当您挑战电脑下棋、与智能助手互动、在 ChatGPT 中输入问题，或在 DALL-E 上创作艺术品时，您实际上是在与计算机科学家所称的人工智能程序进行交互。
但是，人工智能的定义可能会变得复杂，尤其是在“机器人学”和“机器学习”等术语混杂在一起时。为了帮助您理解这些不同的领域和术语是如何相互关联的，我们整理了一个简短的指南。
什么是好的人工智能定义？
人工智能是一个研究领域，与化学或物理学类似，它于 1956 年首次出现。
“人工智能是关于制造具有人类特征的机器的科学和工程，包括它们如何看待世界、如何移动、如何玩游戏，甚至如何学习，”麻省理工学院计算机科学与人工智能实验室 (CSAIL) 主任 Daniela Rus 表示。“人工智能由许多子组件构成，并且存在各种各样的算法来解决人工智能中的不同问题。”
人们倾向于将人工智能与机器人学和机器学习混为一谈，但它们是分开但相关的领域，各自有不同的侧重点。通常，您会看到机器学习被归类在人工智能的范畴之下，但这并非总是如此。
“人工智能是关于机器的决策。机器人学是关于让计算动起来。机器学习是关于利用数据对未来可能发生的事情或系统应该做什么进行预测，”Rus 补充道。“人工智能是一个广泛的领域。它是关于做出决策。您可以通过学习做出决策，也可以通过模型做出决策。”
ChatGPT 和 DALL-E 等人工智能生成器是机器学习程序，但人工智能领域远不止机器学习，机器学习也不完全包含在人工智能内。“机器学习是人工智能的一个子领域。它有点介于统计学和更广泛的人工智能领域之间，”Rus 说。
人工智能与机器学习和机器人学有何关系？
使情况更复杂的是，非机器学习算法也可用于解决人工智能中的问题。例如，计算机可以通过一种称为 minimax 优化的非机器学习算法与井字棋游戏进行对弈。“这是一个直接的算法。您构建一个决策树然后开始导航。这个算法没有学习，也没有数据，”Rus 说。但它仍然是一种人工智能。
早在 1997 年，IBM 用于击败加里·卡斯帕罗夫的深蓝算法就是人工智能，但它不是机器学习，因为它没有使用游戏数据。“该程序的推理是手工制作的，”Rus 说。“而 AlphaGo [一款新的国际象棋程序] 则使用机器学习来制定规则和决策如何走棋。”
当机器人需要在世界中移动时，它们必须理解周围的环境。这时人工智能就派上用场了：它们需要看到障碍物在哪里，并制定从 A 点到 B 点的计划。
“机器人使用像牛顿力学这样的模型来计算如何移动、如何不摔倒、如何抓取物体而不掉落，”Rus 说。“如果机器人需要规划从 A 点到 B 点的路径，机器人可以查看空间的几何形状，然后计算出一条不会碰到任何障碍物的直线并沿着这条线移动。”这是一个计算机做出决策的例子，它没有使用机器学习，因为它不是数据驱动的。
[相关：新人工智能如何掌握复杂的策略游戏]
或者，以教机器人驾驶汽车为例。例如，在使用基于机器学习的解决方案教机器人如何完成这项任务时，机器人可以观察人类如何转向或过弯。它会根据弯道的坡度大小来学习转动方向盘的幅度。相比之下，在学习驾驶的非机器学习解决方案中，机器人只需查看道路的几何形状，考虑汽车的动力学，并利用这些来计算在方向盘上施加的角度，以使汽车保持在路上而不偏离。尽管如此，这两种都是人工智能工作的例子。
“在基于模型的情况下，您查看几何形状，考虑物理学，然后计算出应该如何执行。在数据驱动的 [机器学习] 情况下，您会观察人类做了什么，并记住它，将来遇到类似情况时，您就可以做人类所做的事情，”Rus 说。“但这两者都能让机器人做出决策并在世界中移动。”
您能多告诉我一些关于机器学习如何工作的信息吗？
“当你进行数据驱动的机器学习，也就是人们常说的与人工智能相关的那种，情况就大不相同了，”Rus 说。“机器学习利用数据来确定一个称为人工神经网络的庞大网络的权重和参数。”
顾名思义，机器学习是一种软件从数据中学习的思想，而不是仅仅遵循人类编写的规则。
“大多数机器学习算法在某种程度上只是计算大量的统计数据，”卡内基梅隆大学机器学习系教授 Rayid Ghani 说。在机器学习出现之前，如果您想让计算机识别一个物体，您必须非常详细地描述它。例如，如果您想让计算机视觉识别一个停止标志，您需要编写描述颜色、形状以及标志正面特定特征的代码。
“人们发现，人类详细描述会非常耗时。机器学习的主要变化是 [人们更擅长] 提供事物的示例，”Ghani 说。“人们编写的代码不是为了描述停止标志，而是为了区分 A 类事物和 B 类事物 [例如，停止标志和让行标志]。然后计算机自行找出区别，这更有效。”
我们应该担心人工智能超越人类智能吗？
简而言之，目前：不必担心。
如今，人工智能的能力非常狭窄，只能完成特定的任务。“专为玩特定游戏或识别特定事物而设计的人工智能只能做到这些。它无法很好地完成其他事情，”Ghani 说。“因此，您必须为每个任务开发一个新系统。”
Rus 说，从某种意义上说，人工智能研究被用于开发工具，但不是可以自主投放于世界的工具。她指出，ChatGPT 很令人印象深刻，但并不总是正确的。“它们是为人们提供见解、建议和想法以供采取行动的工具，”她说。“而这些见解、建议和想法并非最终答案。”
此外，Ghani 说，虽然这些系统“看起来很智能”，但它们所做的只是寻找模式。“它们只是被编程来将过去发生在一起的事物组合起来，并以新的方式将它们组合起来。”计算机不会自己学习摔倒是坏事。它需要从人类程序员那里获得反馈，告诉它这是坏事。
[相关：为什么人工智能现在无处不在]
此外，机器学习算法可能会很“懒惰”。例如，想象一下给一个系统提供男性、女性和非二元性别个体的图像，并告诉它区分这三者。它会找到不同的模式，但不一定是重要或有意义的模式。如果所有男性都穿着同一种颜色的衣服，或者所有女性的照片都是在相同的颜色背景下拍摄的，那么这些系统就会捕捉到这些颜色作为特征。
“它不是智能的，它基本上是说‘你要求我区分三组。最容易区分的方式是这个特征’，”Ghani 说。此外，一些系统“被设计成提供互联网上的大多数答案。我们不希望世界出现的情况是采用大多数答案，这些答案通常带有种族歧视和性别歧视。”
在他看来，仍然需要在定制算法以适应特定用例、使人类能够理解模型如何根据输入数据产生某些输出，以及努力确保输入数据公平准确方面投入大量工作。
未来十年人工智能将走向何方？
计算机算法擅长处理大量信息并对其进行综合，而人类则擅长一次处理少量信息。因此，可以理解的是，计算机在处理十亿份文件并找出反复出现的事实或模式方面要好得多。但人类能够深入一份文件，提取细微之处，并进行推理。
“我认为被过度炒作的一件事是人工智能在人类也存在的无管制环境中自主运行的能力，”Ghani 说。在受控环境中——例如，在某个范围内基于优化利润的最终目标来确定食品产品的定价——人工智能效果非常好。然而，与人类的合作仍然很重要，他预测在未来几十年里，该领域将会在旨在协作的系统方面取得许多进展。
他举例说，药物发现研究就是一个很好的例子。人类仍然在实验室测试方面做了大量工作，而计算机只是利用机器学习来帮助他们优先选择要进行的实验和要关注的相互作用。
“[人工智能算法] 可以比我们快得多地完成非凡的事情。但思考的方式是，它们是我们用来增强和改进我们操作的工具，”Rus 说。“和任何其他工具一样，这些解决方案本身并没有好坏之分。它们取决于我们如何使用它们。”
