科普|一文看懂人工智慧、機器學習和深度學習的區別

2021-02-23 數創客

編者按：我們在進行深度學習課程推廣時，經常有同學會問到這麼一個問題：人工智慧、機器學習和深度學習之間的關係是什麼？本期，我們就這個問題，作一個科普。

有了深度學習，機器學習才有了許多實際的應用，它還拓展了AI的整體範圍。 深度學習將任務分拆，使得各種類型的機器輔助變成可能。

       AI（人工智慧）是未來，是科幻小說，是我們日常生活的一部分。所有論斷都是正確的，只是要看你所談到的AI到底是什麼。

　　例如，當谷歌DeepMind開發的AlphaGo程序打敗韓國職業圍棋高手Lee Se-dol，媒體在描述DeepMind的勝利時用到了AI、機器學習、深度學習等術語。AlphaGo之所以打敗Lee Se-dol，這三項技術都立下了汗馬功勞，但它們並不是一回事。

　　要搞清它們的關係，最直觀的表述方式就是同心圓，最先出現的是理念，然後是機器學習，當機器學習繁榮之後就出現了深度學習，今天的AI大爆發是由深度學習驅動的。

　1956年，在達特茅斯會議（Dartmouth Conferences）上，計算機科學家首次提出了「AI」術語，AI由此誕生，在隨後的日子裡，AI成為實驗室的「幻想對象」。幾十年過去了，人們對AI的看法不斷改變，有時會認為AI是預兆，是未來人類文明的關鍵，有時認為它只是技術垃圾，只是一個輕率的概念，野心過大，註定要失敗。坦白來講，直到2012年AI仍然同時具有這兩種特點。

　　在過去幾年裡，AI大爆發，2015年至今更是發展迅猛。之所以飛速發展主要歸功於GPU的廣泛普及，它讓並行處理更快、更便宜、更強大。還有一個原因就是實際存儲容量無限拓展，數據大規模生成，比如圖片、文本、交易、地圖數據信息。

　　AI：讓機器展現出人類智力

　　回到1956年夏天，在當時的會議上，AI先驅的夢想是建造一臺複雜的機器（讓當時剛出現的計算機驅動），然後讓機器呈現出人類智力的特徵。

　　這一概念就是我們所說的「強人工智慧（General AI）」，也就是打造一臺超棒的機器，讓它擁有人類的所有感知，甚至還可以超越人類感知，它可以像人一樣思考。在電影中我們經常會看到這種機器，比如 C-3PO、終結者。

　　還有一個概念是「弱人工智慧（Narrow AI）」。簡單來講，「弱人工智慧」可以像人類一樣完成某些具體任務，有可能比人類做得更好，例如，Pinterest服務用AI給圖片分類，Facebook用AI識別臉部，這就是「弱人工智慧」。

　　上述例子是「弱人工智慧」實際使用的案例，這些應用已經體現了一些人類智力的特點。怎樣實現的？這些智力來自何處？帶著問題我們深入理解，就來到下一個圓圈，它就是機器學習。

　　機器學習：抵達AI目標的一條路徑

　　大體來講，機器學習就是用算法真正解析數據，不斷學習，然後對世界中發生的事做出判斷和預測。此時，研究人員不會親手編寫軟體、確定特殊指令集、然後讓程序完成特殊任務，相反，研究人員會用大量數據和算法「訓練」機器，讓機器學會如何執行任務。

　　機器學習這個概念是早期的AI研究者提出的，在過去幾年裡，機器學習出現了許多算法方法，包括決策樹學習、歸納邏輯程序設計、聚類分析(Clustering)、強化學習、貝葉斯網絡等。正如大家所知的，沒有人真正達到「強人工智慧」的終極目標，採用早期機器學習方法，我們連「弱人工智慧」的目標也遠沒有達到。

　　在過去許多年裡，機器學習的最佳應用案例是「計算機視覺」，要實現計算機視覺，研究人員仍然需要手動編寫大量代碼才能完成任務。研究人員手動編寫分級器，比如邊緣檢測濾波器，只有這樣程序才能確定對象從哪裡開始，到哪裡結束；形狀偵測可以確定對象是否有8條邊；分類器可以識別字符「S-T-O-P」。通過手動編寫的分組器，研究人員可以開發出算法識別有意義的形象，然後學會下判斷，確定它不是一個停止標誌。

　　這種辦法可以用，但並不是很好。如果是在霧天，當標誌的能見度比較低，或者一棵樹擋住了標誌的一部分，它的識別能力就會下降。直到不久之前，計算機視覺和圖像偵測技術還與人類的能力相去甚遠，因為它太容易出錯了。

「人工神經網絡（Artificial Neural Networks）」是另一種算法方法，它也是早期機器學習專家提出的，存在已經幾十年了。神經網絡（Neural Networks）的構想源自於我們對人類大腦的理解——神經元的彼此聯繫。二者也有不同之處，人類大腦的神經元按特定的物理距離連接的，人工神經網絡有獨立的層、連接，還有數據傳播方向。

　　例如，你可能會抽取一張圖片，將它剪成許多塊，然後植入到神經網絡的第一層。第一層獨立神經元會將數據傳輸到第二層，第二層神經元也有自己的使命，一直持續下去，直到最後一層，並生成最終結果。

　　每一個神經元會對輸入的信息進行權衡，確定權重，搞清它與所執行任務的關係，比如有多正確或者多麼不正確。最終的結果由所有權重來決定。以停止標誌為例，我們會將停止標誌圖片切割，讓神經元檢測，比如它的八角形形狀、紅色、與眾不同的字符、交通標誌尺寸、手勢等。

　　神經網絡的任務就是給出結論：它到底是不是停止標誌。神經網絡會給出一個「概率向量」，它依賴於有根據的推測和權重。在該案例中，系統有86%的信心確定圖片是停止標誌，7%的信心確定它是限速標誌，有5%的信心確定它是一支風箏卡在樹上，等等。然後網絡架構會告訴神經網絡它的判斷是否正確。

　　即使只是這麼簡單的一件事也是很超前的，不久前，AI研究社區還在迴避神經網絡。在AI發展初期就已經存在神經網絡，但是它並沒有形成多少「智力」。問題在於即使只是基本的神經網絡，它對計算量的要求也很高，因此無法成為一種實際的方法。儘管如此，還是有少數研究團隊勇往直前，比如多倫多大學Geoffrey Hinton所領導的團隊，他們將算法平行放進超級電腦，驗證自己的概念，直到GPU開始廣泛採用我們才真正看到希望。

　　回到識別停止標誌的例子，如果我們對網絡進行訓練，用大量的錯誤答案訓練網絡，調整網絡，結果就會更好。研究人員需要做的就是訓練，他們要收集幾萬張、甚至幾百萬張圖片，直到人工神經元輸入的權重高度精準，讓每一次判斷都正確為止——不管是有霧還是沒霧，是陽光明媚還是下雨都不受影響。這時神經網絡就可以自己「教」自己，搞清停止標誌的到底是怎樣的；它還可以識別Facebook的人臉圖像，可以識別貓——吳恩達（Andrew Ng）2012年在谷歌做的事情就是讓神經網絡識別貓。

　　吳恩達的突破之處在於：讓神經網絡變得無比巨大，不斷增加層數和神經元數量，讓系統運行大量數據，訓練它。吳恩達的項目從1000萬段YouTube視頻調用圖片，他真正讓深度學習有了「深度」。

　　到了今天，在某些場景中，經過深度學習技術訓練的機器在識別圖像時比人類更好，比如識別貓、識別血液中的癌細胞特徵、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學習圍棋，它自己與自己不斷下圍棋並從中學習。

有了深度學習，機器學習才有了許多實際的應用，它還拓展了AI的整體範圍。 深度學習將任務分拆，使得各種類型的機器輔助變成可能。無人駕駛汽車、更好的預防性治療、更好的電影推薦要麼已經出現，要麼即使出現。AI既是現在，也是未來。有了深度學習的幫助，也許到了某一天AI會達到科幻小說描述的水平，這正是我們期待已久的。你會有自己的C-3PO，有自己的終結者。

——人工智慧拓展集訓課程——

2018.3.24——4.14

授課時間：2018年3月24-4月14日。其中3月24、25日線下集訓，3月26日到4月13日，項目實操演練，4月14日項目指導與結業 。

授課地點：創夢雲成實訓中心（上海市楊浦區國定東路200號1號樓1410）

報名和諮詢：

掃描下方二維碼，或電話諮詢：17002110118（同微信號），備註：深度學習

點擊閱讀原文了解詳情

相關焦點

  • 一文講清人工智慧、機器學習和深度學習的區別
    相信大家對人工智慧、機器學習和深度學習三個詞語並不陌生，最近研習社的資產配置系列也曾提及，那你認為，它們是一回事嗎？文章轉自丨PINTEC品鈦原文來自丨blogs.nvidia作者丨Micheal Copeland翻譯丨小羊還記得年初的那場人機大戰嗎？
  • 人工智慧、機器學習和深度學習的區別是什麼?
    更重要的是，設備、計算機和機器都在聰明地執行任務。它們是如何做到的呢?通過人工智慧，也就是AI。　　「人工智慧」一詞最早由認知科學家約翰·麥卡錫在研究中提出，他寫到，「這項研究基於一種推測，即任何學習行為或其它智力特徵，在原則上都可以被精確地描述，從而可以製造出一臺機器來模擬它。」這種描述在今天仍然適用，只是複雜性增加了一些。
  • 人工智慧、機器學習和深度學習的區別和聯繫
    其後，人工智慧就一直縈繞於人們的腦海之中，並在科研實驗室中慢慢孵化。之後的幾十年，人工智慧一直在兩極反轉，或被稱作人類文明耀眼未來的預言，或被當成技術瘋子的狂想扔到垃圾堆裡。直到2012年之前，這兩種聲音還在同時存在。2012年以後，得益於數據量的上漲、運算力的提升和機器學習新算法（深度學習）的出現，人工智慧開始大爆發。
  • 人工智慧、機器學習和深度學習的區別?
    如上圖，人工智慧是最早出現的，也是最大、最外側的同心圓；其次是機器學習，稍晚一點；最內側，是深度學習，當今人工智慧大爆炸的核心驅動。五十年代，人工智慧曾一度被極為看好。之後，人工智慧的一些較小的子集發展了起來。先是機器學習，然後是深度學習。深度學習又是機器學習的子集。
  • 人工智慧、機器學習、深度學習的區別在哪?
    人工智慧、機器學習、深度學習的區別在哪？
  • 【科普】人工智慧、機器學習和深度學習有何不同?
    幾乎全球的媒體都在用瘋狂的篇幅來報導這場矚目的人機世紀大戰，而其中「人工智慧、機器學習、深度學習」這三個詞頻頻出現。上面三個詞都是AlphaGo獲勝的緣由。但對很多只是看過幾次報導的人來說，對這三個概念之間的關係，經常傻傻分不清楚！人工智慧、機器學習、深度學習之間，到底有什麼聯繫和區別？
  • 一篇文章讀懂:人工智慧、機器學習和深度學習的區別
    ◎行業研究原文來源：知乎   一   人工智慧的浪潮正在席捲全球，諸多詞彙時刻縈繞在我們耳邊：人工智慧（Artificial Intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）。不少人對這些高頻詞彙的含義及其背後的關係總是似懂非懂、一知半解。
  • 機器學習、數據科學、人工智慧、深度學習和統計學之間的區別!
    作者：Vincent Granville，來源：機器之心 在本文中，數據科學家與分析師 Vincent Granville 明晰了數據科學家所具有的不同角色，以及數據科學與機器學習、深度學習、人工智慧、統計學、物聯網、運籌學和應用數學等相關領域的比較和重疊。
  • 人工智慧、機器學習、深度學習的區別是什麼?
    Artificial Intelligence：人工智慧；Machine Learning：機器學習；Deep Learning：深度學習概括地說，AI 目前主要用於描述一些可以進行智能化行為的設備或機器，機器學習是它的子集，而深度學習是機器學習的一個子集。如上圖所示，最外層的是人工智慧，中間層是機器學習，最裡層則是深度學習。
  • 一篇文章講清楚人工智慧、機器學習和深度學習的區別和聯繫
    其後，人工智慧就一直縈繞於人們的腦海之中，並在科研實驗室中慢慢孵化。之後的幾十年，人工智慧一直在兩極反轉，或被稱作人類文明耀眼未來的預言，或被當成技術瘋子的狂想扔到垃圾堆裡。直到2012年之前，這兩種聲音還在同時存在。2012年以後，得益於數據量的上漲、運算力的提升和機器學習新算法（深度學習）的出現，人工智慧開始大爆發。
  • 人工智慧、機器學習和深度學習之間的區別和聯繫
    在媒體描述DeepMind勝利的時候，將人工智慧（AI）、機器學習（machine learning）和深度學習（deep learning）都用上了。這三者在AlphaGo擊敗李世乭的過程中都起了作用，但它們說的並不是一回事。今天我們就用最簡單的方法——同心圓，可視化地展現出它們三者的關係和應用。
  • 機器喵大作戰 | 解剖人工智慧、機器學習和深度學習
    、機器學習、深度學習這些概念，吃瓜群眾還是一臉懵逼。而機器學習，又細分了很多種學習「方法」：有監督學習、無監督學習、強化學習、深度學習等等。先來簡單扒一扒各種學習方法——▌有監督學習與同類書籍相比，本書以「模型描述+基礎數學理論+Python語言實現模型+實際商業案例」的方式闡釋人工智慧技術，可以幫助你深刻體會機器學習，尤其是強化學習和深度神經網絡為什麼如此重要，以及如何將相關技術應用到物流、能源、自動駕駛，甚至遊戲領域。從湯普森採樣模型，到Q學習模型，再到深度Q學習模型、深度卷積Q學習模型，本書一步步教你學會更複雜的機器學習理論與編程知識，並將人工智慧融入自己的應用中。
  • 機器學習和深度學習的區別
    人工智慧是一類非常廣泛的問題，機器學習是其中一個重要領域和手段，深度學習則是機器學習的一個分支。在很多人工智慧問題上，深度學習的方法突破了傳統機器學習的瓶頸，因而影響力迅速擴大。什麼是機器學習？為什麼叫做「學習」呢？
  • 人工智慧,機器學習和深度學習之間的差異是什麼?
    人工智慧，機器學習和深度學習都是屬於一個領域的一個子集。但是人工智慧是機器學習的首要範疇。機器學習是深度學習的首要範疇。深度學習是機器學習的一個子集，機器學習是人工智慧的一個子集這個領域的興起應該歸功於深度學習。人工智慧和機器學習這個領域近年來一直在解決一系列有趣的問題，比如從自動化的雜貨店購買到自動駕駛汽車。
  • 機器學習和深度學習的 5 個關鍵區別
    這類人群就是機器學習工程師。「人工智慧」、「機器學習」和「深度學習」這三個詞經常交替出現，但如果你正在考慮從事人工智慧的職業，了解它們之間的區別是很重要的。根據牛津生活詞典，人工智慧是「計算機系統的理論和發展，能夠執行通常需要人類智能的任務，如視覺感知、語音識別、決策和語言間的翻譯。」儘管它們可能被稱為「智能，「有些人工智慧計算機系統不能自己學習；這就是機器學習和深度學習的用武之地。
  • 一文看懂什麼叫深度學習
    這一切源於 「深度學習」（Deep Learning)技術的出現，這一方法原本指的是從腦科學中汲取靈感以製造智能機器， 但後來已經自成體系。近年來，深度學習已經成為了驅動人工智慧領域發展的最主要力量，各大信息技術公司在這方面共擲下了數十億美元的資金。
  • AI、機器學習和深度學習之間的區別是什麼?
    （原標題：人工智慧、機器學習和深度學習之間的區別和聯繫）
  • 一篇文章分辨人工智慧、機器學習與深度學習
    人工智慧？機器學習？深度學習？安全界用辭令人困惑，了解主要用語真正的意義，方可在信息安全的世界中遊走自如。在熱情的市場營銷人員口中，「人工智慧」、「機器學習」 和 「深度學習」 的定義變得模糊，明確性讓位於增加銷量的需要。
  • 人工智慧、機器學習、深度學習之間究竟是什麼關係
    人工智慧時代已經到來。超多維所布局的智能計算視覺技術體系，對人工智慧領域聚焦於視覺層面的改變和顛覆。隨著人工智慧熱度的不斷提升，人工智慧、機器學習和深度學習頻頻被提及。今天我們就從行業內的主流觀點出發，淺析一下三者的區別與聯繫。人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。
  • 機器學習和深度學習有什麼區別?
    除了深度學習和機器學習的比較外，我們還將研究他們未來的趨勢和走向。深度學習 VS 機器學習深度學習與機器學習簡介一、什麼是機器學習？通常，為了實現人工智慧，我們使用機器學習。我們有幾種算法用於機器學習。