2017年12月，2014年被谷歌收购的研究实验室DeepMind推出了AlphaZero人工智能这个程序可以在一些棋类游戏中击败世界冠军。
有趣的是，AlphaZero没有收到任何来自人类的关于如何玩游戏的指令(因此得名)。相反，它使用了机器学习,这是人工智能的一个分支，通过经验而不是明确的命令来发展其行为。
在24小时内，AlphaZero在国际象棋中取得了超人的成绩，并击败了之前的世界冠军。不久之后，AlphaZero的机器学习算法也掌握了将棋(日本象棋)和中国棋类游戏围棋击败前辈AlphaGo, 100比0。
近年来，机器学习变得流行起来，并帮助计算机解决以前被认为是人类智能的专属领域的问题。尽管这距离人工智能的最初愿景还有很长的路要走，但机器学习已经让我们更接近创造会思考的机器的最终目标。
人工智能和机器学习的区别是什么?
开发人工智能的传统方法包括精心编码定义AI代理行为的所有规则和知识。在创建基于规则的AI时，开发人员必须编写指令，指定AI应如何应对每种可能的情况。这种基于规则的方法，也被称为优秀的老式AI (GOFAI)或符号AI，试图模仿人类思维的推理和知识表示函数。
符号AI的一个完美例子是鳕鱼干(在新窗口打开)这是一个顶级的开源国际象棋引擎，开发了10多年。数以百计的程序员和棋手为Stockfish做出了贡献，并通过编写规则来帮助开发它的逻辑——例如，当对手将其骑士从B1移动到C3时，AI应该做什么。
如果开发人员以传统的方式创建程序和交互。他们通过基础技能来做到这一点
但基于规则的AI在处理规则过于复杂和隐含的情况时往往会崩溃。例如，识别图像中的语音和物体是无法用逻辑规则表达的高级操作。
与符号人工智能相反，机器学习人工智能模型不是通过编写规则，而是通过收集示例来开发的。例如，为了创建一个基于机器学习的国际象棋引擎，开发人员创建了一个基本算法，然后用之前玩过的数千场国际象棋游戏的数据“训练”它。通过分析数据，人工智能发现了定义制胜策略的共同模式，可以用来击败真正的对手。
人工智能评论的游戏越多，它就越能在游戏中预测beplay手机官网下载获胜的走法。这就是为什么机器学习被定义为一个程序，其性能随着经验而提高。
机器学习适用于许多现实世界的任务，包括图像分类、语音识别、内容推荐、欺诈检测和自然语言处理。
监督学习和非监督学习
根据他们想要解决的问题，开发人员准备相关数据来构建他们的机器学习模型。例如，如果他们想使用机器学习来检测欺诈性的银行交易，开发人员将编制一个现有交易的列表，并将其结果标记为(欺诈性或有效)。当他们将数据输入算法时，算法将欺诈交易和有效交易分开，并在这两类交易中找到共同特征。用带注释的数据训练模型的过程被称为“监督学习”，是目前机器学习的主要形式。
目前已经存在许多在线存储库，用于不同任务的标记数据。一些流行的例子是ImageNet(在新窗口打开)这是一个包含1400多万张标记图像的开源数据集MNIST(在新窗口打开)，这是一个包含6万个带标签的手写数字的数据集。机器学习开发人员还使用亚马逊的Mechanical Turk等平台，这是一个在线按需招聘中心，用于执行诸如标记图像和音频样本等认知任务。还有一个不断增长的部门初创公司专注于数据注释(在新窗口打开)．
但并非所有问题都需要标记数据。一些机器学习问题可以通过“无监督学习”来解决，即为AI模型提供原始数据，让它自己找出哪些模式是相关的。
无监督学习的一个常见用途是异常检测。例如，机器学习算法可以对联网设备(比如智能冰箱)的原始网络流量数据进行训练。训练后，AI为设备建立基线，并可以标记异常行为。如果设备感染恶意软件并且开始与恶意服务器通信，机器学习模型将能够检测到它，因为网络流量与训练期间观察到的正常行为不同。
强化学习
到现在为止，你可能知道高质量的训练数据在机器学习模型的效率中起着巨大的作用。但强化学习是一种专门的机器学习类型，人工智能在不使用之前的数据的情况下发展自己的行为。
强化学习模型从一个干净的石板开始。他们只被告知环境的基本规则和手头的任务。通过反复试验，他们学会了为实现目标而优化自己的行动。
DeepMind的AlphaZero是强化学习的一个有趣例子。与其他机器学习模型不同的是，AlphaZero一开始只知道棋子的走法和比赛的获胜条件。其他机器学习模型必须观察人类如何下棋并从中学习。在那之后，它与自己进行了数百万场比赛，从随机动作开始，逐渐形成行为模式。
强化学习是一个热门的研究领域。这是用于开发的主要技术可以掌握复杂游戏的AI模型比如Dota 2和星际争霸2，也被用于解决现实生活中的问题，比如管理数据中心资源(在新窗口打开)以及创造能够像人类一样灵巧地处理物体的机械手。
深度学习
深度学习是机器学习的另一个流行子集。它使用人工神经网络，软件结构大致受人脑生物结构的启发。
神经网络擅长处理非结构化数据，如图像、视频、音频以及文章和研究论文等长文本摘录。在深度学习之前，机器学习专家必须投入大量精力从图像和视频中提取特征，并在此基础上运行他们的算法。神经网络自动检测这些特征，不需要人类工程师付出太多努力。
深度学习是许多现代人工智能技术的背后，比如无人驾驶汽车(在新窗口打开)iPhone X的高级翻译系统以及面部识别技术。
机器学习的局限
人们经常将机器学习与人类水平的人工智能混淆，一些公司的营销部门故意将这两个术语互换使用。但是，尽管机器学习在解决复杂问题方面已经取得了很大的进步，但距离创造出会思考的机器还很远人工智能先驱的设想．
除了从经验中学习，真正的智能还需要推理、常识和抽象思维，而机器学习模型在这些方面表现非常差。
例如，虽然机器学习擅长复杂的模式识别任务，如提前五年预测乳腺癌在美国，它很难完成简单的逻辑和推理任务，比如解决高中数学问题(在新窗口打开)．
机器学习缺乏推理能力，这使得它不善于概括自己的知识。例如，一个机器学习代理可以像专业玩家一样玩超级马里奥3(在新窗口打开)不会主导其他平台游戏，如洛克人，甚至是另一个版本的超级马里奥。它需要从零开始训练。
由于没有从经验中提取概念知识的能力，机器学习模型需要大量的训练数据来执行。不幸的是，许多域名缺乏足够的培训数据或没有资金来获得更多的培训数据。深度学习，现在是机器学习的普遍形式存在可解释性问题神经网络以复杂的方式工作，甚至它们的创造者也很难遵循它们的决策过程。这使得在有法律要求解释人工智能决策的情况下，很难使用神经网络的力量。
幸运的是，人们正在努力克服机器学习的局限性。一个值得注意的例子是国防部研究机构DARPA的一项广泛倡议，旨在创建可解释的人工智能模型。
其他项目旨在减少机器学习对注释数据的过度依赖，并使该技术适用于训练数据有限的领域。IBM和麻省理工学院的研究人员最近在该领域取得了进展将符号人工智能与神经网络结合起来．混合人工智能模型需要更少的数据进行训练，并可以逐步解释其决策。
机器学习的进化是否最终会帮助我们实现创造人类水平的人工智能这一始终难以实现的目标，仍有待观察。但我们可以肯定的是，由于机器学习的进步，我们桌子上和口袋里的设备每天都在变得越来越智能。
这位机器学习教练可以帮你塑形
