如果人工智能是一个有助于描述不同技术和方法的有用术语，那么它必须是有意义的。一个对每个人都意味着一切的术语对任何人都毫无意义。本系列的前一篇文章“机器学习真的是人工智能吗?”“我复习了人工智能要有用的各种观点。一般认为，当系统能够感知和理解其环境，从过去的行为中学习并将其应用到未来的行为中，从蓝冠测速开发的角度来看，此培训方案为质量保证和可用性/可玩性测试提供了潜在的“实验室”。多玩家游戏开发中始终存在两个挑战：确保蓝冠官网游戏可以长时间运行而不会崩溃或变得不同步，以及在多个玩家和设备之间测试各种场景。并通过从经验和学习中推理，然后从这些新的环境和经验中产生新的学习来适应新环境时，系统就是智能的。你可以进一步将智力定义为能够增加你未来的行动自由，并在个人基础上决定你希望基于行动的未来结果。
机器学习是一套技术和方法，它提供了一种方法，通过这种方法，计算机系统可以从经验和数据中编码学习，然后将未来的信息应用到学习中，从而得出结论。这种机器学习与显式编程不同，后者是人类使用自己的智能来完成所有认知目标。显然，机器学习是人工智能的先决条件。然而，ML是必要的，蓝冠测速机器学习，计算机视觉以及手势和情绪识别，再加上先进的传感器，先进的执行器和强大的边缘处理器，可以使机器人完成比以往更多蓝冠官网的任务。但对AI来说是不够的。同样，并不是所有的ML系统都在我们试图用AI实现的环境中运行。
那么，ML的哪些部分不是AI呢?
在上面的文章中，我们讨论了AI的哪些部分不是ML，但是我们没有深入探讨ML的哪些部分不是AI。由于我们还没有实现人工一般智能(AGI)，尽管有一些尝试让我们接近它，但目前在该领域的所有实际应用都是一种或另一种形式的窄人工智能。不幸的是，这并没有特别的帮助。
它不是有用的调用数据的科学努力,使用随机决定森林,这是一种ML,聚焦于特定任务的实现一个非常具体的学习结果是在同一水平上尝试构建系统,可以学习和适应新的情况。使用的工具可能是机器学习，但结果并不意味着特别智能。例如，使用机器学习方法的预测分析形式可能确实是ML项目，但它们本身不是AI项目。从本质上讲，使用ML技术来学习一个狭窄的特定应用程序，并且该训练模型不能应用于不同的情况，或者不能以任何方式演化或适应新情况，这不是一个以ai为中心的ML项目。这是没有人工智能的ML。
也许这个维恩图有助于解释ML的哪些部分对AI有贡献，哪些部分没有:
AI和ML维恩图
AI和ML文氏图解知识
数据科学视角:ML用于预测分析，而不是智能
我们看到人工智能领域重新燃起兴趣的部分原因，不仅在于开发出更好的算法来进行机器学习(尤其是深度学习)，还在于我们拥有的庞大数据量和更好的处理能力。在过去的十年中，大数据领域的出现是为了处理来自互联网、移动设备、各种设备和网络系统的海量数据。大数据革命不仅带来了管理和处理大量数据的新方法，而且帮助引领了数据科学和数据工程领域，为数据提供了洞察和隐藏的价值，以及更好的操纵大数据集的方法。
2019年黑色星期五前的百思买:今天LG、三星和索尼电视的最佳交易
毫无疑问，机器学习的方法和技术对数据科学家很有吸引力，他们以前必须使用SQL和其他数据访问方法处理更高级的数据查询。ML提供了一系列广泛的技术、算法和方法来获得洞察力，提供预测能力，并进一步增强组织中数据的价值，将数据提升为信息，然后提升为知识。
然而，许多数据科学驱动的ML项目与人工智能驱动的ML项目的区别在于，为这些工作而构建的模型以及这些项目的范围非常狭窄，仅限于单个问题领域，例如信用卡欺诈。数据科学家之间的这场有趣的Quora交流清楚地表明，ML方法正在被用于解决预测分析的狭隘问题，而不是更大的人工智能挑战。因此，这些ML项目不是AI项目，而是预测分析项目。我们可以称之为“预测分析的ML”，而不是人工智能的ML。
同样，对于特定的单任务使用，ML也有其他的狭窄应用，比如光学字符识别(OCR)的形式，甚至自然语言处理(NLP)和自然语言生成(NLG)的形式，其中ML方法用于从手写或语音中提取有价值的信息。我们已经有OCR和NLP解决方案几十年了，但是在这个新的人工智能夏季浪潮之前，他们从来没有把他们的系统称为人工智能。这样，我们就不能认为许多形式的OCR和NLP是AI，即使它们使用ML方法。相反，他们必须实现更大的目标，才能被认为是人工智能。
那么，在人工智能的背景下，ML是什么意思呢?
显然，为了让人工智能工作，我们需要ML，但我们不需要为信用卡欺诈检测之类的东西狭义构建的ML模型来让智能系统工作。相反，我们需要的是ML系统，它不仅能让人工智能努力学习所教授的特定模型，而且还能提供一个框架，让这些系统能够自主学习。ML在AI的语境中强调的不仅是自我学习，而且还强调了这种学习可以应用到新的情况和环境中，而这些情况和环境之前可能没有被明确地建模、训练或学习过。在许多方面，这种持续的、扩展的学习是适应性系统的目标。
适应和自我学习不仅是处理今天明确问题的关键，也是处理明天未知问题的关键。这种学习是我们人类和许多其他生物学习新技能、向同伴学习并将学到的知识应用于其他情况的方式。以这种方式构建的ML系统支持人工智能的这些目标，并且从根本上比它们狭窄的、单一任务的ML系统更加复杂。关键的见解是，决定ML是否在AI环境中使用的不是算法，而是它被应用的方式，以及围绕这些算法的学习系统的复杂性。
我们只是在这里吹毛求疵吗?所有形式的ML都应该被认为是人工智能，即使它们非常狭隘，数据科学驱动，或者使用几十年前的OCR?我们应该把人工智能看作是一个从超弱、非常狭窄的形式到最终AGI目标的连续体吗?或许，当然，我们认为这种关于人工智能的观点没有错。不管你怎么看，自从蓝冠官网公司成立以来，我们已经下了很大的赌注，激励着业界将自己的创新技术带入商业化。蓝冠代理的目标一直是发明突破性技术，使我们的客户和合作伙伴能够在全球范围内竞争，创新和发展。让人工智能的定义变得有意义是很有帮助的，这样我们才能在人工智能的目标上取得真正的进步，而不是使用人工智能作为今天的时髦词。因为如果我们这样做，那么AI将会像昨天冬天一样遭受痛苦。