【小哈划重点：人工智能的核心在于机器学习算法，而目前算法只能解决三类问题：分类、聚类、回归。所有的人工智能应用，本质上都是将问题抽象成分类、聚类、回归这三类模型，并对这三类模型进行不同的组合，最后通过模型求解来解决现实问题。】
人工智能可以分为符号主义、连接主义和行为主义三个技术流派：符号主义认为人工智能源于数学逻辑，本质在于用符号描述人类的认知过程；连接主义以工程技术手段模拟人脑神经系统的结构和功能，是目前主流技术；行为主义则主要借鉴控制论。
以前符号主义是主流，连接主义逐渐从边缘走到舞台中心，还要感谢几位大神，练就了几个独门绝招，打通了连接主义学派的任督二脉：
至此，深度学习大法功成，连接主义成为武林盟主。深度学习的本质是从基本单元和结构上模拟人脑的运行机制，其核心是多层次的人工神经网络算法。
需要指出的是，就像少林武当的功夫相互借鉴一样，人工智能的各个流派也相互借鉴，相互成就。比如融合了行为主义与连接主义技术，成就了深度强化学习。
目前的人工智能，是对人的模仿。人类思维的局限性就已经很大了，人工智能作为人类思维的“阉割版”其局限性就更大了。人工智能的核心在于机器学习算法，而目前算法只能解决三类问题：分类、聚类、回归。所有的人工智能应用，本质上都是将问题抽象成分类、聚类、回归这三类模型，并对这三类模型进行不同的组合，最后通过模型求解来解决现实问题。
明确了分类、聚类、回归三类问题，就基本能知道人工智能可以干什么，不能干什么了。
分类和聚类，经常傻傻分不清楚。分类是按照某种标准给对象贴上标签，然后根据标签对所有对象进行分类，分类事先定义好类别，类别数不变 ；聚类是指根据“物以类聚”原理，将本身没有类别的样本聚集成不同的组。进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据什么规则来定义组。
回归则比较好理解，是指确定两种或两种以上变量间相互依赖的定量关系的过程。
所以人工智能归根结底就干三件事：找出几个变量之间的相互依赖关系；根据特定规则将对象划分为不同类别；根据对象群内部的结构，将其划分为不同类别。所有应用，最终都要拆分为这三类问题，然后按照相应的算法来进行求解。所以这三类问题的算法，是人工智能的组成“元素”。就像元素周期表一样，万事万物最终都是那张表上的元素组成的。
那么人工智能的“元素周期表”是什么呢？
目前大部分人工智能问题，都是通过上面这张表里的算法进行组合来解决的。
就像元素周期表也会发现新元素一样，人工智能算法也时不时冒出来一些新成员，胶囊网络、生成对抗网络、迁移学习是目前炙手可热三个。
胶囊网络是对卷积神经网络的改良，其基本元素是由一小群神经元组成的胶囊构成，而不是由神经元构成，胶囊输出为向量，向量的长度表示物体存在的估计概率，向量的方向表示物体的姿态参数。生成对抗网络，通过生成器和判别器的对抗训练进行迭代优化，通过学习真实数据的分布来产生全新的、与观测数据类似的数据。迁移学习是利用数据、任务或模型之间的相似性，将学习过的模型应用于新领域的一类算法。当然，这些算法目前处于“看上去很美好”的阶段，还有这样那样的问题需要解决。
总之，看起来很复杂的人工智能，最核心的就是那张“元素周期表”。所有应用，都是那些基本算法构成的模型来解决的。而且，算法的局限，决定了我们能用人工智能解决的问题也有很大的局限性。搞清楚人工智能的能力边界，就能有的放矢，而不会抱着不切实际的期待，浪费大家的热情和资源。
