如今，人工智能无处不在，但这种有一定的影响力的新技术的工作原理可能令人困惑。AI发展中最重要的两个领域是“机器学习（ML）”及其子领域“深度学习（DL）”。以下是对这两个重要学科的快速解释，以及它们是如何促进自动化的发展的。

  我们有必要提醒自己人工智能到底是什么。人工智能的支持者表示，他们盼望有一天能创造出一种能自己“思考”的机器。人类的大脑是一个宏伟的仪器，可以有效的进行计算，远超于任何现有的机器的能力。参与人工智能开发的软件工程师希望最终制造出一种机器，它能在智力上做人类能做的一切，而且还能超越人类。目前，AI在商业和政府领域的应用主要是预测算法，比如在Spotify上推荐你的下一首歌曲，或者试图向你出售与你上周在淘宝上购买的产品相似的产品。然而，人工智能的鼓吹者认为，这项技术最终将能够推理并做出更复杂的决定。这就是ML和DL的用武之地。

  机器学习（ML）是人工智能的一个广泛类别，指的是“教”软件程序如何做出预测或“决策”的过程。IBM工程师杰夫·克鲁姆（Jeff Crume）将机器学习解释为“很复杂的统计分析形式”。根据克鲁姆的说法，这种分析使机器能够“依据数据做出预测或决策”。他说，“系统输入的信息越多，它就越能给出准确的预测。”

  不像一般的编程，机器被设计来完成一个很具体的任务，机器学习围绕着训练一个算法来识别数据中的模式。如前所述，机器学习包括各种各样的活动。

  深度学习（DL）就是机器学习。它是前面提到的机器学习的子类别之一，与别的形式的机器学习一样，专注于教人工智能“思考”。与别的形式的机器学习不同，深度学习试图让算法完成大部分工作。深度学习是由被称为人工神经网络（ANN）的数学模型推动的。这些网络试图模仿人类大脑中自然发生的过程 —— 比如决策和模式识别。

  深度学习和别的形式的机器学习之间最大的区别之一是机器提供的“监督”水平。在不太复杂的机器学习形式中，计算机可能会参与监督学习 —— 一个人类帮助机器识别标记、结构化数据中的模式的过程，来提升其进行预测分析的能力。

  机器学习依赖于大量的“训练数据”。这一些数据通常是由人类通过数据标签来编译的。通过这一个过程，建立了一个训练数据集，然后可以将其输入AI算法，并用于教它识别模式。例如，如果一个企业正在训练一种算法来识别照片中特定品牌的汽车，它将向算法提供大量由人工标记的该车型的照片。一旦机器经过训练，还会创建一个“测试数据集”来衡量机器预测能力的准确性。

  与此同时，当涉及到深度学习时，机器会进行一种称为“无监督学习”的过程。无监督学习涉及一台机器使用其神经网络来识别所谓的非结构化或“原始”数据中的模式，这一些数据尚未被标记或组织到数据库中。企业能使用自动化算法筛选大量无组织的数据，从而避免大量的人力劳动。

  人工神经网络由所谓的“节点”组成。根据麻省理工学院的说法，一个人工神经网络可以有“数千甚至数百万”的节点。这些节点可能有点复杂，但简单的解释是，它们就像人脑中的节点一样，传递和处理信息。在神经网络中，节点以有组织的形式排列，称为“层”。因此，“深度”学习网络涉及多层节点。信息利用互联网移动，并与各种各样的环境相互作用，这有助于机器在受到人类提示时做出决策。

  人工神经网络的另一个关键概念是“权重”，一位评论员将其比作人类大脑中的突触。权重只是数值，分布在AI的神经网络中，帮助确定AI系统输出的最终结果。权重是信息输入，有助于校准神经网络，使其能够做出决策。麻省理工学院对神经网络的深入研究解释了这一点：

  对于每个传入的连接，节点将分配一个称为“权重”的数字。当网络处于活动状态时，节点在其每个连接上接收不同的数据项（不同的数字），并将其乘以相关的权重。然后将结果相加，得到一个数字。如果该数字低于阈值，则节点不向下一层传递数据。如果这一个数字超过阈值，节点就会“触发”，这在今天的神经网络中通常意味着将这一个数字 —— 加权输入的总和 —— 沿着所有的输出连接发送。

  简而言之：神经网络的结构是为帮助算法对输入的数据得出自己的结论。基于其编程，该算法可以在大量数据中识别有用的联系，帮助人类根据其分析得出自己的结论。

  机器和深度学习有助于训练机器进行预测和解释活动，而这些活动以前只是人类的领域。这可能有很多好处，但明显的缺点是，这些机器可能（而且，老实说，将）不可避免地被用于邪恶的，而不仅仅是有用的东西，比如政府和私人监控系统，以及军事和国防活动的持续自动化。但是，很明显，它们对消费的人的建议或编码以及最好的医疗和健康研究也很有用。与任何其他工具一样，AI对世界的影响是好是坏，很大程度上取决于谁在使用它。