为避免您产生任何误解，下文包含对当今人工智能应用的简要说明。 (1)
今天的 AI 由称为深度学习的软件程序组成。 (2)
深度学习程序将输入转化为输出。 所有软件程序都这样做，但深度学习的神奇之处在于，进行转换的数学函数并不是由计算机程序员预先编写的。 相反，当程序暴露给数据时，它会自发地形成。 (3)
输入可以是猫和狗的数字图像，输出可以是数字分数，1 或 0，将每张图片分类为猫或狗。 这项任务可能会更加复杂，例如将乳腺超声图像转换为新图像，突出显示疑似患有癌症的组织区域。 (4)
无论输入是什么，都会自动发现一个数学函数，将其转换为所需的输出。 (5)
通过这种方式，深度学习是一台转换机器，一台自动转换的机器，远远超出了人类程序员的编码能力。 (6)
这就是人工智能目前的全部。 没有意识，没有发光的大脑。(7) 这样的机器是否“智能”还有待商榷。(8)
脚注：
人工智能这个词没有任何固定的含义，因为它是达特茅斯教授约翰·麦卡锡 (John McCarthy) 于 1955 年在一项拨款申请中作为占位符创造的。 迄今为止最好的总结来自麻省理工学院的 Marvin Minsky，他是 McCarthy 的同事，他说这个词代表计算机科学前沿的任何事物。 软件制造商等商业实体通常会使用这个术语来表达他们想要的任何意思，只是为了通过获得“人工智能”的认可而听起来令人印象深刻。
深度学习是更广泛的 AI 软件领域（称为机器学习）的一个子集。 一些人认为人工智能必须具有学习元素，因为所有智能实体都表现出学习能力。 这种学习的概念可以追溯到 1940 年代人工智能的早期，当时神经心理学家沃伦麦卡洛克和逻辑学家沃尔特皮茨提出思想是大脑神经元之间突触连接的发展。 他们假设，这可以用人工神经元来表示，这些神经元的突触连接随时间而变化，连接的变化代表学习。 心理学家唐纳德赫布在 1949 年将其正式化为“学习规则”，其中“一起发射的神经元，连接在一起”，这是一种强化思想的形式。 几十年来，深度学习这个术语出现了很多次，并且以不同的方式被使用。 用法从来都不严谨，毫无疑问，它还会再次变形，到某个时候它可能会失去它的实用性。
形成的函数通过将每个输入数据乘以某个因子来转换输入。 以这种方式将输入相乘称为对输入加权，以在最终输出中为每个输入赋予更大的值。 这类似于不同股票在标准普尔 500 指数中具有不同权重的方式：Apple 比小公司更重要。 权重是所谓的“可学习参数”，这意味着权重本身会随着程序暴露于数据而反复变化，这是深度学习的一种递归或自反特性。 为了使权重达到正确的值，将深度学习程序的输出反复与所需输出、目标进行比较，并尝试不同的权重值，直到输出足够接近所需值。 以这种方式更改参数是通过称为反向传播的代码自动完成的，该代码采用导数计算以称为随机梯度下降的半随机方式向上或向下移动权重值。 随机性可以被认为是随机性的同义词。 其基本思想是不断尝试权重值，直到深度学习程序的公式实现对输入的正确变换，从而达到目标输出。
这是纽约大学研究人员在 4 月份推出的一个实际应用。 卷积神经网络输入了数以万计的乳房超声图像。 根据已经进行的病理报告，这些图像被简单地标记为患有癌症或未患癌症。 卷积神经网络自动使用标签作为目标输出，找到合适的权重将每个超声波转换成新图像，称为显着图。 该地图突出显示了疑似患有癌症的组织区域。 这是一种自动转换，增强图像的像素，使图像的某些部分在视觉上更加突出。 同一个程序能够在新图像上自动生成癌症可能性的概率分数。
在所谓的生成式深度学习中，输出将是一个更复杂的对象，例如由示例输入句子生成的句子，或者由各种示例输入图片组合而成的假图片。 例如，一个程序可以将人类键入的文本字符串作为输入，例如“给我讲个故事”，然后生成一个文本块作为输出，例如“从前…” OpenAI 的 GPT-3 神经网络程序在自然语言处理方面的成果。 程序生成适当输出的能力使此类程序具有人类智能的气息。 实际发生的是，输入的单词相关性分数被转换为产生输出的单词相关性分数。
早期的数字计算机被称为“磨坊”，类似于欧洲小镇上的旧磨坊。 欧洲古老城镇的人们会把他们的小麦带到磨坊，然后将其磨碎以生产面粉。 小麦变成面粉是一种转变。 计算机程序就像一个磨坊，一台机器，它不是将物理物质而是将 1 和 0 的流转换为新的 1 和 0 的流，即输出，一种不同类型的转换。 人工智能，以深度学习的形式，就像一个磨坊，当每一个新的输入被引入时，它可以改变它的齿轮以产生新的输出类型。 有关 AI 作为机器工作的更多详细信息，包括数据和偏见的重要性，可以在配套文章“AI 伦理：人工智能的好处和风险”中找到。
在流行媒体的推动下，流行想象中的概念，例如类人机器人，是人类对拟人化的偏爱。 他们是幻想。
正如麻省理工学院的 Scott Aaronson 所讨论的那样，通过图灵测试等智能测试的机器可能仍无法让很多人相信它是智能的。 也许更重要的是，如注释 (2) 中所述，人工智能早期的重点是体现在人类思想中的智能。 然而，许多学者已经探索了智能采取许多其他形式的可能性。 例如，塔夫茨大学的迈克尔·莱文 (Michael Levin) 探索了除大脑以外的生物体其他部分进行计算等活动的方式。 正如莱文所写，“许多生物现象，从细胞和粘菌解决迷宫到复杂的调节形态发生和再生，都可以被视为在没有大脑的情况下涉及信息处理和决策制定的过程。”
