每个人都在谈论“AI”。但是，无论您是在查看Siri，Alexa还是智能手机键盘中的自动更正功能，我们都无法创建通用的人工智能。我们正在创建可以执行特定的狭窄任务的程序。

电脑无法“思考”

每当一家公司表示它推出了新的“AI”功能时，通常意味着该公司正在使用机器学习来构建神经网络。“机器学习”是一种让机器“学习”如何更好地执行特定任务的技术。

机器学习是一项非常棒的技术，具有很多强大的用途。但它不是通用的人工智能，了解机器学习的局限性可以帮助您理解我们当前的AI技术如此受限的原因。

科幻梦的“人工智能”是一种计算机化或机器人化的大脑，它像人类一样思考事物并理解它们。这种人工智能将是一种“人工智能（AGI）”，这意味着它可以考虑多种不同的事物并将这种智能应用于多个不同的领域。一个相关的概念是“强AI”，它将是一种能够体验类似人类意识的机器。

我们还没有那种AI。我们并不接近它。像Siri，Alexa或Cortana这样的计算机实体并不像人类那样理解和思考。它根本没有真正“理解”事物。

假设人类可以提供数据来帮助他们学习，我们所拥有的人工智能训练有素，可以很好地完成特定的任务。他们学会做某事但仍然不理解。

电脑不明白

Gmail有一个新的“智能回复”功能，可以建议回复电子邮件。智能回复功能将“ 从我的iPhone发送 ” 标识为常见响应。它还想建议“我爱你”作为对许多不同类型的电子邮件的回复，包括工作电子邮件。

那是因为计算机无法理解这些回答的含义。据了解，许多人通过电子邮件发送这些短语。它不知道你是否想对你的老板说“我爱你”。

另一个例子是，Google相册在我们的一个家中拼凑了一张偶然的地毯照片拼贴画。然后，它将拼贴画确定为Google Home Hub的最新亮点。谷歌照片知道照片很相似，但不明白它们是多么不重要。

机器经常学习游戏系统

机器学习就是分配任务，让计算机决定最有效的方法。因为他们不理解，所以很容易最终得到一台计算机“学习”如何解决你想要的不同问题。

这里列出了一系列有趣的例子，其中“人工智能”是为了玩游戏而创建的，其目标只是为了游戏系统而学习的。这些示例都来自 这个优秀的电子表格：

“因速度而长大的生物真的很高，并且会因摔倒而产生高速度。”

“特工在第1级结束时自杀，以避免在第2级失败。”

“特工无限期地暂停比赛，以免失败。”

“在人工生命模拟中，生存需要能量但生育没有能量成本，一个物种进化出久坐不动的生活方式，主要是交配，以生产可以食用的新儿童（或用作配偶生产更多可食用的儿童） “。

“因为如果他们输掉比赛，AI很可能会被”杀死“，因此能够让游戏崩溃对于遗传选择过程来说是一个优势。因此，一些AI开发了使游戏崩溃的方法。“

“神经网络的发展是为了对食用和有毒的蘑菇进行分类，利用了交替排列的数据，并没有真正学习输入图像的任何特征。”

其中一些解决方案可能听起来很聪明，但这些神经网络中没有一个能够理解它们正在做什么。他们被分配了一个目标，并学会了实现目标的方法。如果目标是避免在计算机游戏中丢失，按下暂停按钮是他们可以找到的最简单，最快速的解决方案。

机器学习和神经网络

通过机器学习，计算机无法编程执行特定任务。相反，它提供数据并评估其在任务中的表现。

机器学习的基本示例是图像识别。假设我们想要训练一个计算机程序来识别其中有狗的照片。我们可以给计算机提供数百万张图像，其中一些图像中有狗，有些图像则没有。图像被标记为是否有狗。计算机程序“训练”自己以基于该数据集识别狗的样子。

机器学习过程用于训练神经网络，神经网络是具有多个层的计算机程序，每个数据输入通过，并且每个层在最终做出确定之前为它们分配不同的权重和概率。它模仿了我们认为大脑可能如何工作，不同层次的神经元参与思考任务。“深度学习”通常是指在输入和输出之间堆叠有许多层的神经网络。

因为我们知道数据集中的哪些照片包含狗，哪些不包含狗，我们可以通过神经网络运行照片，看看它们是否会得到正确的答案。例如，如果网络决定特定照片没有狗，那么就有一种机制可以告诉网络它是错误的，调整一些东西，然后重新尝试。计算机越来越好地确定照片是否包含狗。

这一切都自动发生。利用合适的软件和大量结构化数据供计算机自行训练，计算机可以调整其神经网络以识别照片中的狗。我们称之为“AI”。

但是，在一天结束时，你没有一个能够理解狗是什么的智能计算机程序。你有一台计算机可以判断一只狗是否在照片中。这仍然令人印象深刻，但这就是它所能做的一切。

并且，根据您提供的输入，神经网络可能不像它看起来那么聪明。例如，如果您的数据集中没有任何猫的照片，那么神经网络可能看不到猫和狗之间的差异，并且当您在人们的真实照片上释放它时，可能会将所有猫标记为狗。

机器学习用于什么？

机器学习用于各种任务，包括语音识别。像Google，Alexa和Siri这样的语音助手非常善于理解人类的声音，因为机器学习技术训练他们理解人类的语音。他们训练了大量的人类语音样本，并且更好更好地理解哪些声音对应于哪些单词。

自动驾驶汽车使用机器学习技术训练计算机识别道路上的物体以及如何正确地响应它们。Google相册充满了Live Albums等功能，可以使用机器学习自动识别照片中的人物和动物。

Alphabet的DeepMind使用机器学习创建AlphaGo，这是一个可以玩复杂的棋盘游戏Go并击败世界上最好的人类的计算机程序。机器学习也被用于创建擅长玩其他游戏的计算机，从国际象棋到DOTA 2。

机器学习甚至用于最新iPhone上的Face ID。您的iPhone构建了一个神经网络，可以识别您的面部，而Apple则包含一个专用的“神经引擎”芯片，可以执行所有数字运算以及其他机器学习任务。

机器学习可用于许多其他不同的事情，从识别信用卡欺诈到购物网站上的个性化产品推荐。

但是，用机器学习创建的神经网络并不能真正理解任何东西。他们是有益的计划，可以完成他们训练的狭窄任务，就是这样。