對一些人來說，提到人工智能(AI)會喚起機器人瘋狂奔跑的畫面，因為人類勇敢地試圖把精靈放回瓶子里。但現(xiàn)實情況是，如今的人工智能機器從經(jīng)驗中學習的能力，以及只為人類完成任務的能力，這已經(jīng)成為現(xiàn)實，并充滿了豐富和改善人類生活的可能性。

機器學習是人工智能的關(guān)鍵組成部分之一，自20世紀50年代以來一直是技術(shù)世界的一部分，當時最早的程序員要求計算機理解大量數(shù)據(jù)。程序員日益提高機器學習數(shù)據(jù)的能力，以便發(fā)現(xiàn)模式，使計算機能夠組織信息、識別關(guān)系、作出預測和發(fā)現(xiàn)異常。如今，人工智能的現(xiàn)代應用已經(jīng)為我們提供了自動駕駛汽車和虛擬助手，并幫助我們發(fā)現(xiàn)欺詐和更有效地管理電力等資源。

零售、體育、銀行、制造業(yè)和醫(yī)療保健等多個行業(yè)都在機器學習和人工智能領(lǐng)域找到了應用。

現(xiàn)在的機器能夠非常精確地執(zhí)行精確定義的任務，但是-這是一個重要的警告-精度只與驅(qū)動模型的數(shù)據(jù)的質(zhì)量以及在某些情況下的數(shù)量一樣好。目前機器學習的發(fā)展狀況，加上經(jīng)過仔細考慮的數(shù)據(jù)的輸入，將使現(xiàn)有產(chǎn)品有可能得到無數(shù)的改進，并最終開發(fā)出獨立的人工智能，盡管不是完全自主的“瘋狂運行的機器人”類的人工智能設(shè)備。

但隨著機器學習的深入，我們正朝著日益復雜的人工智能邁出下一步：深入學習。對深度學習的復雜分析是通過神經(jīng)網(wǎng)絡(luò)實現(xiàn)的，因為它們松散地模仿人腦的相互聯(lián)系的結(jié)構(gòu)，提供了多層次的功能。

事實上，這些神經(jīng)網(wǎng)絡(luò)是如此復雜，以至于機器得出結(jié)論的路徑還不容易理解。深度學習使用巨大的、自我完善的神經(jīng)網(wǎng)絡(luò)-只有在最近的計算能力的進步下才有可能實現(xiàn)更廣泛的可訪問性-以實現(xiàn)極其復雜的模式識別，比如識別語音或圖像。

只有在真正有意義的情況下才會使用深度學習，在這種情況下，它可以很快地發(fā)現(xiàn)隱藏在大量數(shù)據(jù)中的復雜的、可變的關(guān)系，而這些數(shù)據(jù)是我們還無法以任何其他方式提取出來。但是深度學習意味著機器可以通過與人類完全不同的分析視角來觀察問題。它可以用來處理各種問題。我們每天收集的所有數(shù)據(jù)的潛力尚未實現(xiàn)。

在人工智能的第二個關(guān)鍵組成部分-自然語言處理(NLP)-如何演變?yōu)樽匀徽Z言理解(NLU)方面也取得了進展。如果NLP是一種將口語或書面語翻譯成一種算法可以理解的形式，然后以人們能夠理解的口語或書面語做出反應的能力，那么NLU就更加熟悉了：能夠推斷語言中的含義，然后做出相應的反應，就像人們本能地做的那樣。Siri和Alexa是讓人工智能變得更簡單、更人性化的第一步。