根據(jù)麥肯錫的數(shù)據(jù)，從現(xiàn)在到2030年這十幾年間，人工智能將會為美國新創(chuàng)造大約13萬億美元的國內(nèi)生產(chǎn)總值。相比之下，2017年整個美國的國內(nèi)生產(chǎn)總值約為19萬億美元。吳恩達等主要的人工智能科學(xué)家將人工智能描述為第四次工業(yè)革命或“新電力”。人工智能無疑是數(shù)字轉(zhuǎn)型的核心，它在整個行業(yè)的應(yīng)用將極大地改變世界和業(yè)務(wù)方式。

弱人工智能是一個非常強大的工具，它將在未來幾年為社會增加許多附加價值。近年來看到的所有成就，以及在新聞中經(jīng)常聽到的內(nèi)容，都發(fā)生在弱人工智能領(lǐng)域。這些吸引人眼球的新聞讓人們錯誤地認為科學(xué)在人工綜合智能方面取得了很大的進展，但實際上只在弱人工智能方面取得了進步。

機器學(xué)習(xí)是人工智能的中堅技術(shù)。它利用統(tǒng)計技術(shù)使計算機程序能夠從數(shù)據(jù)中學(xué)習(xí)（例如逐步提高其處理特定任務(wù)中的能力），而無需進行明確的編程。機器學(xué)習(xí)是人工智能的工具，它引起了所有的過度關(guān)注，并使幾乎所有通過人工智能系統(tǒng)創(chuàng)造的價值都得以實現(xiàn)。它也可以分為不同的部分，但只有一個部分涵蓋80%通過機器學(xué)習(xí)創(chuàng)造的價值。那便是有監(jiān)督學(xué)習(xí)。

有監(jiān)督學(xué)習(xí)算法只需通過學(xué)習(xí)大量數(shù)據(jù)中的關(guān)系來學(xué)習(xí)輸入（A）到輸出（B）映射。想象一下建立一個系統(tǒng)，將電子郵件分為垃圾郵件和非垃圾郵件。需要收集大量電子郵件“被貼標(biāo)簽”的案例。這意味著每封電子郵件都有一個標(biāo)簽用來指示它是否是垃圾郵件。人們需要收集數(shù)千封帶有標(biāo)簽的電子郵件，然后將這些數(shù)據(jù)輸入到一個受監(jiān)督的機器學(xué)習(xí)算法中。

在訓(xùn)練過程中，該算法將分析所有輸入的電子郵件，并迭代地提高對垃圾郵件與非垃圾郵件間區(qū)別原因的理解。在本例中，系統(tǒng)必須將電子郵件（a）映射到一個標(biāo)簽，該標(biāo)簽要能指示郵件是否是垃圾郵件（b）?？梢酝ㄟ^輸入上千封貼有標(biāo)簽的電子郵件來訓(xùn)練算法?；谠摂?shù)據(jù)進行算法訓(xùn)練后，可以輸入一封全新的電子郵件（該算法以前從未見過），該算法將顯示它是否認為該電子郵件是垃圾郵件。

比如在線廣告，其中輸入的是關(guān)于用戶的信息（A），而系統(tǒng)輸出是一個標(biāo)簽，這個標(biāo)簽顯示用戶是否要單擊一個添加項（B）。又比如是語音識別，輸入是音頻文件（A），輸出是音頻文件中所述內(nèi)容文本（B）。再比如輸入一個鋼板的圖像（A）進算法，它會判斷是否存在缺陷（B）。乍一看，這似乎是一種相當(dāng)有限的技術(shù)，但如果正確應(yīng)用，它將非常強大。它是人工智能為社會創(chuàng)造附加價值的唯一主要原因。這種技術(shù)似乎有無窮無盡的不同案例，并且人們每天還會發(fā)現(xiàn)新的案例。

人工智能是一個非常復(fù)雜的領(lǐng)域，許多術(shù)語在開始時可能會使人非常混亂。你可能聽說過神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)或數(shù)據(jù)科學(xué)。我們將研究一些有關(guān)人工智能最重要的術(shù)語，并揭示其含義，以便你能夠與其他人討論人工智能，并思考如何在業(yè)務(wù)中應(yīng)用人工智能。現(xiàn)在為你提供最常用的人工智能術(shù)語的定義，但請注意，人工智能是一個非?；逎y懂的領(lǐng)域，許多術(shù)語可以互換使用，但有時卻不可以。

人工智能是計算機科學(xué)的一個領(lǐng)域，它強調(diào)創(chuàng)造像人類一樣工作和反應(yīng)的智能機器。正如之前所提到的，當(dāng)人們談?wù)撊斯ぶ悄軙r，他們大多是指通用人工智能（AGI）。應(yīng)該把人工智能視為整個智能領(lǐng)域，把機器學(xué)習(xí)和深度學(xué)習(xí)視為使計算機智能化的技術(shù)。

機器學(xué)習(xí)是人工智能的一個分支領(lǐng)域。不過，正是這個研究領(lǐng)域使計算機能夠在沒有明確編程的情況下從數(shù)據(jù)中學(xué)習(xí)。因此，通過機器學(xué)習(xí)，基本上可以制作程序來執(zhí)行特定任務(wù)。因此，機器學(xué)習(xí)經(jīng)常會運行人工智能系統(tǒng)，從基本上來看，這個系統(tǒng)是一個軟件。機器學(xué)習(xí)項目事例：假設(shè)一家有許多關(guān)于房子的數(shù)據(jù)的房地產(chǎn)公司，它和一家機器學(xué)習(xí)公司合作建立一個機器學(xué)習(xí)系統(tǒng)來預(yù)測未來房價。這樣的系統(tǒng)可以讓人更好地決定投資哪棟房子，并找出合適的時間來清算投資。

深度學(xué)習(xí)是機器學(xué)習(xí)的一個組成部分，它包攬了人們近年來看到的，并且今天仍然看到的，所有的媒體炒作和人工狹義智能的大部分突破，這與機器學(xué)習(xí)基本上是一樣的：給算法貼上帶有標(biāo)簽的數(shù)據(jù)，它就會學(xué)會預(yù)測標(biāo)簽。與機器學(xué)習(xí)不同的是，深度學(xué)習(xí)使用了更現(xiàn)代和更復(fù)雜的算法，稱為神經(jīng)網(wǎng)絡(luò)。相反，在機器學(xué)習(xí)中使用的則是更為簡單的傳統(tǒng)算法。

由于它們的復(fù)雜性，新的技術(shù)發(fā)現(xiàn)以及足夠的數(shù)據(jù)支持和計算能力，深度學(xué)習(xí)算法能夠打破許多任務(wù)的先前基準(zhǔn)，甚至在其中一些任務(wù)上超過人類（例如：組織病理學(xué)圖像分析，或者在Netflix上推薦電影）。盡管神經(jīng)網(wǎng)絡(luò)（例如深度學(xué)習(xí)算法）幾乎總是比傳統(tǒng)算法表現(xiàn)更好，但它們具有某些缺點。

數(shù)據(jù)科學(xué)項目的輸出通常是一系列可幫助你做出更好的業(yè)務(wù)決策的見解，例如決定是否投資某些東西，是否應(yīng)該購買某些設(shè)備，或者是否應(yīng)重新構(gòu)建你的網(wǎng)站?？梢哉f，數(shù)據(jù)科學(xué)是通過統(tǒng)計方法、可視化等分析數(shù)據(jù)來提取數(shù)據(jù)知識和洞察力的科學(xué)。輸出通常是演示文稿或幻燈片，它們?yōu)楦吖?、領(lǐng)導(dǎo)者和產(chǎn)品團隊做出某些決總結(jié)結(jié)論，以作出某些決策。

你可能還聽說過其他流行語，如強化學(xué)習(xí)、生成對抗網(wǎng)絡(luò)（GANs）等。這些只是使人工智能系統(tǒng)更智能化的其他工具，換句話說，機器學(xué)習(xí)有時也是數(shù)據(jù)科學(xué)?，F(xiàn)在已經(jīng)了解了人工智能、機器學(xué)習(xí)、數(shù)據(jù)科學(xué)和深度學(xué)習(xí)（例如神經(jīng)網(wǎng)絡(luò)）。希望這能讓你了解人工智能中最常用的術(shù)語，并且可以開始考慮這些事情如何應(yīng)用到業(yè)務(wù)當(dāng)中。