因此，本文会先容一个人工智能术语表。

但不是每个人都赞许这些词的确切定义，以是你可能会看到他们在网上的其他地方有不同的利用。
这里尽可能地坚持最常用的定义，但是随着这种快速增长的新技能的涌现，总会有差异。

1.算法

算法是打算机可以遵照的一系列规则，以是如果你最好的朋友之一在Facebook上发布了你的照片，那么这些规则就会让她的置顶在你的客户端页面。
或者，如果你须要从Google舆图上的A地到B地，算法可以帮助制订最快的路线。

规则之后是打算机，但它常日由人类设定。
以是这是Facebook工程师谁选择什么使故本家儿要或哪条道路是最快的地方。
AI开始进入的地方是利用机器学习来调度这些算法，因此打算机开始自行调度这些规则。
如果谷歌舆图开始获取到特定道路关闭的反馈数据，它可能会这样做。

当图像识别系统涌现缺点时，例如，这是一个算法或一组规则的例子，它们已经运用了相同的规则，但是会达到缺点的结果，以是你得到了一个像猫一样的狗，而不是真正的猫。
在很多方面，算法是机器学习的根本。

2.人工智能

什么是人工智能呢？定义根据你问的工具而不同，但从最广泛的意义上说，它是人为创造的情报。

以是当Siri回答你像一个真正的人的时候，这解释它是人工智能。
当Google 彷佛知道猫是什么样子的时候，那也是人工智能。
安东尼·丹尼尔斯隐蔽在他的C-3PO套装里也是一种人工智能，这种办法是一种由人类真正掌握的说话思维机器人给我们带来的“幻觉”。

这个定义真的很广泛，以是你可以看到常常会有人稠浊运用方面的问题。
人工智能有许多不同的类型和方法，以是要确保你理解的不同之处。
当某些东西被描述为内置人工智能时，这可能意味着涉及广泛的技能。

3.深度学习

深度学习是机器学习的一种类型或一个子集，这便是为什么这两个术语常常混乱起来，而且在很多情形下可以精确地描述相同的AI。
这是机器学习，但设计实际上更加智能，有更多的细微差别和层次，并未来会像人脑一样事情。

两项关键的技能进步使得深度学习成为可能：更多的数据和更强大的硬件。
这便是为什么它只是最近才被人们关注，虽然它的原始根源可以追溯到几十年前。
如果考虑到机器学习的11倍，你可以理解为什么随着打算机变得更强大，它变得越来越聪明。

深度学习常日利用神经网络来增加这个额外的智能层。
例如，深度学习和机器学习都可以通过扫描一百万张猫的图像从而识别图片中的一只猫，但是机器学习须要知道猫的特色是什么，而深度学习要确定一只猫，只要有足够的原始数据即可。

4.机器学习

机器学习个中一个最著名的例子是图像识别。
给一个机器学习系统足够的猫的照片，它终极将能够在没有任何人类操作员的提示下，从一个新的图片中创造一只猫。
你可以把它看作是人工智能网络超越了原来的编程，首先接管了大量数据的演习。

Google的AlphaGo操持是另一个很好的例子：由人类教授，但能够根据自己的演习做出决定。
AlphaGo还展示了许多类型的AI都非常详细，这个引擎在玩围棋方面非常出色，但是在自驾车中却是无用的。

5.神经网络

与深度学习的观点密切干系，神经网络试图模拟人类的大脑，或者像我们现在理解的那样，仿照人类大脑的过程。
再次，神经网络的发展在过去的几年里只能用高端处理器才能实现。

实质上，它意味着大量的图层。
神经网络并不是通过查看图像来判断它是否是猫的图像，而是考虑到图像和猫的各种不同特色是否一样，在做出终极决定之前，为每个图像分配不同的主要性。
终极的结果是猫识别引擎更加准确（因此近年来图像识别技能得到了很大改进）。

如果你不能完备理解这个想法，不要担心，神经网络不是一个你可以从简短的三段定义中完备理解的观点。
但是，如果你把它看作是另一个机器学习工具，旨在创造一些人类聪慧的奇妙之处，那么你已经节制了基本知识。