人工智能与普通智能有哪些区别
来源：北京商报
自人工智能概念在前几年爆发热潮以来，标签为人工智能的产品就比比皆是，小音箱、智能门锁、翻译器，都成为商家手里的人工智能“武器”。但事实上，很多产品只具备简单的智能功能，和人工智能概念下的使用场景还差得很远。然而，对于不少普通消费者来说，根本分不清到底哪些是真正的人工智能，哪些只是普通智能。7月30日，在北京商报社主办的首届人工智能应用场景沙龙上，有关专家指出，普通智能和人工智能让普通消费者去感知的临界点，在于能不能不断、快速地进行相应的演化以及有没有自主学习能力。
进入智能时代
智能手机诞生后，似乎不管什么类别的产品，都喜欢在前面加个“智能”的前缀。北京商报记者在淘宝和京东上搜索“智能”两个字，发现搜索结果五花八门，有智能机器人、智能音箱、智能呼啦圈、智能玩具、智能开关、智能家居、智能插座等。
自从人工智能概念在几年前爆火，企业们彷佛找到了新的财富密码，纷纷在自家产品前加上“人工智能”四个字，形形色色的产品被冠上了人工智能的标签。在电商平台搜索“人工智能”，有智能音箱类、早教机、摄像头、智能机器人等，最多的是智能音箱。
当然，市面上以人工智能为宣传点的产品不止智能门锁、翻译工具、智能空调、智能电视、智能灯等toC端的产品，还有toB端的医疗机器人、机器人服务员、自动驾驶汽车、智能仓库等。
一个人工智能的概念，有数不清的产品和眼花缭乱的场景。然而，对于大部分消费者来说，并不了解普通智能和人工智能二者的区别。
有消费者对北京商报记者表示，“一个简简单单的蓝牙音箱，厂商也标榜是人工智能产品，其实功能非常有限，简单的天气预报、搜索歌曲等，远远达不到人工智能的标准”。
北京电子电器协会会长武建宝也举例称，现在很多家电厂商声称自己的产品是智能家电，有的智能空调可以远程控制，根据房间、人员位置、人数多少，通过雷达系统识别出来，控制风力风量，有些只是简单功能，不能够称其为人工智能。
产业大爆发
这背后，是人工智能产业的爆发。天眼查专业版数据显示，我国目前有近130万家经营范围含“人工智能、机器人、数据处理、云计算、语言识别、图像识别、自然语言处理”，且状态为在业、存续、迁入、迁出的人工智能相关企业，其中，八成以上成立于五年之内。人工智能相关企业最多分布于信息传输、软件和信息技术服务业，有近47万家，占比37%；其次是科学研究和技术服务业，有近31万家，占比24%。
“今天已经进入了人工智能的时代，随着人工智能和物联网、大数据新技术融合，尤其在5G推动下人工智能将推动经济社会各领域从数字化、网络化向智能化加速跃升，人工智能在与其他学科融合中将进一步释放积蓄的巨大能量，推动社会生产力的整体跃升。”武建宝说。
目前，人工智能技术在各大领域的应用也在拓展中。比如成立于2017年的千种幻影，是一家驾驶人安全意识培训与行为训练全流程数字化解决方案提供商，其沉浸式智能驾驶培训系统是国内唯一实现从科目一到科目四教学任务、产品效果获得交通部公路研究院论证、与驾培行业唯一主板上市公司东方时尚的广泛应用，目前在北京核心区域有24个学习中心、驾驶体验班，前期原地驾驶科目二场地以及安全课件都可以在学习中心完成。
而旷视科技今年推出了基于全自研的AI一体化边缘设备解决方案，并表示未来将积极在城市物联网、供应链物联网领域推进软硬一体的解决方案，实现从“软到硬”的AI科技公司转型。
“制造出温度才是人工智能”
从技术方面来分析，千种幻影创始人张雷认为，到底是普通智能还是人工智能，取决于这个产品或者这项技术是不是在不断、快速地进行相应地演化。“它不应该是线性增长，凡是线性增长的东西就不算人工智能，人机牢牢结合在一体，相互交互、相互学习，产生记忆、产生感情，制造出温度，这才是人工智能。”
从交互的角度来看，猎豹移动副总裁李婷指出，普通智能在很大程度上其实就是自动化，普通智能和人工智能在交互方式上有一定的不同。“如果一个人不会使用智能手机，大家可能会说是人的问题，但如果一个机器人不够智能，大家就会说是机器人的问题，这就是二者在交互模式上最大的区别，人工智能是机器适应人，不是人适应机器。”
“我们把AI分成两个步骤，第一个是训练端，通过训练才能把AI模型训练出来，第二个是推理端。传统(普通)智能和人工智能最大的差别是看决策过程到底是逻辑化还是推理化，即使我们用到专家系统或者机器学习，如果最后发现决策依据不在原本已有的知识体系下，这样的智能还是一种传统智能。人工智能能够脱离原有逻辑体系和决策树，在决策树不能涉及的情况下依然能够举一反三推理出当前的决策结果，这个是人工智能。”旷视企业业务事业部产品营销总监乔梁说。
(责任编辑：柯晓霁)
【责任编辑：张瑨瑄】人工智能知识体系梳理
本文将从以下几个角度阐述AI的知识体系：基础算法&模型，NLP，机器学习（深度学习），大数据（人工智能）平台核心架构，开发语言选择，主流第三方库（框架）。
简单来说，我们要开始人工智能的工作，基础设施有三个重要部分，1.开发语言（python及其主流的类库和工具包）；2.数据计算引擎（spark及其基本算法类库，es，以及大数据存储）；3.机器学习（深度学习）框架的熟练运用Scikit-learn，TensorFlow。
更新记录*2021年12月1日对大数据（人工智能）整体架构图做了更新，请查阅“大数据（人工智能）平台核心架构”章节
更新原因：大型的互联网平台，大数据平台目前的趋势都是需要一个成熟和稳定基础设施层，目前的趋势是以容器化技术进行构建，以达到云原生的能力，并在上层依次搭建算法模型、技术和业务的基础设施，以及大数据主流分析计算框架，再辅以针对业务服务的规则引擎，报表引擎。以此形成数据中台，技术中台和业务中台，为大型企业构建自己的大数据产品平台打下坚实的基础。
基础算法首先说说涉及到的基础知识，包括高等数学，线性代数，概率论以及统计学。基础算法有线性回归，逻辑回归，决策树，贝叶斯，神经网络等等。常用算法如下图：
注意算法与模型的关系：算法是指一系列解决问题的清晰指令，它代表着用系统的方法解决问题的策略机制。模型是一种相对抽象的概念，在机器学习领域特指通过各种算法对数据训练后得到的中间件，当有新的数据后会有相应的结果输出，这个中间件就是模型。模型会因算法和训练数据的不同而产生变化。
两个最常用的模型：逻辑回归和决策树。逻辑回归解决分类问题，对看似没有规律，聚合在一起的数据，进行二分化，找到最准确的分类线条是他的主要工作。逻辑回归可以理解为拟合，用一条直线对一些数据点进行拟合（该线称为最佳拟合直线），而拟合过程称作回归。通常都会每个特征上都乘以一个回归系数，而逻辑回归的主要工作就是求这个最佳的回归系数。
逻辑回归参考：逻辑回归算法 逻辑回归原理及其python和sklearn实现
决策树参考：决策树算法原理
NLP（自然语言处理）该领域分为以下三个部分：
1.语音识别：将口语翻译成文本。
2.自然语言理解：计算机理解人类的能力。
3.自然语言生成：计算机生成自然语言。
其中，声学模型，语言模型，语意分析，句法分析非常重要。
具体的搭建方式，参考基于深度学习的中文语音识别系统框架
机器学习与深度学习1.首先看看他们的关系与区别：机器学习就是机器通过一系列「任务」从「经验」（数据）中学习，并且评估「效果」如何，是人工智能传统且重要的应用方式，可替换大量人工重复的劳动。但是如果无法从数据中「学习到」更好的特征表达，也是徒劳。同样的数据，使用不同的表达方法，可能会极大影响问题的难度。一旦解决了数据表达和特征提取问题，很多人工智能任务也就迎刃而解。但是对机器学习来说，特征提取并不简单。特征工程往往需要人工投入大量时间去研究和调整，就好像原本应该机器解决的问题，却需要人一直在旁边搀扶。深度学习便是解决特征提取问题的一个机器学习分支。它可以自动学习特征和任务之间的关联，还能从简单特征中提取复杂的特征。简言之，深度学习是发现内在规律，总结重大特征的机器学习方式。让机器能够像人脑进行演变和进化。
参考机器学习与深度学习的区别
2.机器学习（深度学习）算法与框架推荐：Scikit-Learn和Tensorflow, Keras(Keras更适合作为接口来使用。它提供了更高级别，更直观的抽象集合，使得无论后端科学计算库如何，都可以轻松配置神经网络)
3.深度学习框架选择要素
深度学习框架是一种界面、库或工具，它使我们在无需深入了解底层算法的细节的情况下，能够更容易、更快速地构建深度学习模型。深度学习框架利用预先构建和优化好的组件集合定义模型，为模型的实现提供了一种清晰而简洁的方法。利用恰当的框架来快速构建模型，而无需编写数百行代码，一个良好的深度学习框架具备以下关键特征：
优化的性能易于理解和编码良好的社区支持并行化的进程，以减少计算自动计算梯度4. 深度学习高级开发框架Keras与TensorFlow的比较Keras用Python编写，可以在TensorFlow（以及CNTK和Theano）之上运行。TensorFlow的接口具备挑战性，因为它是一个低级库，新用户可能会很难理解某些实现。而Keras是一个高层的API，它为快速实验而开发。因此，如果希望获得快速结果，Keras会自动处理核心任务并生成输出。Keras支持卷积神经网络和递归神经网络，可以在CPU和GPU上无缝运行。 可以将Keras中的模型大致分为两类： 4.1.序列化模型的层是按顺序定义的。这意味着当我们训练深度学习模型时，这些层次是按顺序实现的4.2.Keras函数API用于定义复杂模型，例如多输出模型或具有共享层的模型。
大数据（人工智能）平台核心架构-数据挖掘（大数据处理）人工智能离不开背后的数据平台，需要实时运算，实时处理的引擎。这里会涉及到大数据平台架构，如何做出更好的人工智能产品，搭建一个高效的数据平台至关重要。
如上图所示，我们可以看到SparkStorm，ES等大数据技术栈在其中所处的关键位置。除了能提供分布式高性能的流式处理以外，如Spark，已有强大的SparkMLlib机器学习库，旨在简化机器学习的工程实践工作，并方便扩展到更大规模。MLlib由一些通用的学习算法和工具组成，包括分类、回归、聚类、协同过滤、降维等，同时还包括底层的优化原语和高层的管道API。那么在数据处理平台（框架）中直接部署&应用需要的机器学习算法，变得非常高效和方便。
*上图中的模型盒子是数据平台锻造算法模型的关键流程，容器部署算法盒子，用数据锻造真实模型，通过模型挑战者等方式选出最优模型。
参考机器学习-数据处理技术栈
开发语言选择
了解了算法，基本概念，机器学习，数据处理之后。让我们回到日常工作中最使用频率最高的话题：开发语言的选择。开发语言的选择要从一下几个角度考虑：团队技术栈的掌握范围和集中度，主流第三方类库的丰富程度和稳定性。
目前的选择是Python和Java，主要的考虑是目前数据团队以Python为主要开发语言，而核心系统，大数据平台团队使用Java
Python作为开发语言的优势：
Python中可用库的数量是其他语言所无法企及的。NumPy已经变得如此普遍，以至于几乎成为了张量运算的标准API，Pandas将R的强大而灵活的数据帧带入Python。对于自然语言处理（NLP），您可以使用久负盛名的NLTK和快如闪电的SpaCy。对于机器学习，有经过实战检验的Scikit-learn。当谈到深度学习时，当前所有的库（TensorFlow，PyTorch，Chainer，ApacheMXNet，Theano等）都是在Python上首先实现的项目。
推荐一个非常棒的在线开发手册
Java的优势：
Java的优势在于团队对他天然的亲近^_^，Anyway, JVM系列语言（Java，Scala，Kotlin，Clojure等）对AI应用开发的来说，也是非常棒的选择。自然语言处理（CoreNLP）、张量运算（ND4J）还是完整的GPU加速深度学习堆栈（DL4J），都可以使用大量的库来管理流水线的各个部分。最重要的是，Java体系里面的大数据技术栈，可以让人工智能平台轻松与Spark和Hadoop等大数据平台进行构建和整合。
参考：最适合的人工智能开发语言
总结：目前人工智能的框架已经非常成熟了，不要重复造轮子，我们是要重新定义一些计算模型和算法实现，来创新网络结构和训练方法，能够在众多普通的移动设备端进行分布式机器学习，甚至不需要多余的硬件支持或抑制内存开销，这样的深度学习算法会更加有效。