然而，盡管Elektro給人留下了深刻的印象，但他有一個嚴重的局限性:他是自動化的，而不是智能化的。當你按下一個按鈕，他可以吹爆一個氣球，但他沒有能力決定什么時候吹氣球或當氣球用完了想出如何得到更多的氣球。他沒有能力學習新的技能，甚至沒有能力在所知道的事情上做得更好。
另一個混淆自動化和智能化的來源是機器人流程自動化領域的不斷發展，它涉及使用軟件和機器學習來訓練計算機處理高級日常任務。該軟件觀察人是如何完成一項工作的，并試圖以相同的順序重復相同的步驟。這些系統有時看起來像人工智能應用程序，但它們實際上只是標準的自動化。這些軟件機器人完全按照顯示的步驟進行操作，幾乎就像一臺老式的錄音機。它們從不學習或者自動適應環境變化。
StuartRussell和Peter Norvig在其著作《人工智能：一種現代方法》中明確區分了自動化和人工智能，他們解釋說，與自動化系統不同，人工智能將“設計師的觸角延伸到未知環境中”。換句話說，衡量人工智能系統的一個基本標準是，該系統可以學習和改進，而無需人工培訓師的輸入或指導。
所以當你想要構建一個人工智能模型時，首先要問的一個問題是你想讓它是智能的還是自動化的。你是想要一個可以自己學習的系統，還是一個僅復制一種能力的系統來完成可以編程或訓練的任務?如果你需要一個自動化系統，基本的機器學習可以處理這項工作。但是如果你想要一個能夠學習和適應的系統，一個能夠將“設計師的觸角延伸到未知環境”的系統，可能需要構建深度學習人工神經網絡。
在機器學習的世界里，深度是很重要的，而深度通常表現在節點和層中，更大的網絡通常表現得更快、更加善于發現數據中的模式。
機器學習系統面臨的一個挑戰是，它們可能是任務密集型的，特別是當需要讀取以PB（1024TB）為單位的數據時。但這并不是一個剛出現的挑戰，早在20世紀40年代初，計算機科學家就試圖通過擴展計算機的能力來應對這一挑戰。于是發明了一種叫做人工神經網絡的工具，它是模仿人腦生理學而構建的。大腦由神經元組成，形成一個復雜的三維網絡。每個神經元充當一個獨立的處理器，神經元通過電化學信號機制通過網絡相互通信。這個3D網絡使人類能夠在瞬間做出決定。人工神經網絡的結構和功能相似，但它不使用生物神經元，而是使用稱之為節點的計算機處理單元。這些節點按層排列，一層中的所有節點與上下層中的所有節點相連，形成一個復雜的節點網絡。每個節點接受輸入，對該輸入執行計算，并將輸出傳遞給一個或多個其他節點。通過協作，網絡可以學習并執行分類和聚類等操作。
與大多數機器學習應用程序通過有監督或無監督學習來執行特定任務不同，人工神經網絡通過試錯學習。從錯誤中學習，并根據概率進行操作。這就是為什么當你看人工神經網絡的結果時，它們通常代表的是正確的可能性或概率。例如，在面部識別中，神經網絡將返回一個結果如，“這有98.6%的概率是某個人”。
系統能夠實時處理數據并進行自我優化。一開始，人工神經網絡可能只在一小部分情況下是正確的。然而，隨著時間的推移，通過學習，性能得到了提高，就像人類一樣。盡管存在潛在的缺點，但與不太復雜的機器學習網絡相比，神經網絡提供了五個關鍵優勢:
第一，是能夠分布式處理:可以將處理任務劃分并分布在節點上，以顯著提高計算結果的總體速度。你可以分散負載，而不是讓一個處理器來處理所有事情。
第二，有機學習(organic laning)：這個有機是說，神經網絡可以自己學習，無須經過“訓練"，也就是說，無須輸入從專家那里收集的預先確定的數據和邏輯。(但這里的無須訓練不是指深度學習不需要模型訓練的意思。)
第三，人工神經網絡能夠做到非線性處理:通過非線性處理，神經網絡可以采取捷徑方式來減少找到解決方案所需的計算量。
第四，容錯:神經網絡可以將信號重新路由到下游的任意其他節點，從而防止系統故障。
第五，自我修復，神經網絡可以幫助診斷、修復和恢復節點故障以維持正常功能。那總的來說，深度學習人工神經網絡可以顯著地擴展機器學習的能力。它們使人工智能系統能夠篩選大量不同的數據，從而快速、輕松地識別復雜的模式。
北大青鳥開設了人工智能、大數據、5G云計算、Java、前端、軟件開發等課程，辦學十余年，擁有豐富的教學經驗。如果你想學習一些人工智能方面的知識，也歡迎致電400-8035-955或在下方留下聯系方式來北大青鳥咨詢！
