一旦人們知道你是一個“人工智能人”，這個問題很快就會在聚會上出現（我想這就是足病醫生的感受，減去中間黨內拇囊炎檢查和醫學博士級別的收入。不過，這個問題是一個障礙。
這是一個看似難以回答的問題，尤其是當您試圖在雞尾酒會音樂中大聲喊出答案時。“欺騙性”，因為它應該很簡單：畢竟，它代表“人工智能”——答案就在名字裡！事實上，要簡潔地定義“人工智能”確實很困難，因為人工智能並不簡潔—— 人工智能有很多種，它可以做一些事情，從玩 比國際象棋複雜得多的 遊戲到生成 令人信服的藝術 甚至 視頻。鑑於每年有 數十萬 篇新穎的人工智慧論文，它只會變得越來越廣泛。
如果你在網上搜索“人工智能的簡單定義是什麼”，對於普通雞尾酒會審訊者來說，熱門內容將非常不滿意：
「人工智慧是機器，尤其是電腦系統對人類智慧過程的模擬。」
這個答案很可能會遭到茫然的凝視和話題的改變——真正好奇的人可能會堅持說“是的，很酷，但人工智能到底是什麼？
我決定人們實際上在問的是“人工智能是做什麼的？”，或者更具體地說是“Ambiq 的人工智能是做什麼的？這更容易回答，也是一個很好的問題，所以讓我來試試看：
“人工智能是一類算法，非常擅長從模糊的現實世界輸入中得出結論。”
聽起來很棒！不過，值得稍微解開我們的定義。
當我們說“模糊的現實世界輸入”時，我們指的是來自現實世界的數據——圖像、聲音、噪音、振動，甚至心電圖。所有這些都有些隨機和混亂。例如，一張貓的照片幾乎可以無限變化（正如任何貓主人都會宣稱的那樣！即使我們談論的是一隻特定的貓，我們也會在圖像中看到不同的照明、角度、距離、低光噪點和其他物體。一個人很容易發現他們正在看一隻貓（我們幾乎無意識地這樣做——人們不必分析圖片，我們只知道），但如果沒有人工智慧，對電腦進行編程以執行相同的操作是極具挑戰性的。真正令人興奮的是，我們可以將人工智慧應用於對我們來說不那麼「自動」的事情。例如，查看波浪線並找出它對應於人慢跑的 3 維加速度對人類來說很難，但比對 AI 處理貓圖片更容易。同樣，教人類讀取心電圖需要數年非常昂貴的教育，但人工智慧可以在智慧手錶上做到這一點。
當我們說“結論”時， 我們的意思是“這可能是一張貓的照片”。「可能」在這裡很重要，因為就像人類一樣，人工智慧處理機率。人工智慧演算法很少能 100% 確定其結論。當您處理現實世界的歧義時，例如確定一隻狗是 雪橇犬、哈士奇犬、秋田犬還是薩摩耶 犬（誰知道有這麼多長相相似的狗？
最後，當我們說“非常好”時，我們的意思是“人類設法創造的此類東西的最佳算法”。例如，自 上世紀中葉以來，教電腦理解人類語音一直是一個持續的項目，但直到人工智慧驅動的語音辨識出現，它才有用（任何在 2000 年代初期嘗試口述電子郵件的人都知道）。 電腦視覺、 語言翻譯，甚至簡單的 計步是 其他已經存在了數十年甚至數百年的功能，但一旦應用人工智慧，一切都變得更好。
在雞尾酒會談話的那個時候，我往往會過於興奮地談論我們在 Ambiq 所做的人工智慧事情（例如我們的高效 語音辨識、 心電圖監測器和其他 功能），人們開始找藉口並回到酒吧，我去尋找更多的受害者來談論人工智慧， 這比談論拇囊炎有趣得多。
教導與口述
人工智慧之所以如此強大，在於我們如何告訴電腦做事——在人工智慧中，我們「教」它，而不是向它發號施令。
傳統程式設計是「基於規則」的——也就是說，你煞費苦心地詳細告訴電腦規則是什麼。這種傳統方法非常適合 ATM 交易或在線商店，但對於人工智能最擅長的模糊任務來說卻很糟糕。
以我們最喜歡的例子為例：貓的照片。如果你必須向外星人解釋如何辨別貓是貓，你會使用什麼規則？眼睛形狀？眼睛之間的距離？鼻子形狀？眼睛到鼻子的距離？相信我——規則清單很快就會達到數千甚至數百萬。幾十年來，這就是計算機科學家處理此類問題的方式（不是因為他們不知道人工智能， 人工智能是在 1940 年代首次設想的，而是因為實用人工智能所需的計算能力不存在）。
一旦人工智慧所需的運算能力和資料變得實用，人工智慧開發人員就能夠建立一套簡單的統計規則（神經網路架構和訓練它的規則），這些規則模仿大腦的工作方式，並將數百萬張貓圖片推向它。切肉刀的一點是，對於每張圖片，他們讓人工智慧得出結論，並巧妙地改變神經網絡，以便每次的結論都更加準確。
最終，人工智慧的神經網路將了解貓就是貓，無論圖片的情況如何。還有那些我們沒有明確定義的數百萬條規則？我們仍然需要它們，只是它們不是寫下來，而是被捕獲在構成神經網路的數千個神經元中。
