近年來，遇到了一些關于人工智能的誤解。

有時在與別人討論人工智能時，都覺得討論的是兩個不同的主題。

關于人工智能（AI）有很多的誤解，下面就是最常見的幾個。

1、應用AI系統只是AGI的有限版本

人工智能，即AGI，一直是圖靈和今天所有AI科學家的動力。

盡管許多人認為，人工智能的最新技術仍遠遠落后于人類的智慧。

AGI幫助我們理解了人類和自然智能的各個方面，因此，我們根據理解和模型構建了有效的算法。

然而，當涉及AI的實際應用時，AI從業者并不一定將自己局限于人類決策，學習和解決問題的純模型。

相反，為了解決問題并實現可接受的性能，AI從業者經常做出構建實際系統所需的一切。

導致深度學習系統的算法突破的核心是一種稱為反向傳播的技術。

2、有一個萬能的AI解決方案

一個常見的誤解是：人工智能可以用來解決每一個問題。

現實情況大不相同：人工智能系統需要設計，有時需要大量設計，并且需要經過專門培訓的模型才能應用于問題

雖然類似的任務，特別是涉及感知世界的任務（如語音識別，圖像或視頻處理）現在都有一個可用的參考模型庫，但這些模型需要專門設計以滿足部署要求，但可能沒有用。

此外，AI系統很少是基于AI的解決方案的唯一組件。

通常需要許多定制的經典編程組件來組合以增強系統內使用的一種或多種AI技術。

3、AI與深度學習相同

深度學習或深度網絡是人工神經網絡的大規模，“深層”不是指深層思考，而是指我們現在可以在人工神經網絡中承擔的隱藏層數（之前它最多只有少數，現在它們可以在數百）。

深度學習方法中的“學習”是指模型的生成，而不是在新數據可用時能夠實時學習的模型。

深度學習模型正在在線學習應用程序中使用。這種系統中的在線學習是使用不同的AI技術實現的，例如強化學習或在線神經進化。

這種系統的局限性在于，只有在離線學習期間主要經歷使用領域時才能實現深度學習模型的貢獻。

生成模型后，它將保持靜態，并且對應用程序域中的更改不完全可靠。

現在有了像Sentient Ascend這樣的平臺使用進化算法來推動網站優化，大量的歷史數據不再需要有效，而是使用神經進化來根據網站的當前環境實時轉移和調整網站。

在大多數情況下，深度學習系統是由大型數據集推動的，因此從大型獨特數據集生成新的有用模型的前景加劇了誤解。

4、這都是關于大數據的

不是，它實際上是關于良好的數據。大型不平衡數據集可能具有欺騙性，尤其是當它們僅部分捕獲與域最相關的數據時。

此外，在許多領域，歷史數據可能變得無關緊要。

例如，在紐約證券交易所的高頻交易中，最近的數據與2001年以前尚未采用十進制數據的數據相比具有更大的相關性和價值。

5、如果解決了我們需要的問題，那意味著正在使用AI

實際上，圖靈的定義不會反駁這一點。

然而，就主流人工智能而言，一個完全設計的系統，比如能夠實現不使用任何AI技術的自動駕駛汽車，是不會被認為是AI系統的。

如果系統的行為不是引擎蓋下使用的AI技術的緊急行為的結果，而是程序員以確定性和工程化的方式從頭到尾編寫代碼，那么系統不被認為是基于AI的系統。

盡管圍繞人工智能存在著誤解，但人工智能仍然存在，而且是未來的窗口。

未來還有很長的路要走，才能解決所有問題并實現大規模工業化。