教育新闻网如果AI是帮助彼此区分不同技术和方法的有用术语，那么它就必须有意义。一个对所有人都意味着一切的术语对任何人都没有意义。本系列的上一篇文章“机器学习真的是AI吗?”对AI必须有用的意义进行了各种探讨。一般的观点是，系统可以感知并理解其环境，从过去的行为中学习并将其应用到未来的行为中，并通过从经验和学习中进行推理，然后从这些新的情况中产生新的学习来适应新的情况，从而具有智能。经验。您可以进一步将情报定义为能够增加未来的行动自由度，并根据行动确定个人希望获得的未来结果。
机器学习是一组技术和方法，它们提供了一种手段，计算机系统可以利用该手段对经验和数据中的学习进行编码，然后将未来的信息应用于该学习以得出结论。这种机器学习与显式编程相反，在显式编程中，人类使用自己的智力来完成所有认知目标。显然，机器学习是AI的先决条件。但是，ML是必需的，但对于AI而言还不够。同样，并非所有的ML系统都在我们试图通过AI实现的环境中运行。
那么，ML的哪些部分不是AI？
在以上文章中，我们讨论了AI的哪些部分不是ML，但是我们没有深入研究ML的哪些部分不是AI。由于我们尚未实现人工智能(AGI)，尽管进行了一些尝试使我们接近，但该领域中当前所有实际的AI实现都是一种或多种形式的狭窄AI。不幸的是，这并不是特别有用。
调用使用随机决策森林(它是ML的一种形式)的数据科学工作没有用，它专注于实现非常特定的学习结果的特定任务，并且与构建可以学习的系统的尝试处于同一水平并适应新情况。所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确实可能是ML项目，但它们本身并不是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，或者无法以任何方式发展或适应新的情况，这并不是以AI为重点的ML项目。没有AI的ML。
