1、人工智能
人工智能是制造智能机器、可学习计算程序和需要人类智慧解决问题的科学和工程。经典地，这些包括自然语言处理和翻译，视觉感知，模式识别，决策制定等，但应用的数量和复杂性在快速增长。
2、机器学习
机器学习是从案例和经验（例如数据配置）中习得的算法，而不是依赖于硬件代码和事先定义的规则。换句话说，不是一个开发者告诉程序如何区分苹果和橘子，而是算法本身通过喂养数据（训练），自己学会如何区分苹果和橘子。
监督学习vs无监督学习
监督和非监督学习是机器学习的两种类型。
在监督学习中，系统给出一系列“正确答案”的例子。基于这些例子，系统将从正确的答案中学习什么是对的，从而进行正确预测的输出。监督学习的现实应用包括垃圾邮件的检查（例如，系统可能有一组标记为“垃圾邮件”并且学习正常识别垃圾邮件的电子邮件）和手写识别。
在无监督学习中，系统没有给出正确的答案，而是提供需要自己去发现特征的未标记示例。一个示例将基于大量客户数据中发现的，包括可以将客户分组的某些特征（例如，购买频率）。
什么是一类类型的机器学习
- 分类：将电子邮件归类为垃圾邮件，识别欺诈，面部识别，语音识别等；
- 聚类：对比图像，文本和语音找到相似的项目，识别异常行为的集群；
- 预测：基于网络活动和其他元数据预测客户或员工流失的可能性，基于可穿戴数据预测健康问题。
3、深度学习
深度学习的主要发展是现有人工智能拐点的驱动力量之一。深度学习是机器学习的分集。大多数传统机器学习方法和特点（例如，可能预测的输入和属性）由人来设计。特征工程是一个瓶颈，需要有意义的特定技术。在无人管理的深度学习中，重要特征不是由人类来定义，而是由算法学习和创建。
深度学习是一种需要训练大型神经网络的“深层”层次结构，且每层可以解决问题不同方面的机器学习，从而使系统能解决更复杂问题。
以火车识别为例，深度学习系统包括了识别火车的不同特征的各个层。例如，底层将识别是否具有窗户。如果答案是肯定的，下一层将寻找是否有轮子，接下来将会识别是否是长方形的车等等。直到这些层共同地将图片识别为火车或彻底否定。随着技术发展，可以支持大型神经网络的训练，深度学习作为增强机器学习能力的方法已经越来越普遍。
4、 什么是通用、强大或真实的人工智能？
通用、强大或真实人工智能是，机器智能算法完全复制人类智慧，包括人类的独立学习和决策能力。虽然像全脑模拟这样的技术被用于实现通用AI的目标，但是其所需的计算能力数量仍然远远超出了当前的技术，使得通用的人工智能基本指存在于理论层面。
