本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。

最近，一份關(guān)于那些聲稱在其產(chǎn)品和服務(wù)上使用人工智能[29] [30]的公司濫用人工智能的報告發(fā)布。根據(jù)Verge [29]的數(shù)據(jù)，40%聲稱使用人工智能的歐洲初創(chuàng)公司其實并沒有使用這項技術(shù)。去年，TechTalks也意外發(fā)現(xiàn)了這樣的濫用行為，一些公司聲稱使用機(jī)器學(xué)習(xí)和先進(jìn)人工智能來收集和檢查數(shù)千名用戶的數(shù)據(jù)，以增強(qiáng)其產(chǎn)品和服務(wù)[2] [33]的用戶體驗。

遺憾的是，公眾和媒對于什么是真正的人工智能 [44]，以及到底什么是機(jī)器學(xué)習(xí)[18] ，仍然存在很多困惑。這些術(shù)語通常被用作同義詞。在其他情況下，人工智能與機(jī)器學(xué)習(xí)是相對獨(dú)立的、互相平行的領(lǐng)域發(fā)展進(jìn)步，而另一些則利用這一趨勢來有意炒作和博眼球（刺激），來增加銷售量以及收入 [2] [31] [32] [45]。

下面我們來看看人工智能和機(jī)器學(xué)習(xí)之間的一些主要區(qū)別。

什么是機(jī)器學(xué)習(xí)？

 Tom M. Mitchell，Machine Learning，McGraw Hill，1997[18]

CMU計算機(jī)科學(xué)學(xué)院臨時院長、卡內(nèi)基梅隆大學(xué)(Carnegie Mellon University)教授、前機(jī)器學(xué)習(xí)系主任 Tom M. Mitchell 表示:

科學(xué)領(lǐng)域最好由它所研究的中心問題來界定。機(jī)器學(xué)習(xí)領(lǐng)域試圖回答以下問題：

“我們怎樣才能建立一個隨著經(jīng)驗而自動改進(jìn)的計算機(jī)系統(tǒng)，而支配所有學(xué)習(xí)過程的基本法則是什么？[1]”

機(jī)器學(xué)習(xí)（ML）是人工智能的一個分支，正如計算機(jī)科學(xué)家和機(jī)器學(xué)習(xí)先驅(qū) [19]Tom M.Mitchell所定義的：“機(jī)器學(xué)習(xí)是對計算機(jī)算法的研究，允許計算機(jī)程序通過經(jīng)驗自動改進(jìn)。” [18] —ML是我們期望實現(xiàn)人工智能的方法之一。機(jī)器學(xué)習(xí)依賴于對大大小小的數(shù)據(jù)集進(jìn)行研究，通過檢查和比較數(shù)據(jù)來發(fā)現(xiàn)共同的模式并探索細(xì)微差別。

例如，如果您提供一個機(jī)器學(xué)習(xí)模型，其中包含許多您喜歡的歌曲，以及它們相應(yīng)的音頻統(tǒng)計數(shù)據(jù)（舞蹈性、樂器、節(jié)奏或流派）。它應(yīng)該能夠自動化（取決于所使用的有監(jiān)督機(jī)器學(xué)習(xí)模型）并生成推薦系統(tǒng) [43]，以便在未來向您推薦您喜歡的音樂（以高概率），類似于Netflix、Spotify和其他公司所做的 [20] [21] [22]。

在一個簡單的例子中，如果你加載了一個機(jī)器學(xué)習(xí)程序，其中有相當(dāng)大的X射線圖片數(shù)據(jù)集以及它們的描述（癥狀、需要考慮的項目和其他），它應(yīng)該有能力在以后協(xié)助（或可能自動化）X射線圖片的數(shù)據(jù)分析。機(jī)器學(xué)習(xí)模型會查看不同數(shù)據(jù)集中的每一張圖片，并在具有可比指征標(biāo)簽的圖片中找到共同的模式。此外，（假設(shè)我們對圖像使用可能的ML算法）當(dāng)你用新的圖片加載模型時，它會將其參數(shù)與之前收集的例子進(jìn)行比較，以揭示圖片中包含它先前分析過的任何指征的可能性。

監(jiān)督學(xué)習(xí)（分類/回歸）|無監(jiān)督學(xué)習(xí)（聚類）|Credits: Western Digital [13]

我們前面示例中的機(jī)器學(xué)習(xí)類型，稱為“監(jiān)督學(xué)習(xí)”，其中監(jiān)督學(xué)習(xí)算法嘗試對目標(biāo)預(yù)測輸出和輸入特征之間的關(guān)系和依賴關(guān)系建模，以便我們可以根據(jù)這些關(guān)系預(yù)測新數(shù)據(jù)的輸出值，它已經(jīng)從以前的數(shù)據(jù)集 [15] 中學(xué)習(xí)到了反饋。

無監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)的另一種類別，是一類主要用于模式檢測和描述性建模的機(jī)器學(xué)習(xí)算法。這些算法在數(shù)據(jù)上沒有輸出類別或標(biāo)簽（模型使用未標(biāo)記的數(shù)據(jù)進(jìn)行訓(xùn)練）。

強(qiáng)化學(xué)習(xí) | Credits: Types of ML Algorithms you Should Know by David Fumo [3]

強(qiáng)化學(xué)習(xí)是第三種流行的機(jī)器學(xué)習(xí)類型，其目的是利用從與環(huán)境的交互中收集到的觀察結(jié)果來采取行動，以最大限度地提高回報或降低風(fēng)險。在這種情況下，強(qiáng)化學(xué)習(xí)算法（稱為agent）通過迭代不斷地從環(huán)境中學(xué)習(xí)。強(qiáng)化學(xué)習(xí)的一個很好的例子是電腦達(dá)到了超人的狀態(tài)，并在電腦游戲中打敗了人類[3]。

機(jī)器學(xué)習(xí)可以讓人眼花繚亂，尤其是它的高級子分支，即深度學(xué)習(xí)和各種類型的神經(jīng)網(wǎng)絡(luò)。無論如何，它是 "神奇 "的（計算學(xué)習(xí)理論） [16]，不管公眾有時是否有觀察其內(nèi)部運(yùn)作的問題。雖然有些人傾向于將深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)與人腦的工作方式進(jìn)行比較，但兩者之間存在著本質(zhì)的區(qū)別 [2] [4] [46]。

什么是人工智能（AI）？

卡耐基梅隆大學(xué)計算機(jī)科學(xué)學(xué)院教授兼院長 Andrew Moore講解的人工智能全景圖｜Youtube [14]

另一方面，人工智能的范圍很廣。根據(jù)卡耐基梅隆大學(xué)計算機(jī)科學(xué)學(xué)院前院長Andrew Moore [6] [36] [47]的說法，"人工智能是一門科學(xué)和工程，它讓計算機(jī)以一種直到最近我們還認(rèn)為需要人類智能的方式運(yùn)行。"

這是一個用一句話來定義人工智能的好方法；然而，它仍然顯示出這個領(lǐng)域是多么廣泛和模糊。50年前，下棋程序被認(rèn)為是人工智能的一種形式 [34]，因為博弈論和游戲策略是只有人腦才能完成的能力。如今，象棋游戲是枯燥而陳舊的，因為它幾乎是每個計算機(jī)操作系統(tǒng)（OS）的一部分 [35]；因此，"直到最近 "是隨著時間的推移而發(fā)展的東西 [36]。

CMU的助理教授和研究員 Zachary Lipton在Approximately Correct [7]上闡明，AI這個術(shù)語 "是一個理想的，是一個動態(tài)的目標(biāo)，一種基于那些人類擁有但機(jī)器沒有的能力"。AI還包括相當(dāng)程度的我們所知道的技術(shù)進(jìn)步。機(jī)器學(xué)習(xí)只是其中之一。之前的人工智能作品利用了不同的技術(shù)。例如，1997年擊敗世界國際象棋冠軍的人工智能 "深藍(lán) "使用了一種叫做樹搜索算法 [8]的方法來評估每一個回合的數(shù)百萬步 [2] [37] [52] [53]。

[[377769]]

使用深度優(yōu)先搜索解決八皇后難題的示例 | 人工智能簡介 | . how2Examples

正如我們今天所知道的那樣，人工智能的象征是以Google Home、Siri和Alexa為代表的人機(jī)交互小工具，以Netflix、亞馬遜和YouTube為代表的機(jī)器學(xué)習(xí)驅(qū)動的視頻推薦系統(tǒng)。這些技術(shù)進(jìn)步正逐步成為我們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠帧Ｋ鼈兪侵悄苤?，提升了我們作為人類和專業(yè)人士的能力--使我們更有效率。

與機(jī)器學(xué)習(xí)相比，人工智能是一個動態(tài)的目標(biāo) [51]，它的定義會隨著其相關(guān)技術(shù)進(jìn)步的進(jìn)一步發(fā)展而改變[7]。可能在幾十年內(nèi)，今天的人工智能創(chuàng)新進(jìn)展應(yīng)該被認(rèn)為是乏味的，就像現(xiàn)在的翻蓋手機(jī)對我們來說一樣。

為什么科技公司傾向于將AI和ML交替使用？

 "... ...我們想要的是一臺能從經(jīng)驗中學(xué)習(xí)的機(jī)器" ~ Alan Turing

"人工智能 "一詞是在1956年由Allen Newell和Herbert A. Simon等一批研究人員提出的[9]。從那時起，人工智能的產(chǎn)業(yè)經(jīng)歷了許多波動。在早期的幾十年里，圍繞著這個行業(yè)進(jìn)行了大量的炒作，許多科學(xué)家都一致認(rèn)為人類水平的人工智能指日可待。然而，未兌現(xiàn)的論斷引起了行業(yè)與公眾的普遍不滿，并導(dǎo)致了人工智能的寒潮，這一時期，對該領(lǐng)域的資金和興趣大大消退 [2] [38] [39] [48]。

后來，各組織試圖將自己的工作與人工智能這個術(shù)語分開，人工智能已經(jīng)成為無事實根據(jù)的炒作的同義詞，并利用不同的名稱來指代他們的工作。例如，IBM將 "深藍(lán) "描述為一臺超級計算機(jī)，并明確表示它沒有使用人工智能 [10]，而它卻使用了人工智能 [23]。

在此期間，各種其他術(shù)語，如大數(shù)據(jù)、預(yù)測分析和機(jī)器學(xué)習(xí)，開始受到關(guān)注和普及[40]。2012年，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)取得了長足的進(jìn)步，并在越來越多的領(lǐng)域得到應(yīng)用。各機(jī)構(gòu)突然開始使用“機(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”來宣傳他們的產(chǎn)品[41]。

深度學(xué)習(xí)開始解決那些基于經(jīng)典規(guī)則編程無法完成的任務(wù)。早期的語音和人臉識別、圖像分類、自然語言處理等領(lǐng)域突飛猛進(jìn) [2] [24] [49]，2019年3月，三位最受認(rèn)可的深度學(xué)習(xí)先驅(qū)獲得了圖靈獎，他們的貢獻(xiàn)和突破使深度神經(jīng)網(wǎng)絡(luò)成為當(dāng)今計算的關(guān)鍵組成部分[42]。

因此，從這個勢頭來看，我們看到了人工智能的回歸。對于那些習(xí)慣于使用各種限制的老式軟件人來說，深度學(xué)習(xí)的效果幾乎就像 "魔法" [16] 一樣[16]。尤其是由于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)進(jìn)入的一小部分領(lǐng)域被認(rèn)為是計算機(jī)的禁區(qū)，而如今，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的工程師都能獲得高薪，甚至在非營利組織工作，這就足以說明了這個領(lǐng)域的熱度 [50] [11].。

來源 | 推特 | GPT-2更好的語言模型及其含義，Open AI

可悲的是，這一點媒體公司往往在沒有進(jìn)行深刻考察的情況下就進(jìn)行報道，并且經(jīng)常配合人工智能文章中的水晶球（譯者注：神奇的事情）和其他超自然描描述。這樣的欺騙性行為有助于那些公司圍繞他們的產(chǎn)品產(chǎn)生炒作[27]。然而，在以后的日子里，由于未能達(dá)到預(yù)期，這些機(jī)構(gòu)不得不雇傭他人來彌補(bǔ)他們所謂的人工智能[12]。最終，他們可能會為了短期利益而導(dǎo)致該領(lǐng)域的不信任，并引發(fā)另一個人工智能的冬天寒潮[2] [28]。

資源

機(jī)器學(xué)習(xí)導(dǎo)論｜Matt Gormley｜卡耐基梅隆大學(xué)計算機(jī)科學(xué)學(xué)院｜

| http://www.cs.cmu.edu/~mgormley/courses/10601/

AI for Everyone | Andrew Ng | Coursera |

| https://www.coursera.org/learn/ai-for-everyone

Machine Learning Crash Course | Google |

| https://developers.google.com/machine-learning/crash-course/

機(jī)器學(xué)習(xí)介紹 | Udacity |

| https://www.udacity.com/course/intro-to-machine-learning–ud120

機(jī)器學(xué)習(xí)培訓(xùn)｜亞馬遜網(wǎng)絡(luò)服務(wù)｜

| https://aws.amazon.com/training/learning-paths/machine-learning/

機(jī)器學(xué)習(xí)簡介｜Coursera｜

| https://www.coursera.org/learn/machine-learning

參考文獻(xiàn)：

[1] The Discipline of Machine learning | Tom M. Mitchell | http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf

[2] Why the difference between AI and machine learning matters | Ben Dickson | TechTalks | https://bdtechtalks.com/2018/10/08/artificial-intelligence-vs-machine-learning/

[3] Types of Machine Learning Algorithms You Should Know | David Fumo | Towards Data Science | https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861

[4] Watch our AI system play against five of the world’s top Dota 2 Professionals | Open AI | https://openai.com/five/

[5] Differences between Neural Networks and Deep Learning | Quora | https://www.quora.com/What-is-the-difference-between-Neural-Networks-and-Deep-Learning

[6] What Machine Learning Can and Cannot Do | WSJ | https://blogs.wsj.com/cio/2018/07/27/what-machine-learning-can-and-cannot-do/

[7] Carnegie Mellon Dean of Computer Science on the Future of AI | Forbes | https://www.forbes.com/sites/peterhigh/2017/10/30/carnegie-mellon-dean-of-computer-science-on-the-future-of-ai

[8] From AI to Ml to AI: On Swirling Nomenclature & Slurried Thought | Zachary C. Lipton | Approximately Correct | http://approximatelycorrect.com/2018/06/05/ai-ml-ai-swirling-nomenclature-slurried-thought/

[9] Tree Search Algorithms | Introduction to AI | http://how2examples.com/artificial-intelligence/tree-search

[10] Reinventing Education Based on Data and What Works, Since 1955 | Carnegie Mellon University | https://www.cmu.edu/simon/what-is-simon/history.html

[11] Does Deep-Blue use AI? | Richard E. Korf | University of California | https://www.aaai.org/Papers/Workshops/1997/WS-97-04/WS97-04-001.pdf

[12] Artificial Intelligence: Salaries Heading Skyward | Stacy Stanford | Machine Learning Memoirs | https://medium.com/mlmemoirs/artificial-intelligence-salaries-heading-skyward-e41b2a7bba7d

[13] The rise of ‘pseudo-AI’: how tech firms quietly use humans to do bots’ work | The Guardian | https://www.theguardian.com/technology/2018/jul/06/artificial-intelligence-ai-humans-bots-tech-companies

[14] Simplify Machine Learning Pipeline Analysis with Object Storage | Western Digital | https://blog.westerndigital.com/machine-learning-pipeline-object-storage/

[15] Dr. Andrew Moore Opening Keynote | Artificial Intelligence and Global Security Initiative | https://youtu.be/r-zXI-DltT8

[16] The 50 Best Public Datasets for Machine Learning | Stacy Stanford | https://medium.com/datadriveninvestor/the-50-best-public-datasets-for-machine-learning-d80e9f030279

[17] Computational Learning Theory | ACL | http://www.learningtheory.org/

[18] Machine Learning Definition | Tom M. Mitchell| McGraw-Hill Science/Engineering/Math; (March 1, 1997), Page 1 | http://www.cs.cmu.edu/afs/cs.cmu.edu/user/mitchell/ftp/mlbook.html

[19] For pioneering contributions and leadership in the methods and applications of machine learning. | “Prof. Tom M. Mitchell.” National Academy of Engineering. Retrieved October 2, 2011.

[20] Recommender System | Wikipedia | https://en.wikipedia.org/wiki/Recommender_system

[21] Spotify’s “This Is” playlists: the ultimate song analysis for 50 mainstream artists | James Le | https://towardsdatascience.com/spotifys-this-is-playlists-the-ultimate-song-analysis-for-50-mainstream-artists-c569e41f8118

[22] How recommender systems make their suggestions | Bibblio | https://medium.com/the-graph/how-recommender-systems-make-their-suggestions-da6658029b76

[23] Deep Blue | Science Direct Assets | https://www.sciencedirect.com/science/article/pii/S0004370201001291

[24] 4 great leaps machine learning made in 2015 | Sergar Yegulalp | https://www.infoworld.com/article/3017250/4-great-leaps-machine-learning-made-in-2015.html

[25] Limitations of Deep Learning in AI Research | Roberto Iriondo | Towards Data Science | https://towardsdatascience.com/limitations-of-deep-learning-in-ai-research-5eed166a4205

[26] Forty percent of ‘AI startups’ in Europe don’t use AI, claims report | The Verge | https://www.theverge.com/2019/3/5/18251326/ai-startups-europe-fake-40-percent-mmc-report

[27] This smart toothbrush claims to have its very own ‘embedded AI’ | The Verge | https://www.theverge.com/circuitbreaker/2017/1/4/14164206/smart-toothbrush-ara-ai-kolibree

[28] The Coming AI Autumn | Jeffrey P. Bigham | http://jeffreybigham.com/blog/2019/the-coming-ai-autumnn.html

[29] Forty percent of ‘AI startups’ in Europe don’t use AI, claims report | The Verge | https://www.theverge.com/2019/3/5/18251326/ai-startups-europe-fake-40-percent-mmc-report

[30] The State of AI: Divergence | MMC Ventures | https://www.mmcventures.com/wp-content/uploads/2019/02/The-State-of-AI-2019-Divergence.pdf

[31] Top Sales & Marketing Priorities for 2019: AI and Big Data, Revealed by Survey of 600+ Sales Professionals | Business Wire | https://www.businesswire.com/news/home/20190129005560/en/Top-Sales-Marketing-Priorities-2019-AI-Big

[32] Artificial Intelligence Beats the Hype With Stunning Growth | Forbes | https://www.forbes.com/sites/jonmarkman/2019/02/26/artificial-intelligence-beats-the-hype-with-stunning-growth/#4e8507391f15

[33] Misuse of AI can destroy customer loyalty: here’s how to get it right | Compare the Cloud | https://www.comparethecloud.net/articles/misuse-of-ai-can-destroy-customer-loyalty-heres-how-to-get-it-right/

[34] Timeline of Artificial Intelligence | Wikipedia | https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence#1950s

[35] Computer Chess | Wikipedia | https://en.wikipedia.org/wiki/Computer_chess

[36] Artificial Intelligence at Carnegie Mellon University |Machine Learning Department at Carnegie Mellon University | https://www.youtube.com/watch?v=HH-FPH0vpVE

[37] Search Control Methods in Deep Blue | Semantic Scholar | https://pdfs.semanticscholar.org/211d/7268093b4dfce8201e8da321201c6cd349ef.pdf

[38] Is Winter Coming? | University of California, Berkeley | https://pha.berkeley.edu/2018/12/01/is-winter-coming-artificial-intelligence-in-healthcare/

[39] AI Winter | Wikipedia | https://en.wikipedia.org/wiki/AI_winter

[40] A Very Short History of Data Science | Forbes |