人工智能这个概念覆盖范围相当广泛，它囊括了多种让计算机展现一定“智能”表现的技术手段。不过，我们日常生活中谈论的AI，和科幻电影里那种全能机器人其实并不相同。

通用人工智能（AGI）

提到AI，许多人最先联想到的是影视作品中那些无所不能的机器人——能战斗、会飞行，还能和你毫无障碍地聊任何话题，比如《超能陆战队》的大白、《机器人总动员》的瓦力、《终结者》系列、漫威的奥创等等。尽管这确实是人工智能研究的最终愿景，但坦白说，我们距离那个理想境界还有相当大的距离。这种理想化的技术形态，被称为通用人工智能（AGI）。

窄人工智能（Narrow AI）

目前我们真正拥有的，其实是窄人工智能（Narrow AI）。它在某些特定任务上的表现能够达到甚至超越人类水平，但一旦脱离这个领域，就会变得完全无能为力。

举个例子，几年前谷歌DeepMind的AlphaGo围棋程序击败了世界冠军，当时在网络上引起了广泛关注。但这个程序除了下围棋，其他任何事都做不了——既不能玩《绝地求生》，也不会运行《堡垒之夜》，甚至连当前的时间都报不出来。

眼下我们接触到的AI基本都属于窄AI，而窄AI主要包含两种类型：符号人工智能和数字人工智能（即我们常说的机器学习）。

符号人工智能（Symbolic AI）

符号人工智能也被称为老式AI（GOFAI），已经发展了数十年之久。它的运作方式依赖程序员手动编写所有规则，因此构建一个完整的系统难度极大。不过，在一些需要清晰解释决策原因的场合，它依然具有应用价值。例如，如果AI法官判定一个人入狱，它必须说明判决的理由，符号AI就很适合这类场景。

机器学习（ML）

机器学习比符号AI出现得更晚，但功能却要强大得多。Google DeepMind的AlphaGo就是一个基于ML的系统。它的核心思想并非由程序员固定写死规则，而是通过大量样本或数据让程序自主“学习”如何完成任务。

这其实和人类学习新知的过程非常相似。教孩子认识狗的时候，你通常不会列出繁琐的规则——比如“如果身体矮小、耳朵下垂、尾巴摆动，那它就是狗”。你只需要给他看许多狗的照片，他慢慢就会掌握辨识能力。机器学习遵循的基本逻辑也是如此。

近十多年来，智能手机和各种传感器日益普及，我们每天都会产生海量数据，这为机器学习提供了充足的训练素材。与此同时，多核CPU、GPU等硬件成本不断降低。数据量的爆发式增长以及廉价硬件的普及，正是当前人工智能革命的两大核心驱动力。

目前，机器学习主要有三种类型：

1. 传统机器学习

传统ML主要采用基于统计方法的算法，例如线性回归、支持向量机、决策树等。这些算法的数学和统计基础其实早已成熟，只是近十年才被广泛归入ML或AI的范畴。如果你希望深入理解背后的数学原理，可以翻阅《The Elements of Statistical Learning》这本书。在实际应用中，Python的sklearn和xgboost库基本上能够满足传统ML的大部分需求。

2. 深度学习（DL）

深度学习彻底改变了计算机视觉和自然语言处理这两个领域。它通过将多层人工神经网络串联起来，利用通用逼近定理可以近似任意数学函数。每一层都由线性操作和非线性操作组合而成。

通过向算法提供大量与学习任务相关的数据，网络能够“学习”出线性操作的参数。内部则采用一种名为“梯度下降”的方法，逐步调整参数，直至精度达到最优。目前主流的深度学习Python框架主要有两个：TensorFlow和PyTorch。

3. 强化学习（RL）

强化学习是三种ML类型中最为复杂的一种。Google DeepMind的AlphaGo击败围棋世界冠军，正是RL的经典案例。传统ML和DL是从历史数据中学习，而RL则是通过执行动作并衡量回报来学习——这有点像训练宠物掌握新技能。在AlphaGo这样的游戏场景中，奖励就取决于每一步决策能否最大化最终得分。

如何选择合适的技术？

面对如此众多的窄AI技术，我们该如何挑选来解决问题？

首先，从业务角度出发，明确问题到底是什么。然后，尝试不同的技术组合，直到达成商业目标。一种能够实现80%准确率的方法，远比一种虽然能达到99.9%精度但根本无法落地的方法更有价值。