在很高的層次上，人工智能可以分為兩種類型：狹窄的AI和通用AI。
狹窄的AI是當今我們在計算機中所看到的一切：已經教過或學會了如何執行特定任務而無需明確編程的智能化系統。
這種類型的機器智能在Apple iPhone上的Siri虛擬助手的語音和語言識別，自動駕駛汽車的視覺識別系統，推薦引擎（根據購買的產品來推薦您喜歡的產品）中很明顯以往。與人類不同，這些系統只能學習或被教導如何執行特定任務，這就是為什麼它們被稱為狹窄AI。
狹窄的AI可以做什麼？
狹窄的AI有大量新興的應用程序：從無人機解釋視頻輸入，對基礎設施（如輸油管道）進行視覺檢查，組織個人和企業日曆，響應簡單的客戶服務查詢，與其他智能系統配合以實現執行任務，例如在合適的時間和地點預訂酒店，幫助 放射科醫生髮現 X射線中潛在的腫瘤，在線標記不當內容，從IoT設備收集的數據中檢測電梯的磨損，等等。
一般AI可以做什麼？
人工智能與眾不同，它是人類發現的適應性智力的類型，是一種靈活的智力形式，能夠學習如何執行截然不同的任務，從理髮到構建電子表格，或推理各種各樣的主題根據其積累的經驗。這種AI在電影中更常見，例如2001年的HAL 或《終結者》中的 Skynet ，但如今還不存在，而且AI專家對它很快會變成現實的態度也存在分歧。
AI研究人員Vincent CMüller和哲學家Nick Bostrom在2012/13年度對四組專家進行的一項調查顯示，到2040年至2050年，人工智能（AGI）的開發機會將達到50％，到2075年將上升到90％。該小組甚至走得更遠，預測所謂的“ 超級智能 ”-被Bostrom定義為“在所有感興趣的領域中大大超過人類的認知表現的任何智力”-預計在AGI實現後約30年。
就是說，一些AI專家認為，鑑於我們對人腦的瞭解有限，這樣的預測是非常樂觀的，並且相信AGI尚有數百年的歷史。
是什麼推動了人工智能的復興？
近年來，人工智能研究的最大突破是在機器學習領域，尤其是在深度學習領域。
這在某種程度上是由於數據的易用性所驅動，但更重要的是，由於近年來並行計算能力的爆炸式增長，在此期間，使用GPU集群來訓練機器學習系統變得越來越普遍。
這些集群不僅為訓練機器學習模型提供了功能更強大的系統，而且現在可以作為Internet上的雲服務廣泛使用。隨著時間的流逝，主要的技術公司，例如Google和Microsoft，已經轉向使用專門針對運行和最近培訓機器學習模型的專用芯片。
這些自定義芯片之一就是Google的Tensor處理單元（TPU），其最新版本加快了使用Google TensorFlow軟件庫構建的有用的機器學習模型可以從數據推斷信息的速度，以及他們可以被訓練。
這些芯片不僅用於訓練DeepMind和Google Brain的模型，還用於支持Google翻譯和Google Photo中的圖像識別的模型，以及允許公眾使用Google的TensorFlow Research Cloud構建機器學習模型的服務。這些芯片的第二代產品已於去年5月在Google的I / O會議上亮相，其中的一系列新TPU能夠訓練用於翻譯的Google機器學習模型，所需時間僅為前者的一半。端圖形處理單元（GPU）。
機器學習的要素是什麼？
如前所述，機器學習是AI的一個子集，通常分為兩大類：有監督學習和無監督學習。
監督學習
教學AI系統的常用技術是通過使用大量帶標籤的示例來訓練它們。這些機器學習系統被饋入大量數據，這些數據已被註釋以突出感興趣的功能。這些照片上可能貼有照片，以表明它們是否包含狗或帶有腳註的書面句子，並帶有腳註以表明“低音”一詞與音樂還是魚類有關。經過培訓後，系統便可以將這些標籤罐應用於新數據，例如應用於剛剛上傳的照片中的狗。
訓練這些系統通常需要大量的數據，有些系統需要搜尋數百萬個示例來學習如何有效地執行任務-儘管在大數據和廣泛的數據挖掘時代，這越來越有可能。訓練數據集龐大且規模不斷擴大 -Google的Open Images Dataset擁有大約900萬張圖像，而其帶有標籤的視頻存儲庫YouTube-8M鏈接了700萬個帶有標籤的視頻。ImageNet是此類早期數據庫之一，擁有超過1400萬張分類圖像。該文件經過兩年的編寫，由近50,000人（其中大部分是通過Amazon Mechanical Turk招募的）彙集在一起的，他們檢查，分類並標記了將近10億張候選圖片。
從長遠來看，與龐大的計算能力相比，訪問具有大量標記數據集的重要性可能不那麼重要。
近年來，Generative Adversarial Networks（GAN）展示了向機器學習系統饋送少量標記數據的方式，然後可以生成大量新鮮數據來自學。
這種方法可能會導致半監督學習的興起，在這種情況下，系統可以使用遠遠少於當今使用監督學習的培訓系統所需要的標記數據來學習如何執行任務。
無監督學習
相比之下，無監督學習則使用另一種方法，即算法嘗試識別數據中的模式，尋找可用於對數據進行分類的相似性。
一個例子可能是將重量相似的水果或發動機尺寸相似的汽車聚集在一起。
該算法並非預先設置為挑選特定類型的數據，它只是尋找可以根據其相似性進行分組的數據，例如Google News每天將相似主題的故事分組在一起。
強化學習
強化學習的粗略類比是當寵物在表演把戲時獎勵其零食。
在強化學習中，系統會嘗試根據其輸入數據最大化獎勵，基本上要經過反覆試驗的過程，直到獲得最佳結果。
強化學習的一個例子是Google DeepMind的Deep Q網絡，該網絡 已被用於在各種經典視頻遊戲中實現最佳人類表現。系統從每個遊戲中獲取像素，並確定各種信息，例如屏幕上對象之間的距離。
通過查看每個遊戲中獲得的分數，系統會建立一個模型，該模型的動作將在不同情況下使分數最大化，例如，在視頻遊戲Breakout的情況下，應將球拍移至其中以攔截球。
哪些AI服務可用？
所有主要的雲平臺-Amazon Web Services，Microsoft Azure和Google Cloud Platform-提供對GPU陣列的訪問，以訓練和運行機器學習模型，而 Google還準備讓用戶使用其Tensor處理單元 -自定義芯片其設計針對訓練和運行機器學習模型進行了優化。
三大公司（基於雲的數據存儲）都提供了所有必需的相關基礎架構和服務，能夠存儲訓練機器學習模型所需的大量數據，轉換數據以準備進行分析的服務以及可視化工具清楚地顯示結果，以及簡化模型構建的軟件。
這些雲平臺甚至簡化了自定義機器學習模型的創建，Google最近發佈了一項名為AI Auto Cloud的服務，該服務可以自動創建AI模型。這項拖放服務可建立自定義的圖像識別模型，並且要求用戶不具備機器學習知識。
基於雲的機器學習服務在不斷髮展，2018年初，亞馬遜透露了一系列旨在簡化機器學習模型訓練流程的 AWS新產品。
對於那些不想建立自己的機器學習模型而是想要使用AI驅動的按需服務（例如語音，視覺和語言識別）的公司，Microsoft Azure在服務的廣泛性方面脫穎而出緊隨其後的是Google Cloud Platform，然後是AWS。同時，IBM除了更一般的按需產品之外，還試圖出售針對特定領域的AI服務，從醫療保健到零售，將這些產品歸類到IBM Watson旗下-最近投資20億美元收購了The Weather解鎖大量數據以增強其AI服務的渠道。
哪些大型科技公司在AI競賽中獲勝？
在內部，每個科技巨頭（以及Facebook等其他公司）都使用AI來幫助推動各種公共服務：提供搜索結果，提供建議，識別照片中的人物和事物，實時翻譯，發現垃圾郵件-列表廣泛。
但是這場AI戰爭最明顯的表現之一就是虛擬助手的興起，例如蘋果的Siri，阿里巴巴的天貓精靈，百度的小度等等。
嚴重依賴語音識別和自然語言處理，以及需要龐大的語料庫來回答查詢，開發這些助手需要大量技術。
哪些國家在AI領域處於領先地位？
認為美國科技巨頭擁有AI領域是一個很大的錯誤。阿里巴巴，百度和聯想正在從電子商務到自動駕駛等各個領域大力投資人工智能。作為一個國家，祖國正在執行三步走的計劃，將人工智能變成該國的核心產業，到2020年，人工智能產業的價值將達到1500億元人民幣（合220億美元）。
諸如百度，阿里巴巴和騰訊等大型公司的弱勢隱私鉅額投資，一致的數據收集以及大數據分析的結合，意味著一些分析師認為，在未來的人工智能研究方面，國內將比美國更具優勢。一位分析師描述了中國領先美國的可能性 是500比1。
如果您還有小編不知道的觀點，請在下方留言和小編一起探討吧。對了，順便點個關注唄!!
閱讀更多 原呵呵 的文章
