严格定义来说，人工智能是打算机科学的一个分支，通过理解智能的本色，产生能以人类智能相似办法做出反应的智能机器，包括机器人、自然措辞识别、图像识别和专家系统。

人工智能当然是和人类的智能做参考开拓的，以是我们理解下人类的智能。
人类通过进化，产生了高等智能，这些智能包括智商、情商、财商、逆商和爱商，这5个商是类差异于其他低等动物的根本。

人类进化产生高等智能：智商、情商、财商、逆商和爱商

以是，人工智能的实在便是通过人工的办法产生具备人类智商、情商、财商、逆商和爱商这5种高等智能的机器或程序。
至少目前我们人类还没有造出这种水平的智能机器，但在可以从科幻电影里可以举个例子：

科幻电影《人工智能》剧照

大导演斯皮尔伯格的经典科幻电影《人工智能》，主人公机器人小孩大卫，不仅对领养他的"父母"产生了感情（爱商），而且末了在各种困境中困难的探求自己的人类母亲，乃至被困在海底几百年也不放弃自己的信念（逆商），这样的人工智能机器人，已经具备了人类的智能水平。

通过上面的阐述，你大概能大概把人工智能分成2类：具备人类智能的人工智能和不具备人类智能的人工智能。
实际也差不多便是这样分类，我们现在把人工智能一样平常分为人工智能和强弱人工智能两类：

对付强人工智能，很明显，具备人类智商、情商、财商、逆商和爱商这5种高等智能，与人一样的感知（乃至比人更多），可以像我们一样思考。
比如电影闭幕者中的主人公：

科幻电影《闭幕者》: I will be back

而弱人工智能，便是能与人一样，乃至比人更好地实行特界说务的技能。
如图像分类、机器客服等。
弱人工智能在我们的生活中实在已经很普遍，随处可见了，比如银行或者酒店的前台接待机器人：

我们这篇文章评论辩论的紧张因此弱人工技能为主，但随着ChatGPT的溘然爆发，让我们觉得到人工智能越来越强大，乃至给人觉得人工智能已经会“思考”了，但我们也该当理解，强大的ChatGPT的后台技能实在也因此深度学习为根本，相信随着技能的不断进步，弱人工智能和强人工智能之间的界线会越来越模糊乃至逐渐领悟。

实在人工智能很早就开始发展了。
比如人工智能的核心技能深度学习，我们举个例子：

90年代美国银行的支票

90年代就已经涌现了神经网络：美国银行有很多支票，员工不愿理每天监测，于是用神经网络演习了一个模型，监测手写字体，效果还不错。
但是太慢了，由于那个时候的电脑太差，没有GPU，也没有并行打算等观点，以是当时逐步就放弃了。

以是人类很早就开始考试测验通过深度学习的技能实现人工智能，但是无奈当时的硬件水平（算力）太低，无法知足深度学习演习数据须要的GPU运算哀求。

详细来说，人工的反战可以从如下图看出：

人工智能的发展线路

早在1955年，人工智能之父约翰·麦卡锡到IBM打工(美国教授都是九个月人为，如果没有研究经费，夏天要自己觅食)，他和他的老板是罗切斯特两人在1956夏天在达特茅斯搞一次学术会议，在会议上他们谈论了如何让打算机像人类那样思考的话题和方法，并且便是在这个会议上，提出了人工智能（Artificial Intelligence）这个词。

于是，人工智能从那个时候开始像一颗火花逐步绽放，虽然经历的几次技能破折和发展的寒冰时期，但到了2000年后，它终于随着我们人类的打算机算力、存储、算法的各方面新技能的提升而全面爆发。
目前，深度学习（以神经网络为根本的技能）已经成为人工智能最紧张的实现技能。

好了，做了上面的铺垫，现在终于正式说回什么是深度学习。
深度学习是一种人工智能算法（或者叫技能），它通过构建神经网络模型，让神经网络学习人类的知识，通过不断地学习演习，神经网络将逐渐的产生“智能”，帮我们完成某些特定的任务，比如回答问题，图片分类、物体识别等等。

以是，我们要记住，深度学习是一种通过构建神经网络模型实现人工智能的技能。

还有要解释的是，某些神经网络构建的目的可能不是完成非常明确的特界说务，这点随着ChatGPT的到来加倍明显，ChatGPT可以实现很多意想不到的任务，然而这些任务可能在ChatGPT模型演习之初并不是其演习的目的。

现在说说神经网络，大概你已经想到了，便是我们的大脑，我们的大脑由100多亿个神经细胞组成，这些神经细胞组成了繁芜的网状构造，这个神经网不仅能存储信息（影象），还能处理信息（思考）。
据研究，我们的大脑每天能记录约8600万条信息.，人的生平能储存100万亿条信息。

神经网络

大脑的神经网络处理信息的最基本单元是神经元，每个神经元细胞周围有突触，它可以吸收其他神经元细胞通报的电旗子暗记，神经元细胞核将各个突触吸收的旗子暗记处理后，再通过轴突构造通报出去给下一个（或多个）神经元细胞。

生物神经元

深度学习便是参考了生物的神经网络和神经元的信息处理办法而构建的。
不同的是，深度学习构建的神经网络是一层一层的，看起来比较整洁，不像生物神经网络的网状构造那么繁芜。
我们构建的神经网络常日有很多层（深层），层数越多，越能抽取信息更多的含义，这便是深度学习这个名称的由来。

深度学习中的神经网络

可以看到，这个网络由一个输入层（ Input Layer）,中间的多个隐蔽层（Hidden Layer）以及末了的输出层（Output Layer）构成。

旗子暗记（一句文本，一张图片或一段语音等）通过输入层输入，经由隐蔽层对输入旗子暗记的处理，逐层解读旗子暗记，终极“理解”输入并且通过输出层输出特定的结果（如文本的分类、图片中的物体位置、语音转为文本等）。

下面便是一个常用的神经网络的实际用例：

通过神经网络区分图片

将图片像素信息（常日是像素值的矩阵）作为输入，经由演习后的神经网络判断，输出2个值，一个值代表是猫的概率，另一个值代表是狗的概率，比较哪种动物的概率高，得到图片是何种动物的结果。

以人工智能铺垫，本文通过大略的办法先容了深度学习，深度学习是目前人工智能领域最盛行的开拓技能，纵然是最火的ChatGPT，也是基于深度学习构建的。
深度学习能为我们的天下带来各种无限的可能，比如我曾经通过神经网络来剖析某购物网站的商批驳论信息，从而带给我更加精准和全面直不雅观的商批驳价信息，而不是大略的好中差评。

好了，关于深度学习的大略先容就先到这里，后面还会连续推出关于深度学习更深入的先容，感激！

可乐Sir.