为非专业人员量身打造，斯坦福教授Christopher Manning一页纸定义AI核心概念

机器之心报道

编辑：魔王、小舟

斯坦福教授 Christopher Manning 用一页纸的篇幅介绍 AI 领域的核心概念。

在「AI」随处可见的当下，你真的理解人工智能领域核心概念吗？

刚刚， 斯坦福大学教授、人工智能实验室（SAIL）负责人、HAI 副主任 Christopher Manning 用一页纸的篇幅定义了 AI 领域的核心术语。他表示希望这些定义能够帮助非专业人员理解 AI 。

在这一页纸中，Manning 介绍了十多个术语的定义，包括「智能」、「人工智能」、「机器学习」、「深度学习」等。

链接：https://hai.stanford.edu/sites/default/files/2020-09/AI-Definitions-HAI.pdf

具体内容参见下文：

智能 可以定义为学习和执行恰当的技术以解决问题、实现目标的能力，且这些能力能够适用于不确定、不断变化的外部环境。经过完全预编程的工业机器人具有灵活性、准确性和一致性，但并不智能。

人工智能（AI） 由斯坦福大学名誉教授 John McCarthy 在 1955 年提出，他将人工智能定义为「制造智能机器的科学与工程」。许多研究使人类编程的机器能够以聪明的方式执行任务，如下棋。但是如今，AI 领域致力于实现至少可以像人类一样学习的机器。

自主系统 能够独立地计划和确定操作步骤，以实现指定的目标，而无需进行微观管理。医院中的配送机器人必须在人来人往的走廊中自主导航才能成功完成任务。在人工智能领域中，「自主」并不意味着政治或生物学中常见的「自治」（self-governing）。

机器学习（ML） 是人工智能的一部分，旨在研究计算机智能体如何根据经验或数据改善其感知、知识、思维或行动。为此，机器学习领域的知识涉及计算机科学、统计学、心理学、神经科学、经济学和控制论。

在 监督学习 中，计算机学习预测人类给定的标签，例如基于带标签的狗狗照片来学习狗的品种。而无监督学习不需要标签，有时需要自己做预测任务，例如尝试预测句子中每个后续单词。强化学习让智能体学习可优化其总体奖励的动作序列，例如在没有良好技术的明确示例下自主赢得游戏。

深度学习 指使用大型多层神经网络计算连续（实数）表示，与人脑中按层级结构组织的神经元略有相似。目前，深度学习是最成功的机器学习方法，可用于所有类型的机器学习，并且可基于少量数据实现更好的泛化性能，能够更好地扩展至大规模数据和算力。

算法 列出了待执行的精确步骤，就像人把步骤写进计算机程序一样。AI 系统包含算法，但算法往往仅作为学习或奖励计算方法。它们的很多行为是从数据或经验中学得的，正如斯坦福毕业生 Andrej Karpathy 所提出的「软件 2.0」带来的系统设计基础性改变一样。

狭义人工智能（Narrow AI） 表示能够处理特定任务的智能系统，如语音识别或人脸识别。人类级 AI（Human-level AI）或通用人工智能（AGI）则致力于寻找智能处理大量任务且能够感知语境的机器，例如高效的社交聊天机器人或人机交互。

以人为中心的人工智能 指寻求能够增强人类能力、满足人类社会需求且从人类身上得到启发的 AI。它为人类研发高效的合作伙伴和工具，如机器人助手和老年陪护机器人。

Amazon SageMaker实战教程（视频回顾）

Amazon SageMaker 是一项完全托管的服务，可以帮助机器学习开发者和数据科学家快速构建、训练和部署模型。Amazon SageMaker 完全消除了机器学习过程中各个步骤的繁重工作，让开发高质量模型变得更加轻松。

10月15日-10月22日，机器之心联合AWS举办3次线上分享，全程回顾如下：

第一讲：Amazon SageMaker Studio详解

黄德滨（AWS资深解决方案架构师）主要介绍了Amazon SageMaker的相关组件，如studio、autopilot等，并通过在线演示展示这些核心组件对AI模型开发效率的提升。

视频回顾地址：https://app6ca5octe2206.h5.xiaoeknow.com/v1/course/alive/l_5f715443e4b005221d8ea8e3

第二讲：使用Amazon SageMaker 构建一个情感分析「机器人」

刘俊逸（AWS应用科学家） 主要介绍了情感分析任务背景、使用Amazon SageMaker进行基于Bert的情感分析模型训练、利用AWS数字资产盘活解决方案进行基于容器的模型部署。

视频回顾地址：https://app6ca5octe2206.h5.xiaoeknow.com/v1/course/alive/l_5f715d38e4b0e95a89c1713f

第三讲：DGL图神经网络及其在Amazon SageMaker上的实践

张建（AWS上海人工智能研究院资深数据科学家）主要介绍了图神经网络、DGL在图神经网络中的作用、图神经网络和DGL在欺诈检测中的应用和使用Amazon SageMaker部署和管理图神经网络模型的实时推断。

视频回顾地址： https://app6ca5octe2206.h5.xiaoeknow.com/v1/course/alive/l_5f715d6fe4b005221d8eac5d

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：content@jiqizhixin.com