然而，尽管Elektro给人留下了深刻的印象，但他有一个严重的局限性:他是自动化的，而不是智能化的。当你按下一个按钮，他可以吹爆一个气球，但他没有能力决定什么时候吹气球或当气球用完了想出如何得到更多的气球。他没有能力学习新的技能，甚至没有能力在所知道的事情上做得更好。
另一个混淆自动化和智能化的来源是机器人流程自动化领域的不断发展，它涉及使用软件和机器学习来训练计算机处理高级日常任务。该软件观察人是如何完成一项工作的，并试图以相同的顺序重复相同的步骤。这些系统有时看起来像人工智能应用程序，但它们实际上只是标准的自动化。这些软件机器人完全按照显示的步骤进行操作，几乎就像一台老式的录音机。它们从不学习或者自动适应环境变化。
StuartRussell和Peter Norvig在其著作《人工智能：一种现代方法》中明确区分了自动化和人工智能，他们解释说，与自动化系统不同，人工智能将“设计师的触角延伸到未知环境中”。换句话说，衡量人工智能系统的一个基本标准是，该系统可以学习和改进，而无需人工培训师的输入或指导。
所以当你想要构建一个人工智能模型时，首先要问的一个问题是你想让它是智能的还是自动化的。你是想要一个可以自己学习的系统，还是一个仅复制一种能力的系统来完成可以编程或训练的任务?如果你需要一个自动化系统，基本的机器学习可以处理这项工作。但是如果你想要一个能够学习和适应的系统，一个能够将“设计师的触角延伸到未知环境”的系统，可能需要构建深度学习人工神经网络。
在机器学习的世界里，深度是很重要的，而深度通常表现在节点和层中，更大的网络通常表现得更快、更加善于发现数据中的模式。
机器学习系统面临的一个挑战是，它们可能是任务密集型的，特别是当需要读取以PB（1024TB）为单位的数据时。但这并不是一个刚出现的挑战，早在20世纪40年代初，计算机科学家就试图通过扩展计算机的能力来应对这一挑战。于是发明了一种叫做人工神经网络的工具，它是模仿人脑生理学而构建的。大脑由神经元组成，形成一个复杂的三维网络。每个神经元充当一个独立的处理器，神经元通过电化学信号机制通过网络相互通信。这个3D网络使人类能够在瞬间做出决定。人工神经网络的结构和功能相似，但它不使用生物神经元，而是使用称之为节点的计算机处理单元。这些节点按层排列，一层中的所有节点与上下层中的所有节点相连，形成一个复杂的节点网络。每个节点接受输入，对该输入执行计算，并将输出传递给一个或多个其他节点。通过协作，网络可以学习并执行分类和聚类等操作。
与大多数机器学习应用程序通过有监督或无监督学习来执行特定任务不同，人工神经网络通过试错学习。从错误中学习，并根据概率进行操作。这就是为什么当你看人工神经网络的结果时，它们通常代表的是正确的可能性或概率。例如，在面部识别中，神经网络将返回一个结果如，“这有98.6%的概率是某个人”。
系统能够实时处理数据并进行自我优化。一开始，人工神经网络可能只在一小部分情况下是正确的。然而，随着时间的推移，通过学习，性能得到了提高，就像人类一样。尽管存在潜在的缺点，但与不太复杂的机器学习网络相比，神经网络提供了五个关键优势:
第一，是能够分布式处理:可以将处理任务划分并分布在节点上，以显著提高计算结果的总体速度。你可以分散负载，而不是让一个处理器来处理所有事情。
第二，有机学习(organic laning)：这个有机是说，神经网络可以自己学习，无须经过“训练"，也就是说，无须输入从专家那里收集的预先确定的数据和逻辑。(但这里的无须训练不是指深度学习不需要模型训练的意思。)
第三，人工神经网络能够做到非线性处理:通过非线性处理，神经网络可以采取捷径方式来减少找到解决方案所需的计算量。
第四，容错:神经网络可以将信号重新路由到下游的任意其他节点，从而防止系统故障。
第五，自我修复，神经网络可以帮助诊断、修复和恢复节点故障以维持正常功能。那总的来说，深度学习人工神经网络可以显著地扩展机器学习的能力。它们使人工智能系统能够筛选大量不同的数据，从而快速、轻松地识别复杂的模式。
北大青鸟开设了人工智能、大数据、5G云计算、Java、前端、软件开发等课程，办学十余年，拥有丰富的教学经验。如果你想学习一些人工智能方面的知识，也欢迎致电400-8035-955或在下方留下联系方式来北大青鸟咨询！
