如今，當涉及到新的數據處理技術時，出現了許多不同的術語。一個人說他們正在使用機器學習，而另一個人稱之為人工智能，還有一些人可能聲稱正在進行深度學習。這一切都意味著什么?

雖然這些術語中有許多是相關的，并且在某些方面可能會重疊，但是有一些關鍵的差異可能是重要的，這可能會幫助人們去理解正確的理解它們之間的定義。

• 人工智能意味著讓計算機以某種方式模仿人類行為。

• 機器學習是人工智能的一個子集，它包括使計算機能夠從數據中找出問題并交付人工智能應用程序的技術。

• 與此同時，深度學習是機器學習的一個子集，它使計算機能夠解決更復雜的問題。

下面將通過一些通俗易懂的例子來簡單說明人工智能、機器學習和深度學習的區別。

什么是人工智能?

人工智能作為一門學科創建于1956年的美國。當時的目標和現在一樣，是讓計算機執行被視為人類獨有的任務：需要智力的任務。最初，研究人員研究的問題包括下棋和解決邏輯問題。

如果你觀察下跳棋程序的輸出，你會發現這些動作背后隱藏著某種形式的“人工智能”，尤其是當電腦打敗你的時候。早期的成功使第一批研究人員對AI的可能性表現出幾乎無限的熱情，與之匹配的只是只是在他們錯誤判斷某些問題有多難的程度上。

因此，人工智能指的是計算機的輸出。計算機正在做一些智能的事情，所以它展示的是人工智能。

AI這個術語并沒有說明這些問題是如何解決的。有許多包括規則型和專業型系統的不同技術。其中有一類技術在20世紀80年代開始得到更廣泛的應用：那就是機器學習。

機器學習是什么?

這些早期研究人員發現一些問題更難的原因是，這些問題根本不適合早期用于人工智能的技術。硬編碼算法或固定的、基于規則的系統在圖像識別或從文本中提取內容等方面表現得并不盡如人意。

結果證明，解決方案不僅僅是模仿人類行為(AI)，而是模仿人類的學習方式。

想想你是如何學會閱讀的。在拿起你的第一本書之前，若沒有坐下來學習拼寫和語法，你只能讀簡單的書，隨著時間的推移，你會讀到更復雜的書。實際上，你從閱讀中學到了拼寫和語法的規則。換句話說，你處理了很多數據并從中學習。

這正是機器學習的理念。給算法(而不是你的大腦)輸入大量數據，讓它把事情弄清楚。它包含了在大數據分析和數據挖掘中會遇到的許多類型的程序。說到底，驅動大多數預測程序(包括垃圾郵件過濾器、產品推薦和欺詐檢測器)的“大腦”實際上是機器學習算法。給算法輸入大量關于金融交易的數據，告訴它哪些是欺詐行為，讓它找出哪些是欺詐行為，從而預測未來的欺詐行為。或者給它提供關于你的客戶群的信息，讓它找出最好的細分方法。

[[413514]]

數據科學家可以使用一系列技術和語言編寫機器學習算法，包括Java、Python、Scala等。他們也可以使用預先構建的機器學習框架來加速這個過程。

隨著這些算法的發展，它們可以解決很多問題。但有些人類覺得簡單的東西(比如語音或手寫識別)對機器來說仍然很困難。然而，如果機器學習是模仿人類的學習方式，為什么不直接模仿人類的大腦呢？這就是神經網絡背后的理念。

使用人工神經元(由突觸連接的神經元是大腦中的主要元素)的想法已經存在了一段時間。軟件模擬的神經網絡開始被用于解決某些問題。它們顯示出了很大的潛力，能夠解決一些其他算法無法解決的復雜問題。

但機器學習仍然被困在連許多小學孩子們都可以輕松解決的問題上，比如：這張照片里有多少只是狗，多少是狼？如何分辨生香蕉和熟香蕉？是什么讓書中的這個角色哭得這么厲害?

事實證明，這個問題與機器學習的概念無關，甚至還有模仿人類大腦的想法。只是簡單的神經網絡，有100甚至1000個神經元以相對簡單的方式連接在一起，只是無法復制人腦的功能。如果你仔細想想，應該不會感到驚訝：人類大腦有大約860億個神經元非常復雜的相互連接。

什么是深度學習?

深度學習是機器學習的一種形式，既可以使用監督算法，也可以使用非監督算法，或者兩者兼而有之。但是它使用包含更多神經元、層次和互聯性的神經網絡。我們離模擬人腦的復雜性還有很長一段路要走，但我們正在朝著這個方向前進。

當你讀到從自動駕駛汽車到玩圍棋的超級計算機再到語音識別等計算機技術的進步時，你就會發現這其實是一種隱藏的深度學習。你會體驗到某種形式的人工智能。在幕后，人工智能是由某種形式的深度學習驅動的。

讓我們來看幾個問題，看看深度學習與簡單的神經網絡或其他形式的機器學習有何不同。

[[413515]]

深度學習的原理

雖然深度學習并不一定是新事物，但最近它作為一種加速解決某些類型的計算機難題的方法，越來越受歡迎，尤其是在計算機視覺和自然語言處理(NLP)領域。

如果我給你一些馬的圖像，你會認出它們是馬，即使你從來沒有見過那個圖像。不管馬是躺在沙發上，還是在萬圣節盛裝打扮得就像一只河馬。你能認出這是一匹馬，是因為你知道定義一匹馬的各種要素:它的口鼻形狀、腿的數量和位置等等。

深度學習可以做到這一點。通過分層學習過程將高級復雜抽象提取為數據來表示，深度學習模型比標準機器學習方法更快地產生結果。在簡單的英語中，深度學習模型將自己學習重要的特征，而不是要求數據科學家手動選擇相關的特征，這對很多事情都很重要。包括自動駕駛汽車。在汽車決定下一步行動之前，它需要知道周圍是什么。它必須能夠識別人、自行車、其他車輛、路標等等。并在具有挑戰性的視覺環境中這樣做。然而標準的機器學習技術則無法做到這一點。

深度學習中的“深度”來自于構建在深度學習模型中的許多層，這些模型通常是神經網絡。卷積神經網絡(CNN)可以由很多很多層模型組成，其中每一層都以卷積方式從上一層獲取輸入、處理并輸出到下一層。

以自然語言處理為例，它如今被用于聊天機器人和智能手機語音助手。思考以下這句話，并完成填空:

我出生在意大利，盡管我大部分時間生活在葡萄牙和巴西，我仍然說可以說一口流利的________。

希望你能發現最有可能的答案是意大利語(盡管你回答法語、希臘語、德語等好像都可以)。但是想想得出這個結論需要什么。

首先，你需要知道填空的單詞是一種語言。如果你能理解“我能說一口流利的…”你就能確定。要得到答案是意大利語，你必須回顧一下這句話并且不被文中的葡萄牙和巴西所迷惑。“我出生在意大利”意味著我在成長過程中學習意大利語（根據維基百科，有93%的可能性），因此你需要理解“出生”的含義。 盡管”和“仍然”的組合清楚地表明我不是在說葡萄牙語，帶你回到意大利這個答案。所以意大利語是可能的答案。

想象一下你大腦中的神經網絡發生了什么。比如“出生在意大利”和“盡管…任然”這樣的事實是你大腦的其他部分在你做事情的時候的輸入。這一概念通過復雜的反饋回路被引入到深度神經網絡中。