近年来，我遇到了很多关于人工智能的误解，有时当我和外界的人讨论人工智能时，我觉得我们在讨论两个不同的话题。本文试图澄清人工智能从业者对人工智能的理解，以及人工智能的现状。
第一个误解与人工智能有关。
应用的人工智能系统只是AGI的有限版本
尽管很多人认为人工智能的技术还远远落后于人类智能。人工智能，即AGI，一直是所有人工智能科学家从图灵到今天的动力。有点类似炼金术，对复制并超越人类智能的AGI的永恒追求已经导致了许多技术的创造和科学的突破。AGI已经帮助我们理解了人类和自然智能的各个方面，因此，我们在对它们的理解和模型的启发下构建了有效的算法。
然而，当涉及到人工智能的实际应用时，人工智能实践者并不一定局限于人类决策、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，人工智能从业者通常会尽其所能构建实用的系统。例如，在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。然而，这种技术并不是大脑构建世界模型的方式。这就引出了下一个误解:
有一种通用的人工智能解决方案。
一个常见的误解是，人工智能可以用来解决所有的问题。人工智能的技术已经达到了这样的水平，“人工智能”的小配置可以让我们解决不同的问题。我甚至听人说，从一个问题转移到另一个问题会让人工智能系统更智能，就好像同样的人工智能系统正在同时解决这两个问题。现实情况则大不相同:人工智能系统需要设计，有时需要大量设计，并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)现在有了一个可用的参考模型库，但这些模型需要特别设计以满足部署需求，而且可能没有现成的用处。此外，人工智能系统很少是基于人工智能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增强系统中使用的一个或多个人工智能技术。是的，市面上有很多不同的人工智能技术，单独使用或与其他人工智能技术结合使用，所以说:
AI和深度学习是一样的
回到白天，我们认为人工神经网络(ANNs)这个词真的很酷。直到，也就是说，最初围绕它的乐观情绪，由于缺乏规模和倾向于过度拟合，可能会适得其反。现在这些问题大部分已经解决了，我们通过将人工神经网络重新命名为“深度学习”，避免了旧名称的耻辱。深度学习或深度网络是大规模的ANNs，“深度”指的不是深度思考，而是我们现在能在ANNs中负担得起的隐藏层的数量(以前最多只有几个，现在可以有几百个)。深度学习被用来从标记的数据集合中生成模型。深度学习方法中的“学习”是指模型的生成，而不是指随着新数据的出现能够实时学习的模型。深度学习模型的“学习”阶段实际上是离线进行的，需要多次迭代，需要大量的时间和过程，并且很难并行化。
最近，深度学习模型被用于在线学习应用中。这种系统中的在线学习是通过不同的人工智能技术实现的，比如强化学习，或者在线神经进化。这类系统的一个局限性是，只有在离线学习期间，使用领域的经验丰富，才能实现深度学习模式的贡献。一旦模型生成，它仍然是静态的，并且在应用程序域中的更改并不完全健壮。这方面的一个很好的例子是在电子商务应用中——季节性变化或电子商务网站短暂的销售周期，将需要一个深入的学习模式脱机，并对销售项目或新股票进行再培训。然而，现在像感知提升这样的平台使用进化算法来优化网站，大量的历史数据不再需要有效，而是基于网站当前的环境，利用神经进化来实时地改变和调整网站。
然而，在很大程度上，深度学习系统是由大数据集推动的，因此，从大型和独特的数据集生成新的有用的模型的前景引发了一种误解，即……
这都是大数据。
它不是。它实际上是关于好的数据。大型、不平衡的数据集可能具有欺骗性，尤其是当它们只捕获与域最相关的部分数据时。此外，在许多领域中，历史数据可能很快变得无关紧要。例如，在纽约证券交易所(New York Stock Exchange)的高频交易中，最近的数据要比2001年以前的数据具有更大的相关性和价值，当时的数据还没有采用十进制。
最后，我经常遇到一个普遍的误解:
如果一个系统解决了我们认为需要智能的问题，那就意味着它正在使用人工智能
这是一个有点哲学的本质，它确实取决于你对智力的定义。实际上，图灵的定义并不能反驳这一点。然而，就主流人工智能而言，一个完全工程的系统，比如让自动驾驶汽车，不使用任何人工智能技术，不被认为是人工智能系统。如果系统的行为不是在幕后使用的人工智能技术的突发行为的结果，如果程序员从头到尾以确定的和工程的方式编写代码，那么系统就不会被认为是基于人工智能的系统，即使看起来是这样。
人工智能为更好的未来铺平了道路
尽管人们对人工智能普遍存在误解，但一个正确的假设是，人工智能将继续存在，而且确实是通向未来的窗口。人工智能在被用于解决所有问题和大规模工业化应用之前还有很长的路要走。例如，深度学习模型需要许多专业的博士时间来有效地设计，通常需要根据用例精心设计的参数设置和架构选择。目前，人工智能科学家正在努力简化这一任务，甚至使用其他人工智能技术，如强化学习和基于人群的或进化架构搜索来减少这种努力。人工智能的下一个重要步骤是使其具有创造性和适应性，同时，其强大程度足以超越人类构建模型的能力。
