一. 什么是人工智能

简而言之，人工智能就是用人造的方法模拟智能。

这里包含两个关键概念，一个是“人造”，另一个就是“智能”。

“人造”好理解，就是用人工的方法去模拟。但是“智能”是什么呢？

在回答什么是“智能”前，让我们先看看以下哪个物品有智能：

以上物品分别是：现代人类、古代智人、猫、向日葵、搜素引擎Google、抽水马桶

第一排很好判断，大家都认为它们是有智能的。

那第二排的呢？

1. 向日葵有智能吗？它可以跟随太阳移动。

2. 搜索引擎有智能吗？它能把输入问题的答案列出来，比如：输入“著名的餐馆”，他可以给出著名餐馆的列表。

3. 抽水马桶有智能吗？它在放水后能够知道何时停止放水，转而进行蓄水，当蓄满的时候又知道何时停止蓄水。

第二排的物品（向日葵、搜索引擎、抽水马桶）和第一排的物品（现代人类、智人、猫）都有个共同之处，那就是：它们能够根据外部环境的变化，从而自发的改变自己。

比如：向日葵可以根据太阳的移动而移动自己的花盘；搜索引擎可以根据用户的不同输入展示不同的结果；抽水马桶可以根据水位来决定自己是放水还是蓄水，还是停止。

进一步的一个问题是，同样都可以根据外部环境改变而自发的改变自己，那么这两排的物品有什么不同吗？

这个区别还是很明显的，那就是：在面对外部环境新的变化的时候，是否可以自主学习、理解环境，从而在新的外部环境下自发改变自己？

第二排的物品都是为了某些特定情景提前设定好的，如果跳出这个特点情景，它们就不会有任何自发行为。

比如：向日葵只是在发芽到花盘盛开前的这段时间是随着太阳移动的。搜索引擎也是通过事先计算好的关键字对应关系来呈现结果。最后的抽水马桶只是为了冲水这一件事情设计的。它们都不会对新的情景产生新的动作。

“智能”通常具备以下两个特征：

1. 根据外部环境的状态变化，而自发的决定自己的状态。

2. 在面对新的外部环境的时候，可以自己学习、理解环境，从而在新的环境状态下自发决定自己的状态。

根据这两个特征，第一排的物品是有智能的，而第二排的物品是没有智能的，只是有“功能”。

人工智能就是用人造的方法模拟智能，模拟的智能能达到智能物品的两个特征即可。

二. 人类智能

目前大家已知的智能物中，人类是被认为智能最强的。那么有没有什么方法来判断人造智能物是否达到了人类智能的级别？

著名的现代计算机之父图灵曾经提出过一个思想实验，能通过这个实验的，就被认为拥有人类智能的级别。这个思想实验也被称为“图灵测试”。

图灵测试是这样的，一个人和一个机器在隔开的情况下，通过一些装置（如键盘）向这个机器随意提问，进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这个机器就通过了测试，被认为拥有人类级别的智能。

在图灵测试中，图灵并没有检验机器是否有合作、分工、演化、自由意志等因素，只是单纯的检测机器是否有足够的智能。但是这并没有妨碍哲学家讨论这些问题，哲学家认为，如果这些因素机器都能满足，那么这种智能叫强人工智能，如果不满足这些因素，而仅仅是通过了图灵测试，那么是一种弱人工智能。

目前在人工智能领域还没有一种机器（或系统）能通过图灵测试。

三. 如何让机器学习

“智能”有一个特征就是在面对新的外部环境的时候，可以自己学习、理解环境，从而在新的环境状态下决定自己的状态。那么要如何才能学习呢？

人类的学习方法是这样的：从一个问题的一些经验中进行归纳、演绎、联想，得出结论，进一步将结论用于解决这一类的问题上，在这个推广过程中不断利用上述步骤修正结论。人类的经验非常丰富，这些经验有的成为了全人类的一些共识，这使得人类的学习速度加快。

那么如果是一个机器呢，我们该如何让一个机器学习？它能学习到什么程度？

一个模拟人类学习的方法是：给机器输入关于这个问题的数据，利用一些数学方法让机器根据这些数据做归纳、演绎，从而得出结论，再利用这个结论解决这一类的问题。这个过程，称为机器学习。

在机器学习中，得出的结论有个特定的名称，叫做“模型”；让机器根据数据做归纳、演绎的过程叫做“模型训练”；将模型用于解决这类问题的过程，叫做“泛化”。整个过程如下图所示：

人们利用泛化结果的好坏来评价学习的模型的好坏。

四. 机器会超越人类吗？

机器学习由于其方法的普适性和解决问题的泛化能力，被很多领域都广泛使用。目前，机器学习的成功已经广泛使用在很多方面。比如： 判断一封电子邮件是否是垃圾邮件，一些新闻资讯类App自动呈现用户感兴趣的内容，根据诊断结果判断一些病的患病几率，自动驾驶，和人类对弈围棋且战胜人类，图片中的一些元素的识别，语音翻译，虚拟个人助理等等。随着机器学习在这些应用领域的不断使用，机器也在不断优化自己的结果，从而不断提高机器学习的质量和效果。

照这个趋势下去，机器会超越人类吗？

机器学习和人类学习相比，机器学习还有以下几个硬伤：

1. 缺少跳跃式的建模。

目前机器学习的建模方法是逐步递进的，缺少了一些跳跃式的前进。人类经常有灵光一现等想象力飞跃的时刻，但是机器学习没有，它只有层层递进，逐步收敛，最终得到模型。

2. 计算能力还不够强

虽然比人脑单个神经元的计算速度快，但是人脑的并行计算能力远超现代计算机好几个量级。人脑可以同时有上亿个神经元被激活，参与计算。相比之下，机器的计算力有限，如果计算机目前的体系结构在未来保持不变，那机器在未来也没可能超越人类的计算能力。

3. 知识储备不足

人类的学习有个重要的来源就是人类共有的知识，这些知识给人类理解和学习问题提供基础，有时即便问题信息不足，人类依然可以利用这些知识来学习、梳理问题。而每个机器有自己学习到的模型，目前还不能将这些模型让其他机器共享。这也正是机器学习在很多领域很难达到人类水平的一个原因，比如：自然语言处理。

4. 不能举一反三

机器学习不能脱离要解决的实际问题，得出的模型也只是在这类实际问题中得到有限的泛化能力。这就限制了机器能像人类一样拥有举一反三的能力，只能一个个的学习。这就缺少了面对环境变化后的自主学习能力。

综合来看，机器学习要想超越人类，需要解建模方法、决计算力、知识共享，举一反三这四个问题。目前还不能超越人类，智能在一些高度结构化而且频繁重复某些模式的领域才能适用。

到此，我们宏观的了解了什么是人工智能，以及它的长处和短处，希望能对想要了解人工智能领域的人起到帮助。