2017年12月，谷歌于2014年收购的研究实验室DeepMind推出了人工智能程序AlphaZero，该程序可能会在几款棋盘游戏中击败世界冠军。

有趣的是，AlphaZero从人类那里收到了关于如何玩游戏的零指示(因此得名)。相反，它使用了机器学习，这是AI的一个分支，它通过经验而不是显式命令来发展其行为。

在24小时内，AlphaZero在国际象棋中获得了超人的表现，并击败了之前的世界冠军象棋程序。不久之后，AlphaZero的机器学习算法还掌握了Shogi(日本象棋)和中国棋盘游戏Go，并以100比0击败了其前身AlphaGo。

机器学习在最近几年变得很流行，并且正在帮助计算机解决以前被认为是人类智能的专有领域的问题。即使与人工智能的原始愿景相去甚远，机器学习也使我们更加接近创建思维机器的最终目标。

人工智能和机器学习之间有什么区别?

开发人工智能的传统方法涉及对定义AI代理行为的所有规则和知识进行精心编码。在创建基于规则的AI时，开发人员必须编写说明以指定AI应如何应对每种可能的情况。这种基于规则的方法，也称为良好的老式AI(GOFAI)或象征性AI，它试图模仿人类大脑的推理和知识表示功能。

象征性AI的一个完美例子是Stockfish，它是十多年来一直处于领先地位的顶级开源国际象棋引擎。数百名程序员和国际象棋棋手为Stockfish做出了贡献，并通过编写规则来帮助开发其逻辑，例如，当对手将其骑士从B1转移到C3时AI应当做什么。

如果开发人员以传统方式创建程序和交互。他们通过做基础来做到这一点

但是，在处理规则过于复杂和隐含的情况时，基于规则的AI通常会中断。例如，识别图像中的语音和对象是无法用逻辑规则表达的高级操作。

与符号AI相反，机器学习AI模型不是通过编写规则而是通过收集示例来开发的。例如，要创建一个基于机器学习的国际象棋引擎，开发人员将创建一个基本算法，然后使用数千种以前玩过的国际象棋游戏中的数据对它进行“训练”。通过分析数据，人工智能可以找到定义获胜策略的常见模式，并可以用来击败真正的对手。

AI审查的游戏越多，则预测比赛中获胜动作的能力就越高。这就是为什么将机器学习定义为程序的性能随经验而提高的原因。

机器学习适用于许多现实世界的任务，包括图像分类，语音识别，内容推荐，欺诈检测和自然语言处理。

有监督和无监督学习

根据他们要解决的问题，开发人员准备相关数据以构建他们的机器学习模型。例如，如果他们想使用机器学习来检测欺诈性银行交易，则开发人员将编译现有交易的列表，并用其结果(欺诈性或有效)进行标记。当他们将数据提供给算法时，它将欺诈性交易和有效交易分开，并在两个类别的每个类别中找到共同的特征。使用带注释的数据训练模型的过程称为“监督学习”，目前是机器学习的主要形式。

已经存在许多用于不同任务的带标签数据在线存储库。一些流行的示例是ImageNet(一个包含1400万个带有标签的图像的开源数据集)和MNIST(一个具有60,000个带标签的手写数字的数据集)。机器学习开发人员还使用诸如Amazon的Mechanical Turk之类的平台，这是一个在线按需招聘中心，用于执行认知任务，例如标记图像和音频样本。越来越多的新兴公司专门研究数据注释。