进入移动版，省流量，体验好人工智能是如何思考的
AI为何能发挥出如此大的作用，“魔力”的来源究竟是什么？
“人工智能的思考方式其实和人类非常相似，都是通过大量的经验积累，形成一定的规律认知，然后去判断未知事物。”胡孟谦说，它是一种使用机器代替人类实现认知，分析，决策等功能的综合学科。
在这样一个过程中，强大的计算能力是人工智能实现的底层支撑，而这个基础层则主要包括大数据、硬件算力和算法模型，其中大数据对应人的经验，硬件算力对应人的大脑本身，而算法模型则对应我们大脑思考的方式。
因此，算法也是人工智能的灵魂，是“魔力”的主要来源。
人工智能的算法经历了一个漫长的进化过程，早期的人工智能能实现的动作十分固定呆板，比如首台采用人工智能的移动机器人Shakey，它带有视觉传感器，能根据人的指令发现并抓取积木，虽然只能实现这种简单的识别和动作，但在当时已经令人感到非常兴奋。胡孟谦说，随着技术研究的深入，开始出现了机器学习算法。
科学家对机器学习的研究最早是从婴儿身上得到了启发。“没有人教过婴儿怎么‘看’，但是他们通过在真实世界中不断看到某一样事物，当看到的数量足够多时，就认识了该事物。”胡孟谦说，比如给计算机看非常多猫的图片，让计算机自己抽象出猫的特征，自己领悟什么是猫，这种方法被称为机器学习。
机器学习的算法有很多种。总体上可以分为有监督学习、无监督学习、半监督学习和强化学习。
那么，这些算法是如何让机器拥有“智能”的？
胡孟谦介绍，监督学习、无监督学习和半监督学习的区别主要在于输入的训练资料是否有特定的标签。
监督学习的训练是通过大量有标签的资料来建立，比如将图片标注为“苹果”和“橘子”，通过大量学习后的模型，就能够准确识别新照片上的水果分类；而无监督学习训练的资料则没有对应的标签，主要用来寻找大量数据的内部关联性；顾名思义，半监督学习则介于两者之间，输入的数据部分被标识，部分没有被标识，通常需要先通过找寻被标识数据的规律，来对未标识数据进行标识，再进行训练。
与前三种算法不同，强化学习实际上是一种学习模型，它并不会直接给人解决方案——你需要通过试错去找到解决方案。“Alphago用的就是强化学习，它不需要标签，你选择的行动越多，得到的反馈越多，通过执行这些行动看是输是赢来学习下围棋，这不需要有人告诉你什么是好的行动什么是坏的行动。”胡孟谦说。
近几年，掩盖了经典的机器学习的深度学习，由于能够处理大量的数据，并且在精准度、特征识别和解决问题的方式上都有绝对的优越性，逐渐成为大多数AI类型问题的首选技术。
“机器学习的算法仍然在不断的更新迭代中，深度学习和强化学习作为自主学习系统，将会成为未来的机器学习的发展方向。”但专家也表示，人工智能变得越来越精确的同时，背后算力的消耗也越来越大，而这对人工智能的硬件算力也提出了更高的要求。
