《亮见》·AI实践中的·知与见。专栏作者/王永亮，以实践视角解读AI技术在实际应用场景中的知与见。
AI（人工智能）的技术原理是研究使用计算机模拟人脑思维活动的过程，专业术语称之为“机器智能活动”其中包括机器学习、推理、思考、执行等能力，也涉及到计算机科学、心理学、哲学和语言学等。
在上篇中介绍了“AI的缘起与AI释义”，该篇将从AI技术实现原理来阐述AI是如何赋予机器智慧的能力从而来界定“智能物联”与“AI智慧个体”的区别。
AI（人工智能）的技术实现需要具备数据、算法和算力这三个核心要素，数据为算法模型提供关键训练信息指标。算法是解决模型学习、思考、归类的方法，算法主要分为机器深度学习算法和神经网络算法，当前主流的深度学习算法模型有深度神经网络（简称DNN）、循环神经网络（简称RNN）、卷积神经网络（简称CNN）。DNN和RNN就是深度学习的基础。算力是指关键数据+算法+模型运算实施的能力。
算力是算法和数据的基础设施。AI实施过程中的算法模型对于算力的需求是巨大的，它支撑着算法和数据的运行，进而影响着AI技术的应用实施。对数据处理能力的强弱取决于算力的大小。算力源于芯片与硬件的协同能力，通过基础软件的有效组织，最终实施到终端应用上。
数据、算法、算力作为AI核心三要素，相互影响互相支撑，在不同应用领域中展现出不一样的应用方式。随着数据的丰富，算法能力的创新、算力技术的提升，未来AI技术将对传统领域进行一次全面的技术升级与智能化革新。
AI（人工智能）模型是一种特殊类型的算法，其指令是从一组数据中得出，然后用于概率评估做出预测、建议或规定行动。模型的搭建是建立在找出解决方案的方法上，它将传统碎片化的AI应用开发转向集中式，模型与训练数据、预训练等构成了AI的基础架构例如帮机器做出更明智的决策、自动化程序或在大量数据中寻找答案等。
（备注：AI算法模型的设计与搭建及模型的部署在这不做细述。）
ML/AI自动构建分析训练模型的学习方法分类
监督学习：用于预测、回归或分类。将算法给训练数据，让模型分析输出并调整参数，直至达到预期目标。
无监督学习：模型可以自由探索数据并识别变量之间的模式。
强化学习：当模型需要与环境交互时，与 AI 或神经网络一起使用。当模型采取所需的行动时，它的行为会得到加强。
回归：用于训练监督模型。它用于使用原数据集来预测或解释数值。
分类：用于在监督学习中预测或解释类值。
聚类：与无监督开发一起使用，这些模型根据相似性或共享属性对数据进行分组。在商业中，这些可用于细分消费者市场。社交媒体和视频平台可以使用聚类来推荐新内容。
决策树：使用算法通过回答有关对象属性的问题来对对象进行分类。根据答案，例如“是”或“否”，模型会继续处理另一个问题，然后再处理另一个问题。这些模型可用于预测定价和客户服务机器人。
深度学习：旨在复制人脑的结构。这也称为神经网络，其中数百万个连接的神经元创建了一个复杂的结构，可以多次处理和重新处理数据以得出答案。
时代的日新月异，科技的不断进步，未来的我们将对多元化的科技产品依赖与日俱增。本篇着重介绍AI技术的基础架构及技术原理，随着基础算力设施的提升AI技术将会普遍应用到各领域中，去改造并加速其向智能化变革。
联系客服
