扑朔迷离眼花缭乱，去伪存真化繁为简。人工智能追根随缘，探索未来任重道远。

1. 经典人工智能

通过积累大量的领域知识来让机器变聪明。用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

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”，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。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，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

对神经元的模拟与深度学习，这种神经网络拥有抽象泛化和想象的能力，能够从无标记数据中学习，不依赖于海量数据训练集，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 当年通过小数据集破解 Captcha 就是一个很好的例子。