“强”人工智能试图创造人造人：拥有我们拥有的所有精神力量的机器，包括征象意识。另一方面，“弱”人工智能试图构建彷佛具有人类全部生理技能的信息处理机器（Searle 1997）。 弱人工智能或狭义人工智能善于实行特界说务，但在超出其定义能力的任何其他领域，它不会被视为人类。您可能听说过 Deep Blue，这是第一台在国际象棋中击败人类的打算机。不是普通的人类——加里·卡斯帕罗夫（Garry Kasparov，1997 年）。Deep Blue 每秒可以天生和评估大约 2 亿个国际象棋位置。诚笃说，有些人还没有准备好称其为人工智能的全部含义，而另一些人则声称它是最早的弱人工智能例子之一。AI 在游戏中击败人类的另一个著名例子是 AlphaGo。该程序在有史以来最繁芜的游戏之一中得胜，学习如何玩它，而不仅仅是打算所有可能的动作（这是不可能的）。
狭义人工智能已广泛运用于科学、商业和医疗保健领域。例如，2017 年，一家名为 DOMO 的公司宣告推出 Roboto 师长西席。该 AI 软件系统包含强大的剖析工具，可以为企业主供应业务发展的建媾和见地。它可以检测非常并创造模式，这对风险管理和足智多谋的操持很有用。其他行业也存在类似的操持，谷歌和亚马逊等大公司为他们的发展投入资金。
强人工智能I这便是未来机器变得像人类的机器。他们自己做决定并学习，无需任何人工输入。他们不仅能够办理逻辑任务，而且还有情绪。问题是：如何建造一台有生命的机器？您可以对机器进行编程，使其对刺引发生一些感情化的言语反应。谈天机器人和虚拟助手已经非常善于坚持对话。此外，教机器人读取人类情绪的实验已经开始履行。但是复制感情反应并不能使机器真正感情化，不是吗？
超级智能这是每个人在阅读有关 AI 时常日期望的内容。机器，远远领先于人类。聪明、睿智、有创造力，具有出色的社交技巧。它的目标是要么让人类的生活变得更好，要么摧毁他们所有人。
失落望来了：本日的科学家乃至没有梦想创造出像 Bicentennial Man 这样的自主情绪机器。嗯，大概除了这个创建了自己的机器人副本的家伙。
数据科学家现在专注于的任务（可以帮助创建通用智能和超级智能）是：
机器推理。MR 系统有一些信息可供给用，例如，数据库或库。利用演绎和归纳技能，他们可以根据这些信息形成一些有代价的见地。它可以包括 AI 系统的方案、数据表示、搜索和优化;机器人。这个科学领域专注于构建、开拓和掌握从 roombas 到智能机器人的机器人;机器学习是对机器用来实行给界说务的算法和打算机模型的研究。机器学习机器学习是人工智能 （AI） 这一更大领域的一个子集，“专注于教打算机如何学习，而无需为特界说务进行编程，”Sujit Pal 和 Antonio Gulli 在《利用 Keras 进行深度学习》中指出。“事实上，ML 背后的关键思想是，可以创建从数据中学习并对数据进行预测的算法。”
为了“教诲”机器，您须要以下 3 个组件：
数据：机器学习系统在称为数据集的分外样本凑集上进行演习。这些示例可以包括数字、图像、文本或任何其他类型的数据。创建一个好的数据集常日须要大量的韶光和精力。在此处理解有关机器学习数据准备的更多信息。
特色：特色是主要的数据片段，是任务办理方案的关键。它们向机器演示须要把稳什么。您如何选择功能？假设您要预测公寓的价格。例如，很难通过线性回归根据其长度和宽度的组合来预测这个地方可以花费多少。但是，在价格和建筑物所在的区域之间找到干系性要随意马虎得多。
算法：可以利用不同的算法办理相同的任务。根据算法的不同，获取结果的准确性或速率可能会有所不同。有时为了得到更好的性能，您须要组合不同的算法，例如在集成学习中。
深度学习
深度学习是一类受人脑构造启示的机器学习算法。深度学习算法利用繁芜的多层神经网络，个中抽象级别通过输入数据的非线性转换逐渐增加。
在神经网络中，信息通过连接通道从一层传输到另一层。它们称为加权通道，由于它们每个通道都有一个附加的值。所有神经元都有一个唯一的数字，称为偏差。然后，将这个偏差添加达到到神经元的输入的加权和中，并将其运用于激活函数。该函数的结果决定了神经元是否被激活。每个激活的神经元都将信息通报给后续层。这一贯持续到倒数第二个图层。人工神经网络中的输出层是为程序天生输出的末了一层。
为了演习此类神经网络，数据科学家须要大量的演习数据。这是由于必须考虑大量参数才能使办理方案准确。深度学习算法现在非常盛行，但是，深度算法和不那么深入的算法之间实际上没有明确定义的阈值。
DL 的一些实际运用是，例如，语音识别系统，如 Google Assistant 和 Amazon Alexa。说话人的声波可以表示为频谱图，它是不同频率的韶光快照。能够记住序列输入的神经网络（例如 LSTM，长-短-短期-影象的缩写）可以识别和处理此类时空输入旗子暗记序列。它学习将频谱图源映射到单词。您可以在此处找到更多示例。