人工智能（AI）是最近非常火的一个领域，很多公司都想趁着这个机会绑上 AI 的概念火一把。
于是在业界也经常会听到各种各样 AI 相关的术语，比如：智能机器（smart machine），机器智能（machine intelligence），机器学习（machine learning），深度学习（deep learning）等等。
为了更好地理解这些术语，需要了解当前 AI 领域落地的三大流派，这三大流派被 Numenta 公司总结得很好了，我理解和归纳如下：
1. 经典人工智能
这类人工智能的落地方案是通过积累大量的领域知识来让机器变聪明。计算机利用领域专家总结提供的规则（也就是“专家系统”）来解决某个具体的问题。比如通过向病人询问一系列的问题来做疾病诊断就是属于这一类。经典人工智能一般都只能解决某类非常的具体问题，其中对专家知识库的精妙构造是主要门槛，不足地方主要有两点：一是需要清楚要解决的问题能怎么解决，二是系统不能“自主学习”。IBM 的 Watson 在本质上也属于这一类。
2. 简单神经网络
简单神经网络相比经典人工智能方法更加优越，它可以从（文字、图像、音频、视频）数据中学习，不依赖于专家提供任何的“专家知识”，所以极大地拓展了其应用领域。现在流行的深度学习框架多是基于简单神经网络的实现，这里的深度学习其实是更广义的机器学习的一部分。深度学习通过海量标记数据（labeled data）的训练，已经成功应用在了图像识别，文字翻译，垃圾邮件处理等领域。回到本质上，简单神经网络依然是一个（高级）数学方法，其弱点就是不适用于小数据训练集场景，另外也不适用于数据规律经常变化的场景。Google 的 TensorFlow 就是深度学习的一个框架。
3. 生物神经网络
前面说的经典人工智能和简单神经网络在生物神经面前都算不上真正意义上的机器智能，生物神经网络的基础是 SDR（Sparse distributed Representation），SDR 对神经元的模拟与深度学习对神经元的模拟是完全不同的。比如 HTM（Hierarchical Temporal Memory）就是生物神经网络的一个实现，这种神经网络拥有抽象泛化和想象的能力，它的优势在于能够从无标记数据中学习，不依赖于海量数据训练集，这极有可能扩大了生物神经网络的应用场景，因为现实中很多待解决的长尾问题都是无标记数据和小数量级的。比如 Vicarious 公司当年通过小数据集破解 Captcha 就是一个很好的例子。
