关于人工智能的5个误解，你中了几个？

近年来，遇到了一些关于人工智能的误解。

有时在与别人讨论人工智能时，都觉得讨论的是两个不同的主题。

关于人工智能（AI）有很多的误解，下面就是最常见的几个。

1、应用AI系统只是AGI的有限版本

人工智能，即AGI，一直是图灵和今天所有AI科学家的动力。

尽管许多人认为，人工智能的最新技术仍远远落后于人类的智慧。

AGI帮助我们理解了人类和自然智能的各个方面，因此，我们根据理解和模型构建了有效的算法。

然而，当涉及AI的实际应用时，AI从业者并不一定将自己局限于人类决策，学习和解决问题的纯模型。

相反，为了解决问题并实现可接受的性能，AI从业者经常做出构建实际系统所需的一切。

导致深度学习系统的算法突破的核心是一种称为反向传播的技术。

2、有一个万能的AI解决方案

一个常见的误解是：人工智能可以用来解决每一个问题。

现实情况大不相同：人工智能系统需要设计，有时需要大量设计，并且需要经过专门培训的模型才能应用于问题

虽然类似的任务，特别是涉及感知世界的任务（如语音识别，图像或视频处理）现在都有一个可用的参考模型库，但这些模型需要专门设计以满足部署要求，但可能没有用。

此外，AI系统很少是基于AI的解决方案的唯一组件。

通常需要许多定制的经典编程组件来组合以增强系统内使用的一种或多种AI技术。

3、AI与深度学习相同

深度学习或深度网络是人工神经网络的大规模，“深层”不是指深层思考，而是指我们现在可以在人工神经网络中承担的隐藏层数（之前它最多只有少数，现在它们可以在数百）。

深度学习方法中的“学习”是指模型的生成，而不是在新数据可用时能够实时学习的模型。

深度学习模型正在在线学习应用程序中使用。这种系统中的在线学习是使用不同的AI技术实现的，例如强化学习或在线神经进化。

这种系统的局限性在于，只有在离线学习期间主要经历使用领域时才能实现深度学习模型的贡献。

生成模型后，它将保持静态，并且对应用程序域中的更改不完全可靠。

现在有了像Sentient Ascend这样的平台使用进化算法来推动网站优化，大量的历史数据不再需要有效，而是使用神经进化来根据网站的当前环境实时转移和调整网站。

在大多数情况下，深度学习系统是由大型数据集推动的，因此从大型独特数据集生成新的有用模型的前景加剧了误解。

4、这都是关于大数据的

不是，它实际上是关于良好的数据。大型不平衡数据集可能具有欺骗性，尤其是当它们仅部分捕获与域最相关的数据时。

此外，在许多领域，历史数据可能变得无关紧要。

例如，在纽约证券交易所的高频交易中，最近的数据与2001年以前尚未采用十进制数据的数据相比具有更大的相关性和价值。

5、如果解决了我们需要的问题，那意味着正在使用AI

实际上，图灵的定义不会反驳这一点。

然而，就主流人工智能而言，一个完全设计的系统，比如能够实现不使用任何AI技术的自动驾驶汽车，是不会被认为是AI系统的。

如果系统的行为不是引擎盖下使用的AI技术的紧急行为的结果，而是程序员以确定性和工程化的方式从头到尾编写代码，那么系统不被认为是基于AI的系统。

尽管围绕人工智能存在着误解，但人工智能仍然存在，而且是未来的窗口。

未来还有很长的路要走，才能解决所有问题并实现大规模工业化。