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。人工智慧是對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

人工智慧現階段分為弱人工智慧和強人工智慧。

強人工智慧：強人工智慧觀點認為有可能製造出真正能推理(Reasoning)和解決問題(Problem_solving)的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類： 類人的人工智慧，即機器的思考和推理就像人的思維一樣； 非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

弱人工智慧：弱人工智慧觀點認為不可能製造出能真正地推理(Reasoning)和解決問題(Problem-solving)的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。 主流科研集中在弱人工智慧上，並且一般認為這一研究領域已經取得可觀的成就。

實際上，當下科技能實現的人工智慧都是弱AI人工智慧（奧創那種才是強AI），弱人工智慧如今不斷地迅猛發展，而強人工智慧則暫時處於瓶頸。

機器學習(Machine Learning)是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

機器學習最基本的做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟體程序不同，機器學習是用大量的數據來「訓練」，通過各種算法從數據中學習如何完成任務。

機器學習速查表Scikit-learn Algorithm Cheat Sheet

機器學習可以分成下面幾種類別：

監督學習從給定的訓練數據集中學習出一個函數，當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求是包括輸入和輸出，也可以說是特徵和目標。訓練數據中的目標是由人標註的。常見的監督學習算法包括回歸分析和統計分類。

無監督學習與監督學習相比，訓練集沒有人為標註的結果。常見的無監督學習算法有聚類。

半監督學習介於監督學習與無監督學習之間。它主要考慮如何利用少量的標註樣本和大量的未標註樣本進行訓練和分類的問題。

增強學習通過觀察來學習做成如何的動作。每個動作都會對環境有所影響，學習對象根據觀察到的周圍環境的反饋來做出判斷。

機器學習最主要的應用領域有：專家系統、認知模擬、規劃和問題求解、數據挖掘、網絡信息服務、圖象識別、故障診斷、自然語言理解、機器人和博弈等。

深度學習(Deep Learning)是機器學習的一種方法，它使用包含複雜結構或由多重非線性變換構成的多個處理層（神經網絡）對數據進行高層抽象的算法。 其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

深度學習的過程分為訓練和推理（即「評估」）兩個過程，通過訓練過程來獲得數據模型，然後用於評估新的數據。

神經網絡是一組大致模仿人類大腦構造設計的算法，用於識別模式。神經網絡通過機器感知系統解釋傳感器數據，能夠對原始輸入進行標記或聚類等操作。神經網絡所能識別的模式是數值形式，因此圖像、聲音、文本、時間序列等一切現實世界的數據必須轉換為數值。

在深度學習網絡中，每一個節點層在前一層輸出的基礎上學習識別一組特定的特徵。隨著神經網絡深度增加，節點所能識別的特徵也就越來越複雜，因為每一層會整合併重組前一層的特徵。舉個例子，一個神經網絡如何判定一個圖片是不是一條狗：

可以看出，經過一系列訓練之後，在系統中輸入狗的圖片，通過深層神經網絡對狗的底層特徵進行抽象、推理（評估），最後輸出該圖片是狗的概率為90%。

主流觀點中，人工智慧、機器學習、深度學習三者的關係如下圖所示。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，最內側是深度學習，也是當今人工智慧大爆炸的核心驅動。

其中，人工智慧(AI)是一個最廣泛的概念，人工智慧的目的就是讓計算機能夠像人一樣思考。

機器學習(Machine Learning)是人工智慧的分支，它是人工智慧的核心，是使計算機具有智能的根本途徑，其應用遍及人工智慧的各個領域。

深度學習(Deep Learning)是機器學習研究中的一個新領域，推動了機器學習的發展，並拓展了人工智慧的領域範圍。甚至有觀點認為，深度學習可能就是實現未來強AI的突破口。