最近 Alpha Go 下棋事件讓社會上再次掀起 AI 熱潮，不少人重新瞭解了 AI 的知識。這裡整理了一些 AI 的相關概念，從這裡能大致一瞥 AI 的主要知識結構。

· 演算法：一套計算機要遵循的指令。一個演算法可以是一個簡單的單步程式也可以是一個複雜的神經網路，但是通常被用來指一個模型。

· 人工智慧：這是一個統稱。廣義上說，軟體意味著模仿或取代人類智慧的各個方面。人工智慧軟體可以從影象或文字、經驗、進化或其他研究人員的發明等資料中學習。

· 計算機視覺：人工智慧研究探索影象和視訊識別和理解的領域。這個領域從瞭解蘋果的外觀，到蘋果的功能用途，以及與之相關的理念。它是被用作自動駕駛汽車、谷歌影象搜尋以及Facebook上自動貼標籤的主要技術。

· 深度學習（DeepLearning）：一個神經網路被分層來理解資料中的複雜模式和關係的領域。當一個神經網路的輸出成為另一個神經網路的輸入時，有效地將它們疊加起來，由此產生的神經網路就是“深度”了。

· 普通智力：有時被稱為“強人工智慧”，一般智慧將能夠在不同的任務中學習和應用不同的想法。

· 生成式對抗網路：這是一個包含兩個神經網路的系統，一個是用來生成輸出的，另一個是用來檢驗這個輸出的質量是否是想要的輸出的神經網路。例如，當試圖生成一個蘋果的圖片時，生成器將生成一個影象，而另一個(稱為鑑別器)如果不能識別影象中的一個蘋果，會使生成器再次嘗試生成。

· 機器學習：機器學習(ML)常常與術語人工智慧結合在一起，是使用演算法從資料中學習的慣例。

· 模型：模型是一種機器學習演算法，它可以建立自己對某一主題的理解，或者它自己的世界模型。

· 自然語言處理：用於理解語言中思想的意圖和關係的軟體。

· 神經網路：通過連線起來的數學方程式的網路，模擬大腦處理資訊的方式以建立起來的演算法。提供給神經網路的資料被分解成更小的塊並根據網路的複雜性分析其基礎模式成千上萬次。當一個神經網路的輸出被輸入到另一個神經網路的輸入時，這兩個神經網路就會連結到一起成為分層，成為一個深層的神經網路。通常，深度神經網路的層會分析越來越高的抽象層的資料，這意味著，在得到最簡單和最準確的資料表示之前，它們會將有用資料從沒有必要的資料中提取出來。

· 卷積神經網路（CNN）

· 遞迴神經網路：一種用於自然語言處理的神經網路，它可以週期性地、連續地分析資料，這意味著它可以處理像單詞或句子這樣的資料，同時在句子中保持它們的順序和上下文。

· 長短期記憶網路：一種週期性的神經網路的變體，它的是用來根據資料來保留結構化的資訊。例如，RNN可以識別句子中的所有名詞和形容詞，檢查它們是否被正確使用，但LSTM可以記住一本書的情節。

· 強化學習：一種能夠從經驗中學習的深度學習演算法。是可以控制環境的某些方面的演算法，比如視訊遊戲的角色，然後通過反覆試驗和錯誤來學習。由於它們是高度可重複的，作為三維世界的模型，並且已經在電腦上玩了，許多強化學習的突破都來自於玩視訊遊戲的演算法。在DeepMind的AlphaGo中，RL是機器學習的主要型別之一，它在圍棋中擊敗了世界冠軍Lee Sedol。在現實世界中，在網路安全等領域已經證明了這一點，軟體學會了欺騙反病毒軟體，使其認為惡意檔案是安全的。

· 超級智慧：比人腦還要更強大的人工智慧。很難定義它因為我們仍然無法客觀地衡量人類的大腦能做什麼。

· 監督式學習：在被訓練的過程中，給其提供的資料是已經組織好的、已經被貼好標籤的機器學習。如果你正在建立一種監督式的學習演算法來識別貓，你就可以在1000張貓的圖片上訓練這個演算法。

· 訓練：通過提供資料來讓演算法學習的過程。

· 無監督學習：機器學習演算法的一種，沒有給出任何關於它應該如何對資料進行分類的資訊，並且必須找到它們之間的關係的演算法。像Facebook LeCun這樣的人工智慧研究人員將無人監督的學習視為人工智慧研究的聖盃，因為它與人類自然學習的方式非常相似。“在無人監督的學習中，大腦比我們的模型好得多”，LeCun告訴IEEE光譜，“這就意味著我們的人工學習系統缺少了一些非常基本的生物學習原理”。