每個人都在談論“AI”。但是，無論您是在查看Siri，Alexa還是智能手機鍵盤中的自動更正功能，我們都無法創建通用的人工智能。我們正在創建可以執行特定的狹窄任務的程序。
電腦無法“思考”
每當一家公司表示它推出了新的“AI”功能時，通常意味著該公司正在使用機器學習來構建神經網絡。“機器學習”是一種讓機器“學習”如何更好地執行特定任務的技術。
機器學習是一項非常棒的技術，具有很多強大的用途。但它不是通用的人工智能，瞭解機器學習的侷限性可以幫助您理解我們當前的AI技術如此受限的原因。
科幻夢的“人工智能”是一種計算機化或機器人化的大腦，它像人類一樣思考事物並理解它們。這種人工智能將是一種“人工智能（AGI）”，這意味著它可以考慮多種不同的事物並將這種智能應用於多個不同的領域。一個相關的概念是“強AI”，它將是一種能夠體驗類似人類意識的機器。
我們還沒有那種AI。我們並不接近它。像Siri，Alexa或Cortana這樣的計算機實體並不像人類那樣理解和思考。它根本沒有真正“理解”事物。
假設人類可以提供數據來幫助他們學習，我們所擁有的人工智能訓練有素，可以很好地完成特定的任務。他們學會做某事但仍然不理解。
電腦不明白
Gmail有一個新的“智能回覆”功能，可以建議回覆電子郵件。智能回覆功能將“ 從我的iPhone發送 ” 標識為常見響應。它還想建議“我愛你”作為對許多不同類型的電子郵件的回覆，包括工作電子郵件。
那是因為計算機無法理解這些回答的含義。據瞭解，許多人通過電子郵件發送這些短語。它不知道你是否想對你的老闆說“我愛你”。
另一個例子是，Google相冊在我們的一個家中拼湊了一張偶然的地毯照片拼貼畫。然後，它將拼貼畫確定為Google Home Hub的最新亮點。谷歌照片知道照片很相似，但不明白它們是多麼不重要。
機器經常學習遊戲系統
機器學習就是分配任務，讓計算機決定最有效的方法。因為他們不理解，所以很容易最終得到一臺計算機“學習”如何解決你想要的不同問題。
這裡列出了一系列有趣的例子，其中“人工智能”是為了玩遊戲而創建的，其目標只是為了遊戲系統而學習的。這些示例都來自 這個優秀的電子表格：
“因速度而長大的生物真的很高，並且會因摔倒而產生高速度。”
“特工在第1級結束時自殺，以避免在第2級失敗。”
“特工無限期地暫停比賽，以免失敗。”
“在人工生命模擬中，生存需要能量但生育沒有能量成本，一個物種進化出久坐不動的生活方式，主要是交配，以生產可以食用的新兒童（或用作配偶生產更多可食用的兒童） “。
“因為如果他們輸掉比賽，AI很可能會被”殺死“，因此能夠讓遊戲崩潰對於遺傳選擇過程來說是一個優勢。因此，一些AI開發了使遊戲崩潰的方法。“
“神經網絡的發展是為了對食用和有毒的蘑菇進行分類，利用了交替排列的數據，並沒有真正學習輸入圖像的任何特徵。”
其中一些解決方案可能聽起來很聰明，但這些神經網絡中沒有一個能夠理解它們正在做什麼。他們被分配了一個目標，並學會了實現目標的方法。如果目標是避免在計算機遊戲中丟失，按下暫停按鈕是他們可以找到的最簡單，最快速的解決方案。
機器學習和神經網絡
通過機器學習，計算機無法編程執行特定任務。相反，它提供數據並評估其在任務中的表現。
機器學習的基本示例是圖像識別。假設我們想要訓練一個計算機程序來識別其中有狗的照片。我們可以給計算機提供數百萬張圖像，其中一些圖像中有狗，有些圖像則沒有。圖像被標記為是否有狗。計算機程序“訓練”自己以基於該數據集識別狗的樣子。
機器學習過程用於訓練神經網絡，神經網絡是具有多個層的計算機程序，每個數據輸入通過，並且每個層在最終做出確定之前為它們分配不同的權重和概率。它模仿了我們認為大腦可能如何工作，不同層次的神經元參與思考任務。“深度學習”通常是指在輸入和輸出之間堆疊有許多層的神經網絡。
因為我們知道數據集中的哪些照片包含狗，哪些不包含狗，我們可以通過神經網絡運行照片，看看它們是否會得到正確的答案。例如，如果網絡決定特定照片沒有狗，那麼就有一種機制可以告訴網絡它是錯誤的，調整一些東西，然後重新嘗試。計算機越來越好地確定照片是否包含狗。
這一切都自動發生。利用合適的軟件和大量結構化數據供計算機自行訓練，計算機可以調整其神經網絡以識別照片中的狗。我們稱之為“AI”。
但是，在一天結束時，你沒有一個能夠理解狗是什麼的智能計算機程序。你有一臺計算機可以判斷一隻狗是否在照片中。這仍然令人印象深刻，但這就是它所能做的一切。
並且，根據您提供的輸入，神經網絡可能不像它看起來那麼聰明。例如，如果您的數據集中沒有任何貓的照片，那麼神經網絡可能看不到貓和狗之間的差異，並且當您在人們的真實照片上釋放它時，可能會將所有貓標記為狗。
機器學習用於什麼？
機器學習用於各種任務，包括語音識別。像Google，Alexa和Siri這樣的語音助手非常善於理解人類的聲音，因為機器學習技術訓練他們理解人類的語音。他們訓練了大量的人類語音樣本，並且更好更好地理解哪些聲音對應於哪些單詞。
自動駕駛汽車使用機器學習技術訓練計算機識別道路上的物體以及如何正確地響應它們。Google相冊充滿了Live Albums等功能，可以使用機器學習自動識別照片中的人物和動物。
Alphabet的DeepMind使用機器學習創建AlphaGo，這是一個可以玩複雜的棋盤遊戲Go並擊敗世界上最好的人類的計算機程序。機器學習也被用於創建擅長玩其他遊戲的計算機，從國際象棋到DOTA 2。
機器學習甚至用於最新iPhone上的Face ID。您的iPhone構建了一個神經網絡，可以識別您的面部，而Apple則包含一個專用的“神經引擎”芯片，可以執行所有數字運算以及其他機器學習任務。
機器學習可用於許多其他不同的事情，從識別信用卡欺詐到購物網站上的個性化產品推薦。
但是，用機器學習創建的神經網絡並不能真正理解任何東西。他們是有益的計劃，可以完成他們訓練的狹窄任務，就是這樣。
