随着“人工智能”走出实验室、逐渐有了实际的应用场景，它成为了一项可能在不久的将来彻底改变人类社会的基础技术，也成为了很多人最爱讨论的话题。但是，AI（人工智能）、机器学习、神经网络，这些词看着潮，究竟是指什么呢？

　　别慌，我们试着举几个简单的例子来解释一下。

　　人工智能

　　“科技潮人”小明爱玩各种数码产品，生活里也经常使用打车和订餐软件。每天回家前他都会用手机遥控打开家里的空调，和朋友约饭的时候也会在地图软件上查好地址通过微信群发。

　　小明喜欢的几项功能，比如用手机遥控空调，其实是通过几套程序实现的。

　　简单来说，编写一个普通的程序，其实是告诉计算机一套处理方法。比方说一个计算器，编写的时候就告诉它加减乘除法和开平方的定义，告诉它一个长算式里哪种计算优先级高（比如乘除》加减）。编写好了之后，这个程序就是计算器了，然而它除了加减乘除和开平方之外，别的什么都不能做。你不能用它来编写文档，也不能用它来叫车和订餐——因为编写者没告诉它除了算数以外的事。

　　但小明不想要一个程序控制空调、一个程序导航、一个程序刷脸记考勤，他希望所有的问题都能一站、自发地解决，这就需要人工智能。

　　这种新的计算机程序像人脑一样，是可以举一反三的。比如去年美国 MIT 的研究者就开发出了一种人工智能，先让它学习几个来自梵文的字母，它就能从之后数千个各种语言字母当中找出所有的梵文字母。

　　它们可以认字、听懂人说的话、识图，甚至通过一张图中所有的物体和他们的位置关系，来判断图中正在发生什么。比如，人工智能有能力识别下图中摩托车、驾驶者、头发的颜色、围观群众、马路等元素，回答一些基本的问题。在未来经过训练后，它也有能力做出“这是一次同性恋骄傲大游行活动”的判断。

　　这样的人工智能系统，都是“弱人工智能”。 人类对于人工智能的终极企图是全知全能，也叫做“强人工智能”，它不但善于思考，学习能力超强，还能够自我进化。如果你看过电影《超验骇客》，约翰尼·德普实验的人工智能学家威尔·卡斯特在自己生命的遗留之际，将自己的大脑上传到了电脑里。这个人工智能只用了几个小时就几乎接管了全球所有最主要的网络系统，包括政府、军方、银行等等；过了几年，它已经统治了世界，用极高的效率开发出革新的医疗技术，不但能够控制全球所有人的思维，还用智能化的生物微粒直接捏出了一个活的威尔·卡斯特。

　　尽管强人工智能至今还没有诞生，但是弱人工智能也已经非常了不起，它是怎样实现的呢？

　机器学习

　　机器学习是目前实现人工智能最主要的方式。再拿小明举个例子：

　　小明喜欢吃橙子，他总结出一个规律：颜色越深，个头越大，橙子越甜。但他新尝试了美国加州大脐橙之后，发现之前的经验不管用了：新的橙子，颜色越浅越甜。而小明的室友喜欢吃汁多的橙子，于是小明又学到一条：越软的橙子汁越多。

　　掌握了这条规律，小明跑去希腊旅游时，按照之前的经验买了橙子，却一点都不好吃！原来，这里卖的橙子是从别的地方进口的，绿色的好吃橙色的不好吃。

　　这种不断尝试的办法实在太笨了，不如写一个程序来搞定？这就到了机器学习的范畴。其实真实的程序很复杂，但其逻辑并不难理解：

　　首先，小明需要确定所有的橙子的特征，包括并不限于大小、颜色深浅、软硬、产地等等，在这些特征之间建立一些联系，比如 A 地生产的橙子越大越好吃，B 地生产的越软水越多等等，然后再把所有这些数据都输入到程序里。

　　现在，小明去菜市场，不再需要记住自己在哪个菜市场，去的哪个摊位，买的哪个产地的橙子，而是直接拿着一个橙子，把它的属性输入到这个程序里，程序会自动跑出“甜不甜”、“汁多不多”，甚至更直观的“室友爱不爱吃”的结果。测试的多了，这个程序还会自动学习新的规律。

　　这些输入给程序，以及程序自行学习到的规律，就是机器学习算法。这个程序就是一个机器学习的系统。

　　可机器又是怎么“学习”的呢？

　　神经网络

　　人类至今尚未明白人脑的工作原理，不过这没关系，我们可以先复制出一个人脑的计算模型：一件事情并非像计算机程序那样输入指令输出结果，而是在人脑的多个神经元传递，每个神经元都对信息进行自己的加工，最后输出的结果。计算机科学家用同样的方式，在输入和输出之间，加入了非常多的“节点”，每个节点会对前一个节点传来的数据，按照自己拥有的一个权重系数进行加工，有时候节点还会分层。这就是“人工神经网络”（Artificial Neural Networks，ANN）。

　　我们还是用小明的选橙子程序来举例。即便小明已经输入了自己大量的经验，这个程序仍然不是一开始就总能准确地判断出橙子好不好吃的。它仍需要进行大量的训练：小明输入一个新橙子的特征，程序根据这些特征计算出各个结果的概率。

　　比方说，小明输入“美国加州大脐橙”、“颜色浅”、“软”，结果程序给出甜的概率 85%，不甜的概率 15%，汁多的概率 50%，水不多的概率 50%，室友爱吃的概率 66%，不爱吃的概率 34%。结果小明尝了一下，发现的确很甜，但汁并不多，室友吃了不是很满意，程序可以回去自动调整某些与“汁多不多”有关节点的权重。通过不断地用最终结果去返回调试，这个神经网络给正确结果赋予的概率会越来越高，反之给错误结果的概率会越来越低。

　　历史上，科学家还设计过多层的神经网络，每一层都会对前一层传来的结果进行再次加工，目的是模拟出一种“深思熟虑”的感觉，但最后发现结果准确度并没有提高，有的时候还会陷入误区，就像人容易朝着一个思路越陷越深，最后钻牛角尖了一样。随着技术进步，卷积神经网络（CNN）、循环神经网络（RNN），以及长短时记忆单元（LSTM）等新玩意的诞生，让这一问题得到改善。现在，最厉害的神经网络技术不但已经非常接近人脑，还排除了很多人脑自身存在的低效的思维方式。

　　简单来说，神经网络是一种模拟人脑，取其精华去其糟粕的计算架构；利用神经网络进行机器学习，则让计算机不再只是执行命令的机器，具有了一定程度上举一反三的能力。

　　而将这个能力利用到造福人类的地方，就叫人工智能。