不是模型在新数据可用时能够实时学习的。深层学习模式的”学习”阶段实际上是离线的，需要多次迭代，是时间和过程密集型的，难以并行化。

最近，深入学习模式正在应用于在线学习应用。这种系统中的在线学习是使用不同的AI 技术(如强化学习或在线神经进化) 来实现的。这种系统是局限性的，只有在离线学习期间，使用领域大部分都能体验，才能实现深入学习模式的贡献。生成模型后，它将保持静态，而不是完全健壮于应用程序域中的更改。一个很好的例子是在电子商务applications–seasonal 的变化或在电子商务网站的短销售期将需要一个深层次的学习模式离线和再培训的销售项目或新的股票。然而，现在有了像感知提升这样的平台，利用进化算法对网站进行优化，大量的历史数据不再需要有效，而是利用神经进化来转移并根据网站的当前环境实时调整网站。

有一个万能所有 AI 解决方案

一个常见的误解是，AI可以用来解决所有的问题 there–即艺术的状态已经达到了一个水平，”AI”的小配置，使我们能够解决不同的问题。我甚至听到人们假设， 从一个问题移动到下一个，使得 AI系统更聪明，就好像同一个AI 系统正在同时解决这两个问题一样。现实是非常不同的: AI系统需要被设计，有时是沉重的，需要专门训练的模型，以适用于一个问题。虽然类似的任务，特别是那些涉及传感世界 (例如语音识别，图像或视频处理) 的工作现在有一个可用的参考模型库，这些模型需要专门设计，以满足部署要求。此外，AI系统很少是基于AI的解决方案的唯一组成部分。它通常需要许多量身定做的经典编程组件来组合，以增加一个或多个系统中使用的AI技术。是的，有很多不同的 AI 技术在那里，单独使用或混合解决方案与他人一起，因此它是不正确的。

最后， 我经常遇到的一个普遍的误解是：

如果一个系统解决了一个我们认为需要智能的问题，那就意味着它正在使用，AI这一点在本质上是有点道理的，它取决于你对智力的定义。事实上，图灵的定义不会反驳这一点。然而，就主流 AI 而言，一个完全被设计的系统，比方说，使自动驾驶的汽车，不使用任何 AI 技术，不被认为是 AI 系统。如果系统的行为不是引擎盖下使用的AI技术的紧急行为的结果， 如果程序员以确定性和工程化的方式编写代码，那么系统就不被视为基于 AI 的系统，即使它看起来是这样。