关于人工智能技术，我们充满了许多情绪。我们对其功能感到满意，但我们对其功能感到恐惧。分析人士预测，人工智能将在未来取代人工，这最终将对我们的人类产生巨大影响。那么机器可以学到什么呢？他会真正驱逐人类吗？机器学习现在是进步的。当人工智能发展为人工智能时，它将最终影响我们，但是机器可以学到什么呢？机器人笨拙。除了制造中的特殊机械臂之外，机器人的灵敏性远不如人类，因为它们的灵活性不足以执行机械操作。但是机器学习（ML）是另一个领域。它是人工智能的核心技术。它不需要机械性能，但是可以学习很多人类技术，甚至可以代替人类工作。机器人的机械性能技术一旦进一步发展，它还将学习人类在日常生活中的一些行为。当然，这还需要将机器学习生成的AI用作大脑。因此，机器学习ML可能不是坐在一堆书上的机器人。上个月，《科学》杂志（科学）杂志上有一篇文章讨论了机器学习的特征和功能。在某些领域，机器可以学习得很好。迟早，该领域的工作将被机器代替，但是在某些领域，机器无法学习。在这些领域，人类仍然占主导地位。当前的机器学习主要使用计算机模拟的神经网络来模仿我们的思维方式，然后使用大量的数据（大数据）进行训练以提高智慧。培训结束后，它将成为AI软件。当然，这句话的解释太简单了。实际上，使用计算机软件来模仿我们的大脑运作仍然是有争议的。这只是目前的技术。尽管机器与人类不同，但学习情况却相似。例如，从病历中诊断出疾病的可能性，以及从贷款申请中将来还款的可能性都可以预测。这些都是医生和金融专家每天都会做的事情，但是机器可能比人类更快，更好，因为因果关系（即输入和输出之间的联系）被明确定义并且适合机器学习操作。机器学习不仅取决于规则，还取决于用于训练的经验数据。信息越多，学习越准确，这里就使用大数据的概念。大数据可能来自监视网络事务和交互，手动添加分类和排序或针对特定问题进行模拟，但是数据来自非结构化来源（例如在线聊天），这可能会导致偏差，并且机器学习的结果不可避免。有偏见。 。此外，依靠数据培训并不适合所有领域。最有趣的是，只要您有一个明确的目标，您甚至不需要知道实现目标的最佳方法。只要使用组织的数据进行训练，机器的学习效果就特别好。此方法通常用于系统级别的宏观区域，例如，允许公司最大化利润并让城市交通顺畅，而不是在细微的分支上使用，因为分支的数据范围太窄，并且不可避免会有错误。另一个有趣的事情是机器是不合理的。学习的结果不能用推论来解释。医生可以从病历中耐心地解释诊断结果，但是机器的解释显然不如医生。这仅表明计算机模拟与人类思维不同。神经网络从输入到输出可能具有许多级别。每个级别计算多个结果，并将它们传递到下一层。这些中间结果没有用于其他目的，因此，对于最终结果，我们看不到中间过程。机器学习的算术方法使用统计和概率来找到答案。无论您学习得如何好，一旦使用AI解决问题，就没有100％肯定的答案，也就是说，就像最优秀的人类专家一样，仍然存在犯错的机会。同样，当我们使用AI解决问题时，我们必须牢记错误的容忍度。结合机器学习的特征需要大量数据，定义明确的输入和输出连接以及使用统计数据和概率。不可能给出一个最佳答案或提供清晰的解释。机器被“困住”。通过计算机模拟的神经网络，缺乏人的适应性，并且不能突然改变。所以最重要的是，许多任务很难自动化