应用人工智能系统只是AGI的有限版本。
尽管许多人认为，人工智能的技术水平仍然远远落后于人类的智力。人工智能，即AGI，一直是所有人工智能科学家的研发动力，从图灵到今天。在某种程度上类似于炼金术，对AGI复制和超越人类智能的永恒追求已经导致了许多技术的应用和科学突破。AGI帮助我们理解了人类和自然智慧的各个方面，因此，我们建立了有效的算法，这些算法受到我们的追求更加高效计算能力和学习模型的启发。
然而，当涉及到人工智能的实际应用时，人工智能实践者并不一定局限于人类决策、学习和解决问题的纯模型。相反，为了解决问题和实现可接受的性能，AI实践者通常会做构建实际系统所需的事情。例如，深度学习系统的算法突破的核心是一种叫做反向传播的技术。然而，这种技术并不是大脑建立世界模型的方式。这就引出了下一个误解：一刀切的人工智能解决方案。
一个常见的误解是，人工智能可以用来解决所有的问题，也就是说，人工智能的发展已经达到了一个水平，小规模的“人工智能”可以让我们解决不同的问题。我甚至听过有人认为，从一个问题到另一个问题会使人工智能系统变得更聪明，就好像同一个人工智能系统同时解决了两个问题一样。现实情况则大不相同：人工智能系统需要进行工程设计，这需要巨量的计算和编程，并且需要经过专门培训的模型才能应用于一个问题。虽然类似的任务，特别是涉及感知世界的任务(例如，语音识别、图像或视频处理)，现在有了一个可用参考模型库，但这些模型需要专门设计以满足部署要求，而且可能无法开箱即用。此外，人工智能系统很少是人工智能解决方案的唯一组成部分.它通常需要许多定制的古典编程组件，以加强一个或多个人工智能技术在一个系统中使用。是的，有许多不同的人工智能技术，单独使用或与其他解决方案混合使用，因此：人工智能和深度学习是一样的
我们认为人工神经网络(ANS)这个词真的很酷。直到，但是，它缺乏规模化的应用。现在这些问题大部分已经解决了，我们已经通过将人工神经网络重新命名为“深度学习”。深度学习或深度网络是一个规模很大的网络，“深度”指的不是深度思考，而是指我们现在可以负担得起的隐藏层的数量(以前最多只有几层，现在可以是几百层)。深度学习用于从标记数据集生成模型。深度学习方法中的“学习”指的是模型的生成，而不是当新的数据可用时，模型能够实时地学习。深度学习模型的“学习”阶段实际上发生在离线状态下，需要多次迭代，时间和过程都很紧张，而且很难并行化。
近年来，深度学习模型在线学习应用中得到了广泛的应用。这种系统中的在线学习是通过不同的人工智能技术来实现的，比如强化学习，或在线神经进化。这类系统的一个局限性是，只有在离线学习期间才能最大限度地实践到应用领域，才能实现深度学习模式的贡献。一旦生成模型，它将保持静态，这方面的一个很好的例子是电子商务应用程序-电子商务网站上的季节性变化或短期销售将需要一个深入的学习模式才能离线，并对销售项目或新库存进行再培训。然而，现在有了这样的平台利用进化算法对网站进行优化，不再需要大量的历史数据，而是利用神经进化，根据网站当前的环境，实时地对网站进行调整。
大型的、不平衡的数据集可能具有欺骗性，特别是当它们只部分捕获与该领域最相关的数据时。此外，在许多领域，历史数据可能很快变得无关紧要。例如，在纽约证券交易所的高频交易中，最近的数据比2001年以前的数据具有更大的相关性和价值，而2001年以前的数据还没有被采纳。
最后，我经常遇到一个普遍的误解：
如果一个系统解决了我们认为需要智能的问题，那就意味着它正在使用人工智能。
这是一个有点哲学的性质，它确实取决于你对智力的定义。事实上，图灵的定义并不能反驳这一点。然而，就主流人工智能而言，一个完全设计的系统，比如不使用任何人工智能技术的自动驾驶汽车，并不被认为是人工智能系统。如果系统的行为不是引擎盖下使用的人工智能技术的紧急行为的结果，那么如果程序员从头到尾以确定性和工程化的方式编写代码，那么系统就不被认为是基于人工智能的系统，即使它看起来好像是人工智能。
AI为更美好的未来铺平了道路。尽管人们对人工智能有着普遍的误解，但正确的假设是，人工智能将继续存在，而且确实是通向未来的窗口。AI还有很长的路要走，它在将来会被用来解决所有的问题，并被工业化广泛的使用。人工智能的下一个重大步骤是使其具有创造性和适应性，同时，强大到足以超过人类建立模型的能力。
目前，人工智能在计算机领域得到了广泛的重视，我相信在未来的应用前景也会更加广泛。
人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面.
知识表示是人工智能的基本问题之一,推理和搜索都与表示方法密切相关.常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等.
常识,自然为人们所关注,已提出多种方法,如非单调推理、定性推理就是从不同角度来表达常识和处理常识的.
问题求解中的自动推理是知识的使用过程,由于有多种知识表示方法,相应地有多种推理方法.推理过程一般可分为演绎推理和非演绎推理.谓词逻辑是演绎推理的基础.结构化表示下的继承性能推理是非演绎性的.由于知识处理的需要,近几年来提出了多种非演泽的推理方法,如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等.
搜索是人工智能的一种问题求解方法,搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系.可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索.启发式知识常由启发式函数来表示,启发式知识利用得越充分,求解问题的搜索空间就越小.典型的启发式搜索方法有A*、AO算法等.近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题.
机器学习是人工智能的另一重要课题.机器学习是指在一定的知识表示意义下获取新知识的过程,按照学习机制的不同,主要有归纳学习、分析学习、连接机制学习和遗传学习等.
知识处理系统主要由知识库和推理机组成.知识百度框架户库存储系统所需要的知识,当知识量较大而又有多种表示方法时,知识的合理组织与管理是重要的.推理机在问题求解时,规定使用知识的基本方法和策略,推理过程中为记录结果或通信需设数据库或采用黑板机制.如果在知识库中存储的是某一领域(如医疗诊断)的专家知识,则这样的知识系统称为专家系统.为适应复杂问题的求解需要,单一的专家系统向多主体的分布式人工智能系统发展,这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题.本回答被网友采纳