人工智能、机器学习、深度学习的区别在哪？

有人说，人工智能（ArtificialIntelligence）是未来。人工智能是科幻小说。人工智能已经是我们日常生活的一部分。所有这些陈述都ok，这主要取决于你所设想的人工智能是哪一类。

人工智能、机器学习、深度学习的区别在哪？例如，今年早些时候，GoogleDeepMind的Alphago程序击败了韩国围棋大师李世乭九段。人工智能、机器学习和深度学习这些词成为媒体热词，用来描述DeepMind是如何获得成功的。尽管三者都是AlphaGo击败李世乭的因素，但它们不是同一概念。区别三者最简单的方法：想象同心圆，人工智能（AI）是半径最大的同心圆，向内是机器学习（MachineLearning），最内是深入学习（DeepLearning）。

人工智能、机器学习、深度学习的区别在哪？从概念的而提出到繁荣自从几位计算机科学家在1956年的达特茅斯会议上提到这个词以后，人工智能就萦绕在实验研究者们心中，不断酝酿。在此后的几十年里，人工智能被标榜为成就人类文明美好未来的关键。在过去的几年里，特别是2015以来，人工智能开始大爆发。这在很大程度上提高了GPU的广泛可用性，使得并行处理速度越来越快，使用更便宜，而且功能更强大。整个大数据运动拥有无限的存储和大量的数据：图像，文本，交易，映射数据等等。人工智能机器所赋予的人的智能早在1956年夏天的会议上，人工智能先驱者的梦想是建立一个由新兴计算机启用的复杂的机器，具有与人的智能相似的特征。这是我们认为的「强人工智能」（GeneralAI），而神话般的机器则会拥有我们所有的感知，甚至更多，并且像人类一样思考。你已经在电影中见过这些机器无休止地运动，像朋友如C3PO，或者敌人如终结者。一般的人工智能机器仍然只是出现在电影和科幻小说中。我们目前可以实现的还是局限于「弱人工智能」（NarrowAI）。这些技术能够像人类一样执行特定的任务，或者比人类做的更好。像Pinterest上的图像分类，Facebook上的人脸识别等。这些都是弱人工智能实践中的例子。这些技术展示了人类智力的一些方面。但如何展示？这些智力是从哪里来的？这些问题促使我们进入到下一个阶段，机器学习。机器学习一种实现人工智能的方法机器学习最根本的点在于使用算法来分析数据的实践、学习，然后对真实的事件作出决定或预测。而不是用一组特定的指令生成的硬编码软件程序来解决特定任务，机器是通过使用大量的数据和算法来「训练」，这样就给了它学习如何执行任务的能力。机器学习是早期人工智能人群思考的产物，多年来形成的算法包括决策树学习、归纳逻辑编程、聚类、强化学习、贝叶斯网络等等。正如我们所知，所有这些都没有实现强人工智能的最终目标，而早期的机器学习方法甚至连弱人工智能都没有触及到。事实证明，多年来机器学习的最佳应用领域之一是计算机视觉，尽管仍然需要大量的手工编码来完成这项工作。人们会去写手工编码分类器，如边缘检测滤波器，以便程序可以识别一个目标的启动和停止；进行形状检测以确定它是否有八个侧面；同时确保分类器能够识别字母「stop.」从那些手工编码分类器中，机器就会开发算法使得图像和「学习」更有意义，用来确定这是否是一个停止标志。结果还算不错，但这还不够。特别是在雾天当标志不那么清晰，或有一棵树掩盖了标志的一部分时，就难以成功了。还有一个原因，计算机视觉和图像检测还不能与人类相媲美，它太脆弱，太容易受到周围环境的影响。随着时间的推移，学习算法改变了这一切。

深度学习一种实现机器学习的技术

人工智能、机器学习、深度学习的区别在哪？放猫（HerdingCats）：YouTube视频抓拍的猫的形象是深度学习的第一次突破性展示在过去的几十年中，早期机器学习的另一种算法是人工神经网络。神经网络的灵感来自于我们对人类大脑生物学的理解：所有这些神经元之间的相互联系。在一定的物理距离内，生物大脑中的任何神经元可以连接到其他神经元，而人工神经网络有离散的层、连接和数据传播的方向。例如，你可以把一个图像分割成很多部分，这些可以输入到神经网络的第一层。在第一层中的单个神经元，然后将数据传递到第二层。第二层神经元做它的任务，等等，直到最后一层，那么最终结果就产生了。每个神经元都为其输入分配权重，分配的权重正确与否与执行的任务相关。结果，最终的输出由所有的权重所决定。这样，还是以「停止」标志牌为例。将「停止」标志牌图像的元素抽离分析，然后由神经元「检查」：其八边形的外形，消防车火红的颜色，鲜明的字母，交通标志的大小，处于运动或静止的状态。神经网络主要任务是总结是否是个停止标志。随即，基于权重、经过深思熟虑「概率向量」的概念出现。该案例中，该系统中86%的可能是停止标志，7%的可能是速度限制标志，5%的可能性是挂在树上的风筝等等。这样，网络结构便会告知神经网络是否正确。但这个例子还是非常超前。因为直到最近，神经网络还是被人工智能研究所忽略。实际上，在人工智能出现之初，神经网络就已经显现了，在「智能」方面还是产生很小的价值。问题是甚至最基本的神经网络都是靠大量的运算。不过，多伦多大学的GeoffreyHinton领导的一个研究小组始终专注于其中，最终实现以超算为目标的并行算法的运算且概念的证明，但直到GPU得到广泛利用，这些承诺才得以实现。回到之前「停止」标志的例子。神经网络是被调制或「训练」出来的，并且不时遇到错误的应答。它所需要的就是训练。需要呈现成百上千甚至上百万的图像，直到神经元输入的权重被准确调制，那么实际上每次都能得到正确的信息，无论是否有雾，无论晴天还是雨天。只有在那一点，神经网络才学会一个停止标志是什么样的，Facebook上你妈妈的脸是什么样，又或者是吴恩达（AndrewNg）教授2012年在Google上学习到的猫的样子。吴恩达的突破在于将这些神经网络显著增大，增加了层数和神经元，并通过系统的训练运行大量的数据。在吴教授所举案例中，数据就是YouTube视频中1000万张图像。他将深度学习中添加了「深度」，也就是这些神经网络中的所有层。通过在某些场景中深度学习，机器训练的图像识别要比人做得好：从猫到辨别血液中癌症的指标，再到核磁共振成像中肿瘤。Google的AlphaGo先是学会了如何下棋，然后它与自己下棋训练。通过不断地与自己下棋，反复练习，以此训练自己的神经网络。深度学习，赋予人工智能光明的未来深度学习使得许多机器学习应用得以实现，并拓展了人工智能的整个领域。深度学习一一实现了各种任务，并使得所有的机器辅助变成可能。无人驾驶汽车、预防性医疗保健、甚至的更好的电影推荐，都触手可及或即将成为现实。人工智能就在现在，也在未来。有了深度学习，人工智能可能甚至达到像我们畅想的科幻小说一样效果。我拿走了你的C3PO，当然，你有《终结者》就行。

祝福问候海报
行政办公海报