隨著“人工智能”走出實驗室、逐漸有了實際的應用場景，它成為了一項可能在不久的將來徹底改變人類社會的基礎技術，也成為了很多人最愛討論的話題。但是，AI（人工智能）、機器學習、神經網絡，這些詞看著潮，究竟是指什么呢？
別慌，我們試著舉幾個簡單的例子來解釋一下。
人工智能
“科技潮人”小明愛玩各種數碼產品，生活里也經常使用打車和訂餐軟件。每天回家前他都會用手機遙控打開家里的空調，和朋友約飯的時候也會在地圖軟件上查好地址通過微信群發。
小明喜歡的幾項功能，比如用手機遙控空調，其實是通過幾套程序實現的。
簡單來說，編寫一個普通的程序，其實是告訴計算機一套處理方法。比方說一個計算器，編寫的時候就告訴它加減乘除法和開平方的定義，告訴它一個長算式里哪種計算優先級高（比如乘除》加減）。編寫好了之后，這個程序就是計算器了，然而它除了加減乘除和開平方之外，別的什么都不能做。你不能用它來編寫文檔，也不能用它來叫車和訂餐——因為編寫者沒告訴它除了算數以外的事。
但小明不想要一個程序控制空調、一個程序導航、一個程序刷臉記考勤，他希望所有的問題都能一站、自發地解決，這就需要人工智能。
這種新的計算機程序像人腦一樣，是可以舉一反三的。比如去年美國 MIT 的研究者就開發出了一種人工智能，先讓它學習幾個來自梵文的字母，它就能從之后數千個各種語言字母當中找出所有的梵文字母。
它們可以認字、聽懂人說的話、識圖，甚至通過一張圖中所有的物體和他們的位置關系，來判斷圖中正在發生什么。比如，人工智能有能力識別下圖中摩托車、駕駛者、頭發的顏色、圍觀群眾、馬路等元素，回答一些基本的問題。在未來經過訓練后，它也有能力做出“這是一次同性戀驕傲大游行活動”的判斷。
這樣的人工智能系統，都是“弱人工智能”。 人類對于人工智能的終極企圖是全知全能，也叫做“強人工智能”，它不但善于思考，學習能力超強，還能夠自我進化。如果你看過電影《超驗駭客》，約翰尼·德普實驗的人工智能學家威爾·卡斯特在自己生命的遺留之際，將自己的大腦上傳到了電腦里。這個人工智能只用了幾個小時就幾乎接管了全球所有最主要的網絡系統，包括政府、軍方、銀行等等；過了幾年，它已經統治了世界，用極高的效率開發出革新的醫療技術，不但能夠控制全球所有人的思維，還用智能化的生物微粒直接捏出了一個活的威爾·卡斯特。
盡管強人工智能至今還沒有誕生，但是弱人工智能也已經非常了不起，它是怎樣實現的呢？
機器學習
機器學習是目前實現人工智能最主要的方式。再拿小明舉個例子：
小明喜歡吃橙子，他總結出一個規律：顏色越深，個頭越大，橙子越甜。但他新嘗試了美國加州大臍橙之后，發現之前的經驗不管用了：新的橙子，顏色越淺越甜。而小明的室友喜歡吃汁多的橙子，于是小明又學到一條：越軟的橙子汁越多。
掌握了這條規律，小明跑去希臘旅游時，按照之前的經驗買了橙子，卻一點都不好吃！原來，這里賣的橙子是從別的地方進口的，綠色的好吃橙色的不好吃。
這種不斷嘗試的辦法實在太笨了，不如寫一個程序來搞定？這就到了機器學習的范疇。其實真實的程序很復雜，但其邏輯并不難理解：
首先，小明需要確定所有的橙子的特征，包括并不限于大小、顏色深淺、軟硬、產地等等，在這些特征之間建立一些聯系，比如 A 地生產的橙子越大越好吃，B 地生產的越軟水越多等等，然后再把所有這些數據都輸入到程序里。
現在，小明去菜市場，不再需要記住自己在哪個菜市場，去的哪個攤位，買的哪個產地的橙子，而是直接拿著一個橙子，把它的屬性輸入到這個程序里，程序會自動跑出“甜不甜”、“汁多不多”，甚至更直觀的“室友愛不愛吃”的結果。測試的多了，這個程序還會自動學習新的規律。
這些輸入給程序，以及程序自行學習到的規律，就是機器學習算法。這個程序就是一個機器學習的系統。
可機器又是怎么“學習”的呢？
神經網絡
人類至今尚未明白人腦的工作原理，不過這沒關系，我們可以先復制出一個人腦的計算模型：一件事情并非像計算機程序那樣輸入指令輸出結果，而是在人腦的多個神經元傳遞，每個神經元都對信息進行自己的加工，最后輸出的結果。計算機科學家用同樣的方式，在輸入和輸出之間，加入了非常多的“節點”，每個節點會對前一個節點傳來的數據，按照自己擁有的一個權重系數進行加工，有時候節點還會分層。這就是“人工神經網絡”（Artificial Neural Networks，ANN）。
我們還是用小明的選橙子程序來舉例。即便小明已經輸入了自己大量的經驗，這個程序仍然不是一開始就總能準確地判斷出橙子好不好吃的。它仍需要進行大量的訓練：小明輸入一個新橙子的特征，程序根據這些特征計算出各個結果的概率。
比方說，小明輸入“美國加州大臍橙”、“顏色淺”、“軟”，結果程序給出甜的概率 85%，不甜的概率 15%，汁多的概率 50%，水不多的概率 50%，室友愛吃的概率 66%，不愛吃的概率 34%。結果小明嘗了一下，發現的確很甜，但汁并不多，室友吃了不是很滿意，程序可以回去自動調整某些與“汁多不多”有關節點的權重。通過不斷地用最終結果去返回調試，這個神經網絡給正確結果賦予的概率會越來越高，反之給錯誤結果的概率會越來越低。
歷史上，科學家還設計過多層的神經網絡，每一層都會對前一層傳來的結果進行再次加工，目的是模擬出一種“深思熟慮”的感覺，但最后發現結果準確度并沒有提高，有的時候還會陷入誤區，就像人容易朝著一個思路越陷越深，最后鉆牛角尖了一樣。隨著技術進步，卷積神經網絡（CNN）、循環神經網絡（RNN），以及長短時記憶單元（LSTM）等新玩意的誕生，讓這一問題得到改善。現在，最厲害的神經網絡技術不但已經非常接近人腦，還排除了很多人腦自身存在的低效的思維方式。
簡單來說，神經網絡是一種模擬人腦，取其精華去其糟粕的計算架構；利用神經網絡進行機器學習，則讓計算機不再只是執行命令的機器，具有了一定程度上舉一反三的能力。
而將這個能力利用到造福人類的地方，就叫人工智能。