大數(shù)據(jù)已經(jīng)達到了匹配。在這片數(shù)據(jù)的田野里，收集數(shù)據(jù)的能力在生物學上爆炸式增長，其基因組和蛋白質(zhì)數(shù)量迅速增長;在天文學中，從云空間調(diào)查中抓去可用的數(shù)據(jù);在社會科學中，挖掘數(shù)百萬的在互聯(lián)網(wǎng)上彈起的帖子和文章。數(shù)據(jù)泛濫可以壓倒人類的洞察力和分析能力，但是幫助實現(xiàn)這一目標的計算機進步也引發(fā)了強大的新工具，使其全部了解作為個體人的大腦所沒有的能力程度。

在一場涉及大部分科學的革命中，研究人員通常以人造神經(jīng)網(wǎng)絡的形式在數(shù)據(jù)洪流中釋放人工智能（AI）。與早期對AI的嘗試不同，這種“深度學習”系統(tǒng)不需要用人類專家的知識來編程。相反，他們自己學習，往往是從大量的訓練數(shù)據(jù)集，直到他們能夠看到數(shù)據(jù)集中的模式和現(xiàn)象異常，這些異常比人類能夠應付的要大得多。

人工智能不僅僅是科學的轉(zhuǎn)變，在智能手機上跟你說話，走在無人駕駛汽車的路上，令人不安的未來主義者擔心會導致大規(guī)模的失業(yè)。對于科學家來說，前景是光明的：AI承諾增加發(fā)現(xiàn)的過程。

然而，與于研究生或博士后不同，神經(jīng)網(wǎng)絡不能解釋他們的想法：導致結(jié)果的計算是隱藏的。所以他們的興起產(chǎn)生了一個稱為“AI神經(jīng)科學”的領域：努力打開黑匣子的神經(jīng)網(wǎng)絡，建立對他們產(chǎn)生的見解的信心。

理解機器內(nèi)部的思維可能會變得更加迫切，因為AI在科學中的作用擴大。已經(jīng)有一些先驅(qū)們轉(zhuǎn)向AI來設計和實施實驗以及解讀結(jié)果，開辟了全自動化科學的前景。不知疲倦的人工智能工人可能很快就會成為一個成熟的同事，或者是你的領導，想想多么可怕。但有時值得期待的，畢竟也是你的良師益友。

人工智能，用這么多話來說：（以下內(nèi)容分析）

人工智能（AI）是什么意思？這個詞從來沒有過界。當它在達特茅斯學院的一個1956年的一個精采的講習班上被介紹時，它被廣泛地解讀為使一臺機器的行為方式如果在人類中被視為智能的。AI最近的一個重要進展是機器學習，它顯示了從拼寫檢查到自駕車的技術，并且常常被稱為神經(jīng)網(wǎng)絡的計算機系統(tǒng)。對AI的任何討論也可能包括其他術語。

算法一套分步說明：計算機算法可以簡單（如果是下午3點，發(fā)送提醒）或復雜（識別行人）。

反向傳播算法：他們發(fā)現(xiàn)他們的輸出和期望的輸出之間的差異，然后根據(jù)執(zhí)行順序調(diào)整計算。

BLACKBOXA描述了一些深度學習系統(tǒng)：他們接受輸入并提供輸出，但是在這兩者之間發(fā)生的計算并不容易解釋。

深度學習：一個具有多層次的神經(jīng)網(wǎng)絡成為敏捷的，更為抽象的抽象模式。放映照片時，圖層可能會首先對邊緣產(chǎn)生響應，然后再向內(nèi)查看，然后快速識別圖像，給出處理結(jié)果。最后執(zhí)行命令，然后學習記錄，建立記錄集，匯編數(shù)據(jù)庫。學習成功。

專家系統(tǒng)AI的形式：試圖在醫(yī)療診斷領域復制人類的專長。它將知識庫與一組用于應用該知識的手寫編碼規(guī)則相結(jié)合。機器學習技術越來越多地取代手工編碼。比如很復雜的一個手術，人工智能機器人在初級價段就已經(jīng)學習好內(nèi)外科，那么進入復雜手術他會很快的處理復雜的手術，人類在處理復雜手術時會因為各種因素無法很好的進行，人工智能可以一步步進入指定階段，全世界搜集可用數(shù)據(jù)學習分析，最后處理完手術，給出手術結(jié)論，供人類參考學習。

一般性的專業(yè)網(wǎng)絡：一對共同訓練的神經(jīng)網(wǎng)絡：生成逼真的新數(shù)據(jù)，并通過競爭得到改善。一個網(wǎng)絡創(chuàng)造了新的例子，另一個試圖檢測數(shù)據(jù)的真假，相互作用得出最優(yōu)結(jié)果。

機器學習：使用在沒有明確指令的情況下在數(shù)據(jù)中查找模式的算法。系統(tǒng)可能會了解如何將輸入的功能與圖像與輸出（如標簽）相關聯(lián)。比如一張打了馬賽克的圖像，它可以很準確的回復和處理，就像比戴著眼鏡戴著口罩，他也可以根據(jù)你的輪廓把你顯示出來。當然還有更奇特的。

自然語言：處理計算機試圖“理解”口語或書面語言。它必須解析詞匯，語法和意圖，并允許語言使用的變化。該過程通常涉及機器學習。比如咱們的中國話包括方言，不久的將來他會學習的也許比你我更順口。比如：你吃了嗎？你喝了嗎？哪里玩兒去？......

神經(jīng)網(wǎng)絡：是機器學習中人類腦部的高度抽象和簡化模型。一組輸入（例如aphoto中的像素）的單元接收片段對它們執(zhí)行簡單的計算，并將它們傳遞到下一層單元。最后一層代表了答案。

神經(jīng)形態(tài)芯片：計算機芯片設計為充當神經(jīng)網(wǎng)絡。它可以是模擬，數(shù)字或組合。

感知器：早期類型的神經(jīng)網(wǎng)絡，在20世紀50年代開發(fā)。后來顯示有限制，抑制神經(jīng)網(wǎng)絡的興趣多年。

加強學習機器：學習方法，通過采取“抽取高視頻游戲得分”或“有效管理工廠”等抽象目標來實現(xiàn)算法學習。在訓練過程中，根據(jù)對目標的貢獻進行評估。

強大的AI：是一個像人類一樣聰明和計算周全的人。有人說這是不可能的。目前的AI是弱的，還是狹隘的，它可以下棋或者開車，但不能兩者兼有，缺乏常識。

監(jiān)督學習：類型的機器學習，其中該算法在訓練期間將其輸出與正確的輸出進行比較。在無監(jiān)督學習中，該算法僅在一組數(shù)據(jù)中查找模式。

TENSORFLOWA由Google開發(fā)的用于深度學習的軟件工具集。它是開源的，意思是可以使用或改進它。

遷移學習技術機器學習：其中算法執(zhí)行一個任務，例如識別汽車，并在學習不同的相關任務（例如識別貓）時建立在該知識上。根部不同環(huán)節(jié)不同環(huán)境進行的一種可以遷移是的數(shù)據(jù)學習，就是“多面手”，有道是：藝多不壓身。

更多資訊請關注工業(yè)機器人頻道