最近，人们对人工智能的兴趣大增。在主流媒体中，认知计算、机器学习等几乎就等于人工智能。我们需要了解这些术语的真正含义，因为它们并不是人工智能的另一种名称。了解这些术语之间的差异有助于我们区分机器智能与人类思维。
人工智能由约翰·麦卡锡和马文·明斯基在1956年的达特茅斯夏季会议上正式建立，这个会议的主题包括数学、博弈论和逻辑等。15人工智能是一个广泛的研究领域，它一般涵盖可以使机器具备推理、学习和行为智能的多种技术。其中一些技术的运行要基于系统建造时编写的知识和规则集；有一些技术则使用“试探法”，即通过合理推测从大量可能的选项中选出最合理的选项；还有一些技术先做出核心假设，然后考虑新的信息，从而一边工作一边“学习”。
无论是否从数据中学习，人工智能都是一门关于智能算法的跨领域学科，而机器学习是人工智能的一门子学科，专指从数据中学习的算法。机器学习可以被分为多种类别。比如“监督式学习”是以一组事先贴标的示例表示的算法，这种算法可以确认数据和贴标结果之间的关联或类别。在“无监督式学习”中，则无法使用事先贴标的示例集，而是使用无贴标或无分类的数据。打个比方，“监督式学习”就是给它很多猫和狗的照片，每张照片上都标注这是猫还是狗，然后让它区分之后的图片中是猫还是狗。“无监督式学习”与之相反，它的目标是突出一大批猫和狗的照片的区别，而这些照片上并没有标注图片中是猫还是狗。
机器学习技术利用每个示例中的特征或属性，最终要实现的目标是正确地贴标或分类，比如哪些特征可以用于区分猫和狗的照片。当提供更多猫和狗的照片时，机器学习算法会尝试建立模型，分析哪些基本辨别要素或特征是区分猫和狗的可靠指标。
现在，我们来想想具有行为智能但不从数据中学习的算法。这方面的案例有某些国际象棋算法，这些算法已包含国际象棋的规则和一些区分有利或不利局面的方法。如果无法准确、科学地确定局面的有利程度，就可以使用“试探法”或直觉规则。
比如在一般情况下，和对手相比，剩下的棋子越多就越有利，同样，确保皇后存活也更有利，而被将军则不利。国际象棋算法可以通过国际象棋规则，算出棋手根据当前情况可能采取的所有走法，并对每一种走法进行评分，无论是有利的还是不利的，均不例外。它还可以选择最有利的走法，并且重复进行这样的选择，直到胜利或失败。该过程之所以如此简单，原因之一在于，只计算之后的一步棋并不足够，它可能需要计算之后的好几步棋，一般情况下，一种算法就通过这种方法展示看似智能的行为，但它不会从结果或新的信息中学习。
最后是认知计算。这个术语直到20世纪80年代才开始被学术界所使用，但计算机行业早已开始使用这个词，这是因为IBM（国际商用机器公司）曾利用这个说法推广其“沃森”（Watson）系统。认知计算这一工作领域最贴切的定义就是：探索如何使用受人类大脑启发的机器学习技术。因此，认知计算包括硬件和软件两个层面。事实上，在IBM开展的关键项目中，属于认知计算的有TrueNorth架构（这种新型处理器尝试使用硅复制人脑结构）以及更为大家熟知的“沃森”软件。
通过上述例子，我们清楚地了解到这些智能算法的行为方式与人类大脑截然不同。比如，我们假定的国际象棋算法会根据单一的、实时的状态和国际象棋规则知识，建立所有可能的走法或至少建立一个极大的子集，而人脑无法做到这一点。我们往往会“删除”大量的可能性，因为一些可能性完全是荒谬的，甚至是不值得考虑的。相比于人脑，高性能计算机中的算法可以探索更多的可能性。虽然人脑可以同时处理多项任务并擅长多种认知任务，但人类大脑的“运行频率”慢于硅处理器，因此人脑执行纯数学任务的速度较慢，准确性也较低。在有些情况下，计算机和人脑之间的这一区别，也就是探索“所有选项”的能力的区别，是计算机的一项巨大的优势。
1982年，斯坦福大学的研究人员道格拉斯·莱纳特（Douglas B. Lenat）、威廉·萨瑟兰（William Sutherland）和詹姆斯·吉本斯（James Gibbons）在《人工智能杂志》（AI Magazine）上发表了一篇论文，该论文展示了生成和分析大量可能性的能力，让人们认识到一种新类型的三维微电子设备。16而在此之前，人类研究人员从未找到这一发现。该发现由一个名为“Eurisko”的算法自动生成，这种生成和分析可能性的能力在斯坦福大学教授约翰·科扎（John Koza）开创的基因算法研究中得到了最大限度的发挥。2006年，科扎在《科技新时代》（Popular Science）发表了一篇文章，与大众分享了他的成果。17这篇文章的标题虽然有些夸张，但也十分准确，叫《约翰·科扎制造出一台发明机器：这一发明赢得了多项专利，胜过了人类并且很快将飞向宇宙》。凭借探索“所有选项”的能力和数学资源，科扎的基因算法设计出多个电路图，还对很多人类发明的专利进行了逆向工程，并找到了很多应用方式，这些方式与原有专利有本质的不同，从而避免了专利重叠。
当然，人类智能有自己独特的优势。虽然受能量和物理空间的限制，人类的大脑相对较小，但正是这一点带来了许多进化上的“智慧”。人类智能拥有一套非常有效的删减技巧，能避免大脑依次处理几十亿种情况，只为找到一两种有用的信息，从而防止大脑承受过重的负担。那种类似于暴力破解的方法所需的运算量是生物体无法承受的，但可以肯定的是，接近无限的数学能力加上足够的计算速度，的确可以带来新发现，而我们的大脑目前还没有得出此类发现。由于我们必须节省能量，而且考虑到大脑所受的物理限制，我们必须以最优化的方式利用大脑，因此我们在某种程度上可以说是“思维僵化”。然而机器可以使用大量的能量和空间，因此它们的智能与我们的智能有本质上的区别。
不仅我们的计算能力受到生物学限制，就连我们的记忆力也受到这一限制，我们所能记住的事情有限而且“模糊不清”。在许多心理学或智力测试、游戏、有趣的挑战中，测试者会给我们看一张房间的照片，几秒后，我们被要求回忆窗帘的颜色或者墙上的画的数量。我们很难记住这些信息，因为记住每个细节对我们的进化生存而言并不是非常重要，但计算机可以记住它接触到的任何图片、声音或事情的每一个细节。人类学习后会忘记某些内容，但计算机不会。对机器来说，“什么是重要的”这一问题有着截然不同的含义。我们往往更容易记住重要的时刻，但机器会记住每一件事，然后再确定这些保存完好的经历中哪些部分对未来是重要的。显而易见，这种具有完整记忆能力的智能，其行为完全不同于我们人类的行为。
大部分人都认为学习是一种智能行为，但人类与机器对学习的定义是不同的。试着考虑一下，我们只能学习被感知到的知识，通过一种感官获得所学内容，比如视觉、手指的触觉、嗅觉或味觉等。我们努力扩展这一能力，试图直接看穿数学、逻辑等抽象工具，为什么杰出的数学家或物理学家如此少？其中一个原因在于，经验越抽象，我们就越难处理它们。我们看不见四维、五维或十维空间，所以只有极少数人可以只通过使用数学等工具思考四维或更高维度的空间。我们所有人都能直接看到三维空间，因此在探索这一直接可以被感知到的空间方面做得很好，而机器智能在这方面再一次不同于人类。委婉地说，以数学为基础构造而成的智能不会被数学应用能力所限制。高维度空间的感知、处理和理解方式与三维空间不同，不仅提供用于长期积累和学习的输入信息的传感器类型不受限制，就连此类传感器或输入信息的数量也不受限制。如果我们的后脑勺上也长了眼睛，那我们是不是就变成了另外一种生物？机器智能把这种差异拓展到了极致。
可能最基本的一点在于，人类智能来自我们的思维。我们的思维存在于一个地点，被牢牢地固定在身体内。一个身体只能容纳一种思维。
机器智能却可以完全脱离载体。在基础层面，机器智能不需要考虑保护载体的需求，而在更高层面，机器智能还可以同时在多个地点复制或展示智能。我们无法了解在同一时间存在于11个地点是怎样一种感受，但机器智能可以。
自我改进是人类与机器智能之间的另一个差异。数千年来，人类一直在追求自我改进。我们尊敬学者、老师和指导者，因为他们能够以多种方式帮助我们学习和提高自我，包括提高我们使用智能的能力。这一改进，即智能的提高，对我们而言是一种缓慢的、间接的过程。我们通过行为、知识的直接感知或输入来学习，无法简单地将他人的智能复制给自己。我们有这样一些俗语，比如“有些知识只能通过经验学习”等。机器智能不局限于这种自我改进形式，它们可以复制100万个自己，操控它们、测试结果，然后摒弃不良的更改。这是对智能实施的非常直接而快速的操控，而且它不会让本体承担任何成本或后果。如果人类一直局限于我们的生物智能，就不可能实现如此直接而快速的自我改进。
● ○ ●
上述几点只是机器智能与人类智能之间主要差异的一部分。根据这几点能更容易地了解会思考的机器与人类智能有多大的不同。
虽然我们距离完全有感知的机器还有很长的一段路要走，但近期在人工智能领域所取得的突破为我们指明了方向。这主要归功于经过改进的新的机器学习技术——深度学习。这一系列精明的技术受到大脑结构的启发，目前它们被用于支持谷歌的搜索引擎、Facebook（脸谱网）的自动照片贴标、苹果的Siri、特斯拉的无人驾驶汽车等各种新事物。那么深度学习到底是什么？