在「AI」随处可见的当下，你真的理解人工智能领域核心概念吗？
刚刚，斯坦福大学教授、人工智能实验室（SAIL）负责人、HAI 副主任 Christopher Manning 用一页纸的篇幅定义了 AI 领域的核心术语。他表示希望这些定义能够帮助非专业人员理解 AI。
在这一页纸中，Manning 介绍了十多个术语的定义，包括「智能」、「人工智能」、「机器学习」、「深度学习」等。
链接：https://hai.stanford.edu/sites/default/files/2020-09/AI-Definitions-HAI.pdf
具体内容参见下文：
智能可以定义为学习和执行恰当的技术以解决问题、实现目标的能力，且这些能力能够适用于不确定、不断变化的外部环境。经过完全预编程的工业机器人具有灵活性、准确性和一致性，但并不智能。
人工智能（AI）由斯坦福大学名誉教授 John McCarthy 在 1955 年提出，他将人工智能定义为「制造智能机器的科学与工程」。许多研究使人类编程的机器能够以聪明的方式执行任务，如下棋。但是如今，AI 领域致力于实现至少可以像人类一样学习的机器。
自主系统能够独立地计划和确定操作步骤，以实现指定的目标，而无需进行微观管理。医院中的配送机器人必须在人来人往的走廊中自主导航才能成功完成任务。在人工智能领域中，「自主」并不意味着政治或生物学中常见的「自治」（self-governing）。
机器学习（ML）是人工智能的一部分，旨在研究计算机智能体如何根据经验或数据改善其感知、知识、思维或行动。为此，机器学习领域的知识涉及计算机科学、统计学、心理学、神经科学、经济学和控制论。
在监督学习中，计算机学习预测人类给定的标签，例如基于带标签的狗狗照片来学习狗的品种。而无监督学习不需要标签，有时需要自己做预测任务，例如尝试预测句子中每个后续单词。强化学习让智能体学习可优化其总体奖励的动作序列，例如在没有良好技术的明确示例下自主赢得游戏。
深度学习指使用大型多层神经网络计算连续（实数）表示，与人脑中按层级结构组织的神经元略有相似。目前，深度学习是最成功的机器学习方法，可用于所有类型的机器学习，并且可基于少量数据实现更好的泛化性能，能够更好地扩展至大规模数据和算力。
算法列出了待执行的精确步骤，就像人把步骤写进计算机程序一样。AI 系统包含算法，但算法往往仅作为学习或奖励计算方法。它们的很多行为是从数据或经验中学得的，正如斯坦福毕业生 Andrej Karpathy 所提出的「软件 2.0」带来的系统设计基础性改变一样。
狭义人工智能（Narrow AI）表示能够处理特定任务的智能系统，如语音识别或人脸识别。人类级 AI（Human-level AI）或通用人工智能（AGI）则致力于寻找智能处理大量任务且能够感知语境的机器，例如高效的社交聊天机器人或人机交互。
以人为中心的人工智能指寻求能够增强人类能力、满足人类社会需求且从人类身上得到启发的 AI。它为人类研发高效的合作伙伴和工具，如机器人助手和老年陪护机器人。