虽然人工智能这个词是在20世纪50年代正式发明的，但是人工智能（AI）这个概念可以追溯到古埃及的自动机器和早期的希腊机器人神话。人工智能领域的名人们试图通过1956年的达特茅斯会议和图灵测试来定义人工智能，而热情的人工智能倡导者们坚持用一种可区分和易于理解的方式向全世界解释这一概念。
人工智能是一个神秘的、神奇的、似乎有着无穷无尽的可能性的主题。然而，对于普罗大众来说，它仍然是一个难以捉摸的东西，在人们对未来的预测中，它常常被描绘成消极的形象。
为了对抗好莱坞电影中的人工智能所带来的恐惧的恶性循环，我们需要清楚地明白，人工智能到底是什么。
如何辨别某个东西是不是AI
从最广泛的意义上讲，人工智能可能具备人类所有的认知能力，包括学习的能力。一台机器只需要有一分钟的这些技能，就能算作人工智能。人工智能是机器的特点，它通常是表现出智能行为的计算机程序。在这种情况下，“智能”意味着在不同的环境或条件下实现目标的能力。相应地，在计算机科学领域，人工智能领域是指那些设计智能系统的研究。
基于这一技术定义，人工智能并不需要具备学习的能力。在最极端的情况下，机器中的所有智能行为都可以由程序员通过编写硬代码实现。只要预设的算法能够实现它的目标，机器仍然可以符合人工智能的定义。许多当前的人工智能系统实际上都是基于规则的系统类型，在这种系统中，工程师可以向系统提供其需要的智能。
此外，机器学习是一门科学，它让机器在没有明确编程的情况下表现出智能行为。具体来说，它为系统提供了从数据中自动学习的能力，并且在没有工程师改变程序代码的情况下进行改进。
抛开技术层面来谈，你可以说人工智能是目标，机器学习是实现这一目标的途径之一——让机器自己解决问题。在许多情况下，机器学习涉及到使用以前收集的数据学习和改进模型。通过数据，机器可以做出经验驱动的预测或决策。通过不断更新模型，机器将自主学习适应不断变化的环境。
AI并不是天生就优于人类
为了弄清人工智能的能力，我们需要解释它能做什么。虽然工程师可以对人工智能进行操作，并提供所有的智能，但机器学习在创建人工智能系统时变得越来越重要。这是因为机器学习承诺在找到未知解决方案的同时，能够减少人工工程的时间，即使是对领域专家来说也是如此。然而，在很多情况下，工程时间只是从直接设计人工智能的时间变为设计一种机器学习算法来学习解决方案本身的时间。人类工程师仍然是不可或缺的。
乍一看，这是一个完美的解决方案：我们创造了一个能够学习的人工智能，向我们展示如何学习解决一个任务，然后，它就能得出任何相关问题的解决方案，对吧？看起来，像谷歌、微软和苹果这样的大公司是这么认为的：他们利用这种直观的期望来说服人们，他们的人工智能系统将解决许多客户的问题。他们在人工智能领域投入巨资，并做出重大承诺。
在过去的十年中，学习系统已经完美地解决了对象识别、语音识别、语音合成、语言翻译、图像创作和游戏玩法等方面的问题。这些算法的能力被宣传为具有突破性的功能，确实是这样。在机器学习中，没有深厚技术背景的人通常会认为机器在执行诸如此类的特殊任务方面的改进，只需要组合不同的人工智能。这并非完全正确。
每一天，算法都是在学习如何解决新任务，并在其他方面变得更好。谷歌旗下DeepMind的AlphaGo打败了李世石，后者是世界上最好的围棋选手之一。了解到这一点后，一位有工程背景的客户说，“我们现在有了一个通用人工智能，它已经学会了在围棋上超越人类——那么它肯定能优化汽车排气系统的设计。”然而，这种推理是基于这样的假设：一旦机器学习算法被开发出来解决一个问题，同样的算法就可以很容易地应用于解决一个不同的问题。
但事实并非如此。
在现实中，上述的每一个突破都是通过高度专业化的机器学习算法实现的，这些算法是地球上那些最聪明的人花了很多年的时间开发出来的。他们的设计和调整都是为了解决他们的具体任务——只是这一个任务。
有一些基本的方法，比如深度学习，可以在不同的应用领域重复应用。然而，对于大多数应用程序来说，需要结合不同的机器学习方法。生成的机器学习系统需要根据特定应用程序的数据进行调整，需要调整训练算法，以找到高性能的解决方案。每一步都需要一个机器学习专家（通常不止一个），辅之以软件工程师和领域专家才能完成。
它需要一支军队
AlphaGo是一项耗时多年的项目的成果，该项目至少有17人参与其中，其中有几人在各自的机器学习领域都处于领先地位。据第三方消息来源称，AlphaGo在与Sedol的游戏中使用了1920个CPU和280个GPU。
大型人工智能公司都拥有数个世界知名的机器学习专家团队，并与软件工程师进行合作。在许多情况下，每个团队都专注于一个特定的应用领域，目标是研究增量方法，以改进当前最好的机器学习方法。
现代人工智能更像是一个软体动物，而不是无所不能的机器，生物学为今天的人工智能提供了灵感。生物学家研究了一种机制，即动物在经历过一些能够改变某种环境特定意义的事情后，会改变对特定环境的反应方式。用一个词来形容就是——学习。
常见的研究对象是海兔（即软体动物或海蛞蝓）：具体来说，科学家研究的是决定神经元如何燃烧的基因。根据他们的基因结构，两种海兔对相同的体验（即数据）做出了不同的反应。现在，机器学习的运行大致是这个水平——专家们修改了学习算法的程序代码（类似于海兔的基因代码），改变了它的能力和适应各种体验的倾向。
机器学习的发展状态可能更接近于无脊椎动物，比如海兔，而不是哺乳动物或人类的高级认知能力。
在过去的两年里，研究人员开始开发机器学习技术，以适应新的任务。然而，方法 论还只是刚刚起步。用一位DeepMind科学家的话说，“最近关于内存、探索、组合表示和处理架构的研究为我们提供了乐观的理由。”换句话说，我们有理由相信，实现更广泛的人工智能的目标是可行的。
这里的核心信息是：你不能简单地将原始数据倒进通用的人工智能中，并期待有意义的东西出现——这种人工智能还不存在。此外，如果你提供一个坚如磐石的问题定义，机器只能学习合适的解决方案。对于一个成功的故事，你需要良好的计划，一个数学上合理的问题陈述，足够的训练数据，大量的机器学习知识和软件开发能力。