人工智能算法大致可分作监督学习、无监督学习与强化学习。其中，监督学习通过不断训练程序（模型）从人类已有经验中学习规律。在这一类机器学习中，研究人员会通过标记数据的方法，不断调整模型参数以达到学习目的。类似于父母会向孩子展示不同颜色、大小乃至种类的苹果，教会孩子认识“未曾见过”的苹果。这便是监督学习的目的：样本外预测。

 

无监督学习则通过训练程序，使机器能直接从已有数据中提取特征，对信息进行压缩，用于完成其他任务。如传统的主成分分析，可以将高维特征使用低维度向量近似。例如，我们可以使用主成分分析技术压缩图片，以达到节省储存空间的作用。因此，这类机器学习算法并不需要以往经验，也被称之为无监督学习。

 

当然，无监督学习与监督学习之间并不是彼此对立的关系，对于存在部分标注的数据，我们也可以使用半监督学习算法。比如最近比较流行的对抗神经网络——我们可以使用该算法学习一系列甲骨文后，令它生成多个足以以假乱真、却从不代表任何意义的“甲骨文”，相当于计算程序“照虎画虎”却不知为虎。

 

此外，强化学习与以上（无、半）监督学习算法不同，强化学习是动态优化的延伸，而（无、半）监督学习则与统计学更为接近。强化学习通过使智能程序不断地与环境交互，通过调整智能程序的决策参数（过程）达到最大化其累积收益的目的。强化学习是最接近于人类决策过程的机器学习算法，类似于让一个智能体无限、快速地感知世界，并通过自身失败或者成功的经验，优化自身的决策过程，在这一过程中计算机程式并不那么需要老师。当然，强化学习也并不能完全同监督学习割裂开来。比如AlphaGo就是通过强化学习手段所训练的计算程序，但在AlphaGo训练的第一阶段，研究人员使用了大量的人类玩家棋谱供AlphaGo模仿学习，这里人类已有经验类似于老师；但是在AlphaGo的升级版本ZeroGo中，模仿学习已经完全被摒弃。

 

为了使人工智能算法拥有普遍适用性，我们往往需要大量数据、算力以及有效的计算算法。大量数据相当于我们聘请了一个知识渊博的老师指导计算机程序，高额算力则会赋予计算机程序更快学习到知识的能力。人工智能研究领域一个重要的方向，是不断开发能更有效利用既有数据和算力的计算算法，相当于为计算机程序提供更好的学习方法和路径。因此，数据标注、云计算、芯片设计与算法开发，可谓是人工智能行业的核心部分。