什么是人工智能

现阶段主流实现人工智能的手段是：大数据 + 机器学习。但实现人工智能的方法并不仅局限于此，并且机器学习也仅仅是目前主流方法中的一个子集而已。

深度学习算是机器学习的一个特例， 我们会在计算机视觉的章节中详细讲解。

之所以说这是现阶段对人工智能的定义， 因为人工智能还是在迅猛发展的，上个世纪 70 年代的时候人们对人工智能的定义还是专家系统。实现 OCR 的方法也可以是纯粹的的图像解析方案，所以随着科技的进步，未来人工智能的形态会是什么样子可能还是未知的。

什么是专家系统

让我们从信用卡反欺诈说起，以前在银行中有一群业务专家, 他们的工作就是根据自己的知识和经验向系统中输入一些规则。例如某一张卡在一个城市有了一笔交易，之后 1 小时内在另一个城市又有了一笔交易。这些专家根据以前的经验判断这种情况是有盗刷的风险的，因为在短时间内人是很难跨越城市的，所以业务人员判断当出现这种情况时很可能是另一个人在盗刷用户的信用卡。类似的业务专家们在系统中输入了 1 千多条这样的规则，组成了一个专家系统。这个专家系统是建立在人类对过往的数据所总结出的经验下建立的。

什么是机器学习

我们可以把专家系统看成一个大脑，业务是受这个大脑控制的。但这个大脑是有极限的，我们要知道这种规则从 0 条建立到 1 条是很容易的，但是从几千条扩展到几千零一条是很难的。因为你要保证新的规则有效，要保证它不会跟之前所有的规则冲突，所这很难，因为人的分析能力毕竟是有限的。

后来我们引入了机器学习，给机器学习算法中灌入大量的历史数据进行训练， 它跟人类行为很像的一点就是它可以从历史数据中找到规律，而且它的分析能力更强。在反欺诈的例子里，一个小时之内的跨城市交易记录是一个规则，但如果机器学习来做的话，它可能划分的更细，例如 10 分钟之内有个权重，10 分钟到 20 分钟有个权重，1 小时 10 分钟也有个权重。也就是说它把这些时间段拆的更细。

并且相关的算法可以自动帮助人类去探索更加有用的规则，以及规则与规则之间联系。例如虽然我是 1 小时内的交易记录跨越城市了，但是我再哪个城市发生了这类情况会有不同的权重，发生的时间有不同的权重，交易数额也有不同的权重。

也就是说机器学习能帮助我们找个更多更细隐藏的更深的规则。以前银行的专家系统有 1000 多条规则，引入了机器学习后我们从 10 亿个规则中挑选了 8000W 条有效规则。我们可以把专家系统看成是一个比较小的大脑，而机器学习是更大的大脑。

所以说我们叫它机器学习，是因为它像人类一样可以从历史中库刻画出规律，只不过它比人类的分析能力更强。