NVIDIA的研究职员通过演习AI将影片进行夸年夜的后期处理。
例如将一段在积雪中开车的影像变成在晴空下开车。

再或是把白天的影片变成雨夜，乃至能把一段关于猫的影片变成一段关于狮子的影片。

根据研究职员的白皮书，这些影片的处理对付AI来说是一种上色的过程，这就像是小朋友拿到着色本之后帮图案补上颜色一样，当然真正的实践起来还是比较繁芜的，但这基本都是让AI自己去学习如何为照片和影片上色，倘若今后这些技能运用在我们日常生活中的自拍里，相信未来网友与网友之间的信赖将不复存在（虽然现在已经没有多少信赖度了，笑）

看到这可能有些看官就不明白AI与宏的差异了，这里再为大家区分一下二者的差异在哪。

宏

打算机科学里的宏，是一种批量处理的称谓。
一样平常说来，宏是一种规则或模式，或称语法更换 ，用于解释某一特定输入（常日是字符串）如何根据预定义的规则转换成对应的输出（常日也是字符串)。
这种更换在预编译时进行，称作宏展开。

用大略浅近的话来说，宏的运作就像我们先用机器做一件事，接下来你要重复做这件事的时候，机器就会用千篇一律的动作去处理这件事。

以是宏常用在我们须要重复处理大量东西的时候，他能化繁为简，高效高质量的完成任务。
在这个过程中，宏不会思考这件事该怎么做，而是像鹦鹉学舌那样处理任务，AI的运作与这就可大不相同了。

人工智能

人工智能是软件和硬件结合的结果，一台人工智能设备可以模拟人类的行为，像人一样实行任务。
从根源上看，配备人工智能的机器会模拟人类的思维过程，它会去思考该如何去处理任务，比起宏，它处理事情的过程中多了逻辑思维，而不仅仅是依样画葫芦。

语音识别，物体识别，面部识别(包括动态滤镜)等都是人工智能的运用。
然而这些功能是如何实现的？其紧张路子是机器学习。

机器学习

机器学习是人工智能的个中一种形式，它强调“学习”——一台机器利用繁芜的算法来剖析事物的大量的数据，并识别数据中的模式，根据此做出一个情形预测，不须要人在机器的软件中编写任何特定的指令。
且在程序处理任务发生缺点之后，系统的模式识别会随着韶光的推移而不断改进，它会像人一样从缺点中吸取教训并纠正且提升自己。

通过机器学习，一个别系可以从自身的缺点中学习来提高它的模式识别能力。

深度学习

深度学习是机器学习里更深层次的一个内容，它能推动打算机警能取得长足进步。
它用大量的数据和打算能力来仿照深度神经网络。
从实质上说，这些网络便是在模拟人类大脑的连通性，它对数据集进行分类，并创造它们之间的关联。
如果有新学习的知识(无需人工干预)，机器就可以将其见地运用于其他数据集。
机器处理的数据越多，它的预测就越准确。

例如，一台深度学习的设备可以检讨大数据——比如通过水果的颜色、形状、大小、成熟韶光和产地——来准确判断一个苹果是不是青苹果，一个橙子是不是血橙。

通过深度学习，机器可以处理大量数据，识别繁芜的模式，并提出深入的见地。

NVIDIA最近刚投资三家数据科学公司（BlazingDB，Graphistry， H2O.ai，见注释）以帮助提升其自身在人工智能领域的发展。
看来开拓人工智能已经逐渐成为许多公司的一个发展趋势，当人工智能技能发展成熟时，相信我们生活一定会变得更加快捷，但我们应对此保留见地，由于这大概会有很多意想不到的弊端。

注释

BlazingDB利用GPU来加速解析大量数据的过程。
该公司构建了一个GPU加速的SQL剖析引擎，用于剖析已经在企业组织中履行的数据。

Graphistry是一家视觉剖析数据公司，他们通过将GPU与可视化工具相结合，Graphistry简化了数据调查，采取GPU加速视觉剖析和GPU云技能，为开拓职员和剖析师提高数据规模和可靠性。

开源的AI平台H2O.ai为企业和开拓职员供应一个加速的机器学习引擎来提高AI的利用效率。