人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)之間有什么區(qū)別聯(lián)系？

如今，當(dāng)涉及到新的數(shù)據(jù)處理技術(shù)時(shí)，出現(xiàn)了許多不同的術(shù)語(yǔ)。一個(gè)人說(shuō)他們正在使用機(jī)器學(xué)習(xí)，而另一個(gè)人稱之為人工智能，還有一些人可能聲稱正在進(jìn)行深度學(xué)習(xí)。這一切都意味著什么?

雖然這些術(shù)語(yǔ)中有許多是相關(guān)的，并且在某些方面可能會(huì)重疊，但是有一些關(guān)鍵的差異可能是重要的，這可能會(huì)幫助人們?nèi)ダ斫庹_的理解它們之間的定義。

人工智能意味著讓計(jì)算機(jī)以某種方式模仿人類行為。

機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，它包括使計(jì)算機(jī)能夠從數(shù)據(jù)中找出問(wèn)題并交付人工智能應(yīng)用程序的技術(shù)。

與此同時(shí)，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，它使計(jì)算機(jī)能夠解決更復(fù)雜的問(wèn)題。

下面將通過(guò)一些通俗易懂的例子來(lái)簡(jiǎn)單說(shuō)明人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別。

什么是人工智能?

人工智能作為一門學(xué)科創(chuàng)建于1956年的美國(guó)。當(dāng)時(shí)的目標(biāo)和現(xiàn)在一樣，是讓計(jì)算機(jī)執(zhí)行被視為人類獨(dú)有的任務(wù)：需要智力的任務(wù)。最初，研究人員研究的問(wèn)題包括下棋和解決邏輯問(wèn)題。

如果你觀察下跳棋程序的輸出，你會(huì)發(fā)現(xiàn)這些動(dòng)作背后隱藏著某種形式的“人工智能”，尤其是當(dāng)電腦打敗你的時(shí)候。早期的成功使第一批研究人員對(duì)AI的可能性表現(xiàn)出幾乎無(wú)限的熱情，與之匹配的只是只是在他們錯(cuò)誤判斷某些問(wèn)題有多難的程度上。

因此，人工智能指的是計(jì)算機(jī)的輸出。計(jì)算機(jī)正在做一些智能的事情，所以它展示的是人工智能。

AI這個(gè)術(shù)語(yǔ)并沒(méi)有說(shuō)明這些問(wèn)題是如何解決的。有許多包括規(guī)則型和專業(yè)型系統(tǒng)的不同技術(shù)。其中有一類技術(shù)在20世紀(jì)80年代開始得到更廣泛的應(yīng)用：那就是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)是什么?

這些早期研究人員發(fā)現(xiàn)一些問(wèn)題更難的原因是，這些問(wèn)題根本不適合早期用于人工智能的技術(shù)。硬編碼算法或固定的、基于規(guī)則的系統(tǒng)在圖像識(shí)別或從文本中提取內(nèi)容等方面表現(xiàn)得并不盡如人意。

結(jié)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(xué)習(xí)方式。

想想你是如何學(xué)會(huì)閱讀的。在拿起你的第一本書之前，若沒(méi)有坐下來(lái)學(xué)習(xí)拼寫和語(yǔ)法，你只能讀簡(jiǎn)單的書，隨著時(shí)間的推移，你會(huì)讀到更復(fù)雜的書。實(shí)際上，你從閱讀中學(xué)到了拼寫和語(yǔ)法的規(guī)則。換句話說(shuō)，你處理了很多數(shù)據(jù)并從中學(xué)習(xí)。

這正是機(jī)器學(xué)習(xí)的理念。給算法(而不是你的大腦)輸入大量數(shù)據(jù)，讓它把事情弄清楚。它包含了在大數(shù)據(jù)分析和數(shù)據(jù)挖掘中會(huì)遇到的許多類型的程序。說(shuō)到底，驅(qū)動(dòng)大多數(shù)預(yù)測(cè)程序(包括垃圾郵件過(guò)濾器、產(chǎn)品推薦和欺詐檢測(cè)器)的“大腦”實(shí)際上是機(jī)器學(xué)習(xí)算法。給算法輸入大量關(guān)于金融交易的數(shù)據(jù)，告訴它哪些是欺詐行為，讓它找出哪些是欺詐行為，從而預(yù)測(cè)未來(lái)的欺詐行為?；蛘呓o它提供關(guān)于你的客戶群的信息，讓它找出最好的細(xì)分方法。

數(shù)據(jù)科學(xué)家可以使用一系列技術(shù)和語(yǔ)言編寫機(jī)器學(xué)習(xí)算法，包括Java、Python、Scala等。他們也可以使用預(yù)先構(gòu)建的機(jī)器學(xué)習(xí)框架來(lái)加速這個(gè)過(guò)程。

隨著這些算法的發(fā)展，它們可以解決很多問(wèn)題。但有些人類覺得簡(jiǎn)單的東西(比如語(yǔ)音或手寫識(shí)別)對(duì)機(jī)器來(lái)說(shuō)仍然很困難。然而，如果機(jī)器學(xué)習(xí)是模仿人類的學(xué)習(xí)方式，為什么不直接模仿人類的大腦呢？這就是神經(jīng)網(wǎng)絡(luò)背后的理念。

使用人工神經(jīng)元(由突觸連接的神經(jīng)元是大腦中的主要元素)的想法已經(jīng)存在了一段時(shí)間。軟件模擬的神經(jīng)網(wǎng)絡(luò)開始被用于解決某些問(wèn)題。它們顯示出了很大的潛力，能夠解決一些其他算法無(wú)法解決的復(fù)雜問(wèn)題。

但機(jī)器學(xué)習(xí)仍然被困在連許多小學(xué)孩子們都可以輕松解決的問(wèn)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(gè)角色哭得這么厲害?

事實(shí)證明，這個(gè)問(wèn)題與機(jī)器學(xué)習(xí)的概念無(wú)關(guān)，甚至還有模仿人類大腦的想法。只是簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，有100甚至1000個(gè)神經(jīng)元以相對(duì)簡(jiǎn)單的方式連接在一起，只是無(wú)法復(fù)制人腦的功能。如果你仔細(xì)想想，應(yīng)該不會(huì)感到驚訝：人類大腦有大約860億個(gè)神經(jīng)元非常復(fù)雜的相互連接。

什么是深度學(xué)習(xí)?

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種形式，既可以使用監(jiān)督算法，也可以使用非監(jiān)督算法，或者兩者兼而有之。但是它使用包含更多神經(jīng)元、層次和互聯(lián)性的神經(jīng)網(wǎng)絡(luò)。我們離模擬人腦的復(fù)雜性還有很長(zhǎng)一段路要走，但我們正在朝著這個(gè)方向前進(jìn)。

當(dāng)你讀到從自動(dòng)駕駛汽車到玩圍棋的超級(jí)計(jì)算機(jī)再到語(yǔ)音識(shí)別等計(jì)算機(jī)技術(shù)的進(jìn)步時(shí)，你就會(huì)發(fā)現(xiàn)這其實(shí)是一種隱藏的深度學(xué)習(xí)。你會(huì)體驗(yàn)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(xué)習(xí)驅(qū)動(dòng)的。

讓我們來(lái)看幾個(gè)問(wèn)題，看看深度學(xué)習(xí)與簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)或其他形式的機(jī)器學(xué)習(xí)有何不同。

深度學(xué)習(xí)的原理

雖然深度學(xué)習(xí)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(jì)算機(jī)難題的方法，越來(lái)越受歡迎，尤其是在計(jì)算機(jī)視覺和自然語(yǔ)言處理(NLP)領(lǐng)域。

如果我給你一些馬的圖像，你會(huì)認(rèn)出它們是馬，即使你從來(lái)沒(méi)有見過(guò)那個(gè)圖像。不管馬是躺在沙發(fā)上，還是在萬(wàn)圣節(jié)盛裝打扮得就像一只河馬。你能認(rèn)出這是一匹馬，是因?yàn)槟阒蓝x一匹馬的各種要素:它的口鼻形狀、腿的數(shù)量和位置等等。

深度學(xué)習(xí)可以做到這一點(diǎn)。通過(guò)分層學(xué)習(xí)過(guò)程將高級(jí)復(fù)雜抽象提取為數(shù)據(jù)來(lái)表示，深度學(xué)習(xí)模型比標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)方法更快地產(chǎn)生結(jié)果。在簡(jiǎn)單的英語(yǔ)中，深度學(xué)習(xí)模型將自己學(xué)習(xí)重要的特征，而不是要求數(shù)據(jù)科學(xué)家手動(dòng)選擇相關(guān)的特征，這對(duì)很多事情都很重要。包括自動(dòng)駕駛汽車。在汽車決定下一步行動(dòng)之前，它需要知道周圍是什么。它必須能夠識(shí)別人、自行車、其他車輛、路標(biāo)等等。并在具有挑戰(zhàn)性的視覺環(huán)境中這樣做。然而標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)技術(shù)則無(wú)法做到這一點(diǎn)。

深度學(xué)習(xí)中的“深度”來(lái)自于構(gòu)建在深度學(xué)習(xí)模型中的許多層，這些模型通常是神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)(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(yǔ)言處理為例，它如今被用于聊天機(jī)器人和智能手機(jī)語(yǔ)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(shí)間生活在葡萄牙和巴西，我仍然說(shuō)可以說(shuō)一口流利的________。

希望你能發(fā)現(xiàn)最有可能的答案是意大利語(yǔ)(盡管你回答法語(yǔ)、希臘語(yǔ)、德語(yǔ)等好像都可以)。但是想想得出這個(gè)結(jié)論需要什么。

首先，你需要知道填空的單詞是一種語(yǔ)言。如果你能理解“我能說(shuō)一口流利的…”你就能確定。要得到答案是意大利語(yǔ)，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?！拔页錾谝獯罄币馕吨以诔砷L(zhǎng)過(guò)程中學(xué)習(xí)意大利語(yǔ)（根據(jù)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(shuō)葡萄牙語(yǔ)，帶你回到意大利這個(gè)答案。所以意大利語(yǔ)是可能的答案。

想象一下你大腦中的神經(jīng)網(wǎng)絡(luò)發(fā)生了什么。比如“出生在意大利”和“盡管…任然”這樣的事實(shí)是你大腦的其他部分在你做事情的時(shí)候的輸入。這一概念通過(guò)復(fù)雜的反饋回路被引入到深度神經(jīng)網(wǎng)絡(luò)中。

結(jié)論

所以希望本文開頭的第一個(gè)定義能夠解釋得通。人工智能指的是在某種程度上顯示出類似人類智能的設(shè)備。AI有很多技術(shù)，但其中一個(gè)很大的子集是機(jī)器學(xué)習(xí)——讓算法從數(shù)據(jù)中學(xué)習(xí)。最后，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，使用多層神經(jīng)網(wǎng)絡(luò)來(lái)解決最難的問(wèn)題。