我們都熟悉“人工智能”這個詞。畢竟，它一直是《終結者》、《黑客帝國》和《機械姬》(我個人的最愛)等電影的熱門焦點。但是您最近可能聽說過其他術語，例如“機器學習”和“深度學習”，有時可以與人工智能互換使用。因此，人工智能、機器學習和深度學習之間的區別可能非常不清楚。

我將首先快速解釋人工智能 (AI)、機器學習 (ML) 和深度學習 (DL) 的實際含義以及它們的不同之處。然后，我將分享 AI 和物聯網如何密不可分地交織在一起，幾項技術進步同時融合在一起，為 AI 和物聯網的爆發奠定了基礎。

那么 AI、ML 和 DL 之間有什么區別呢?

人工智能于1956年由約翰麥卡錫首次創造，它涉及可以執行人類智能特征任務的機器。雖然這很籠統，但它包括計劃、理解語言、識別物體和聲音、學習和解決問題等。

我們可以把人工智能分為兩類，一般的和狹義的。通用人工智能將具有人類智能的所有特征，包括上述能力。狹義人工智能展示了人類智能的某些方面，并且可以非常好地完成這方面的工作，但在其他領域則有所欠缺。一臺擅長識別圖像但僅此而已的機器將是狹義人工智能的一個例子。

從本質上講，機器學習只是實現人工智能的一種方式。

亞瑟·塞繆爾 (Arthur Samuel) 于1959年在人工智能出現后不久創造了這個短語，將其定義為“無需明確編程即可學習的能力”。你看，你可以在不使用機器學習的情況下獲得人工智能，但這需要構建數百萬行具有復雜規則和決策樹的代碼。

因此，機器學習不是使用特定指令來完成特定任務的硬編碼軟件例程，而是一種“訓練”算法以便它可以學習如何學習的方式。“訓練”涉及向算法提供大量數據，并允許算法進行自我調整和改進。

舉個例子，機器學習已被用于對計算機視覺(機器識別圖像或視頻中的對象的能力)進行重大改進。您收集了數十萬甚至數百萬張圖片，然后讓人類標記它們。例如，人類可能會標記有貓的圖片與沒有貓的圖片。然后，該算法嘗試構建一個模型，該模型可以準確地將圖片標記為包含貓或不包含人類。一旦準確率足夠高，機器現在就“學習”了一只貓的樣子。

深度學習是機器學習的眾多方法之一。其他方法包括決策樹學習、歸納邏輯編程、聚類、強化學習和貝葉斯網絡等。

深度學習的靈感來自大腦的結構和功能，即許多神經元的互連。人工神經網絡 (ANN) 是模擬大腦生物結構的算法。

在ANN中，存在具有離散層和與其他“神經元”連接的“神經元”。每層挑選一個特定的特征來學習，例如圖像識別中的曲線/邊緣。正是這種分層賦予了深度學習的名稱，深度是通過使用多個層而不是單個層來創建的。

人工智能和物聯網密不可分

我認為人工智能和物聯網之間的關系就像人腦和身體之間的關系。

我們的身體收集感官輸入，例如視覺、聲音和觸覺。我們的大腦接受這些數據并理解它，將光轉化為可識別的物體，并將聲音轉化為可理解的語音。然后，我們的大腦做出決定，將信號發送回身體以指揮諸如拿起物體或說話之類的動作。

構成物聯網的所有連接傳感器就像我們的身體，它們提供世界上正在發生的事情的原始數據。人工智能就像我們的大腦，理解這些數據并決定要執行的操作。物聯網的連接設備再次像我們的身體一樣，執行身體動作或與他人交流。

釋放彼此的潛力

人工智能和物聯網的價值和承諾因對方而得以實現。

近年來，機器學習和深度學習為人工智能帶來了巨大飛躍。如上所述，機器學習和深度學習需要大量數據才能工作，而這些數據正在由物聯網中不斷上線的數十億傳感器收集。物聯網讓人工智能變得更好。

改進人工智能還將推動物聯網的采用，創造一個良性循環，這兩個領域都將大幅加速。那是因為人工智能使物聯網變得有用。

在工業方面，人工智能可用于預測機器何時需要維護或分析制造過程以大幅提高效率，從而節省數百萬美元。

在消費者方面，技術可以適應我們，而不是必須適應技術。我們可以簡單地向機器詢問我們需要什么，而不是點擊、輸入和搜索。我們可能會要求提供諸如天氣之類的信息或諸如為房子準備就寢時間之類的操作(調低恒溫器、鎖門、關燈等)。

融合的技術進步使這成為可能

縮小計算機芯片和改進制造技術意味著更便宜、更強大的傳感器。

快速改進電池技術意味著這些傳感器可以使用數年而無需連接到電源。

由智能手機的出現推動的無線連接意味著可以以低廉的價格大量發送數據，允許所有這些傳感器將數據發送到云端。

云的誕生允許幾乎無限地存儲這些數據和幾乎無限的計算能力來處理它。

當然，也有一兩個AI對我們的社會和我們的未來的影響的擔憂。但隨著人工智能和物聯網的進步和采用不斷加速，有一件事是肯定的;影響將是深遠的。