导读

标题｜AI Is Everywhere, but What Is AI?/ 人人都在谈AI，AI到底是什么？

作者 | Pamela Hogle

翻译｜Online-edu 编辑组 Lucy

声明｜如需转载请注明出处与来源。
 

随着在线学习的深度学习能力变得更加成熟,在线学习将会变得可以适应每一个学习者偏好, 且具备更强大的学习行为分析能力。

AI或人工智能，简单的来说，这是一个相当时髦的词汇：这个词似乎无处不在,一旦有这个词出现，总会让人觉得有点不同。它涵盖范围很广，并不特指，且无处不在。

AI的定义  

一种定义是 AI Now symposium的主席凯特·克劳福德和梅雷迪思·惠塔克, 在2016年7月提出的:人工智能(AI)是包括机器学习、感知、推理、和自然语言处理的一个系列的技术。

另一个说法是加州大学伯克利分校建筑机器智能,计算机科学与工程的教授斯图亚特·罗素提出的：他认为判断一个机器是否智能，它需要具备视觉，听觉，认知，,学习，发现，帮助制定计划，并决定行动的能力。罗素在2015年12月的一次TED演讲中指出，人工智能已经无处不在：谷歌的搜索引擎就是人工智能的一个例子，Siri也是。基于AI的视频游戏，通常来说，会比较愚笨，这样人类玩家偶尔会赢。人们打字时纠正拼写和猜词的算法其实也是人工智能的一种，这个时候机器执行了成千上万的任务。以上的这些例子展现的人工智能不一样，代表了AI在不同方面的应用，例如被大家所知的机器学习或者深度学习。

更进一步的来看，AI可以分为广义的AI 和狭窄的AI.

根据罗素的说法，广义的AI具有跟人类同等或更强大的智慧和能力。这台机器到目前为止，只存在于科幻电影或者科幻小说中。狭窄的人工智能是指有特定方面智能的机器，他们可以像人一样（或者比人类做的更好）的学习和执行特定任务。例如像击败Jeopardy冠军的机器,Alpha GO,扑克玩家到图像识别分类，及叠毛巾的机器人（都属于人工智能）。

基于这些定义,很明显人工智能已经是在线学习不可分割的组成部分。随着机器学习变得更加复杂,人工智能在在线学习的作用会显著增加。

机器学习是指让一台智能机器（AI）通过算法来教它做出决策，最终，这种决策是没有明确指向性的。例如，当你使用拼写程序在手机上输入“Cali”时，在你多次输入并修正以后程序终将停止把它修正为 “Kelly””或者“Callie”，他会意识到“Cali”是你家狗的名字，且拼写是正确的。更多的“训练”之后，“当你键入“Ca”时它会自发建议“Cali”。

当亚马逊建议你可能要购买某品类或Netflix推荐的项目时，他们也使用了机器学习。这些服务筛选了大量的数据，包括你过去的行为，基于算法，作出决定或建议。

这些建议是自动的，但机器学习是基于人类的指导。人们写的算法，人类告诉机器需要注意什么，忽略什么，以及通过信息收集来进行决策 。与任何人为控制一样，机器学习算法反映反映了程序员或者使用者的假设。

斯威尼（2013）在她的“广告服务中的歧视”报告中指出，在谷歌的广告中：“广告主可以为相同的搜索字符串和“谷歌算法”等多个模板去学习判断随着时间的推移，哪个广告文本能从观众中得到最的点击。然后基于每个广告文本的点击历史来分配权重（或概率）。最初所有可能的广告文本都是相同的权重，它们有同样的概率产生点击。随着时间的推移，人们更倾向于点击某一个版本的广告文本，权重发生改变，所以获取最多点击次数的广告文本最终显示的频率会更高。这种方法作为广告载体，为广告主在客户谋取了大量客户，调整了Google以此在广告商手上获利。”像论文中所说的那样，它导致广告中包含了大量的用户偏见，甚至导致“逮捕”这个词的搜索结果显示非洲裔美国人的名字比白人的名字要多。

机器学习算法存在固有的偏见已经在2016年由普林斯顿和巴斯大学的研究人员论证。“我们已经确认了AI也基本继承了跟人类一样的偏见，”研究人员写道。“AI的偏见影响会很大，因为AI越来越多的在社会任务上给了机构建议，无论是从预测文本还是到到法庭的刑事判决上。”

机器是否能通过更多的决策导致更好更精准的结果？这就是深度学习的画面。虽然仍然受到人类编程的影响，但深度学习系统能够执行“无监督学习”。

深度学习是一种复杂的机器学习形式，计算机学习如何自主学习，不再需要人工输入。它使用的算法模仿神经网络在人类大脑的运行。他们获取信息并产生输出。当然并不是那这么简单，在信息输入和结果输出之间会发生许多层次的处理。虽然不是每一个行动和决策都是由一个人编程，但是该算法提供了初始的决策指令。

深度学习可以快速行形成模式；很常见的例子就是图像识别软件使用深度学习来识别猫的图片。电脑给了成千上万张猫的图片，不同颜色和不同大小的猫，在不同的位置从事不同的活动。计算机会“看”一组特征--由程序员记决定--来区别照片中的什么是猫什么不是。随着处理越来越多的照片，计算机的准确性会提高。它就学会了如何识别猫。

语言学习是导致深度学习巨大进步的又一领域。根据纽约时代杂志的报道，谷歌翻译基于深度学习的升级，导致了一夜之间的堪称戏剧性的进步。

随着计算机的识别模式变得越来越好，系统也变得更加容易地识别图像中的其他对象以及图像之间微妙的差别。这是一个多层次的网络功能；不同层级学会识别不同的项目，系统基本上是通过“自学”来排序和进行项目分类，尽管目前没有人能明确的解构和标记每个项目。

深度学习进一步发展是强化学习，它被麻省理工学院技术评论评为2017年10项“突破性技术”之一。结合深入学习，它可以用于通过软件重新控制自动驾驶汽车。

强化学习实际上超越了识别和分类项目，实际上是一种行为选择。软件通过在模拟器上使用不同的参数反复的练习来进行“学习”。当（运算）结果是好的，这组参数会保留；相反当数据造成负面的结果就会被减少重复。经过多次试验，算法就学会选择产生好的输出的行为。“强化”是来自环境的反馈。理论上来说，该系统可以无限的进行学习，提高其性能。

进行深入学习和强化学习，系统需要强大的计算能力；到目前为止，也只有厂房像Google和Facebook这样的企业拥有强大的计算能力来训练AI系统去执行特定的，数据密集型任务。然而，开源工具和其他技术上的进步使企业在线学习的开发者能够更容易的使用这些工具。它对企业在线学习的潜在利益是巨大的。

比如聊天机器人技术的迅速提高，展现了在在线学习当中潜在的“人”的相互作用能帮助或加强学习。AI已经在学习项目当中被使用，它可以为每一个学习者提供个性化的在线学习体验。随着在线学习中的深度学习能力变得更加复杂，在线学习系统将变得更加适应每个学生的偏好，性能和行为模式，导致更大的参与感。甚至说，在线学习可以从所有人被“要求”使用同样的模型，观看同一视频和阅读他们可能已知的文字材料等这种固有的模式发生转变。项目可以采取让一个学习者使用自己的个性化的课程，只覆盖他或她的薄弱领域，用最适合他们的展现的形式及最合适的学习节奏。