人工智能的浪潮正在席卷全球，人工智能（Artificial Intelligence）、機器學(xué)習(xí)（Machine Learning）、深度學(xué)習(xí)（Deep Learning）這些高頻詞匯經(jīng)常出現(xiàn)，業(yè)內(nèi)人士對于這些詞匯概念也想必熟悉，然而對于大多數(shù)的非從業(yè)人員來說這些高頻詞匯的含義及其背后的關(guān)系似乎不甚了解。為便于大家更好地理解人工智能，現(xiàn)以較通俗的語言對這概念進行解釋，理清彼此的聯(lián)系與區(qū)別，以期望對剛?cè)腴T的同行有所幫助。

人工智能（Artificial Intelligence）

在1956年的達特茅斯會議上第一次提出了“人工智能”的概念，其提出的目的是利用計算機來構(gòu)造復(fù)雜的、擁有與人類智慧同樣本質(zhì)特性的機器。其后的幾十年里，人工智能一直在質(zhì)疑和推進中徘徊。2012年以后，得益于數(shù)據(jù)量的上漲、運算力的提升和機器學(xué)習(xí)新算法（深度學(xué)習(xí)）的出現(xiàn)，人工智能迎來了一次大爆發(fā)，人工智能的研究領(lǐng)域也在不斷擴大，包括專家系統(tǒng)、機器學(xué)習(xí)、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統(tǒng)等。

目前的科研工作主要集中在讓機器具備觀察和感知能力的弱人工智能，遠沒達到電影里所描繪的讓機器獲得自適應(yīng)能力的強人工智能。為突破弱人工智能，實現(xiàn)的 “智能”，這就需要一種實現(xiàn)人工智能的方法——機器學(xué)習(xí)。

機器學(xué)習(xí)：一種實現(xiàn)人工智能的方法

機器學(xué)習(xí)最基本的做法是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)， 然后對真實世界中的事件做出決策和預(yù)測。與傳統(tǒng)的為解決特定任務(wù)、硬編碼的軟件程序不同， 機器學(xué)習(xí)是用大量的數(shù)據(jù)來“ 訓(xùn)練”， 通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)，機器學(xué)習(xí)直接來源于早期的人工智能領(lǐng)域，傳統(tǒng)的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學(xué)習(xí)方法上來分，機器學(xué)習(xí)算法可以分為監(jiān)督學(xué)習(xí)（如分類問題）、無監(jiān)督學(xué)習(xí)（如聚類問題）、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強化學(xué)習(xí)。

深度學(xué)習(xí)：一種實現(xiàn)機器學(xué)習(xí)的技術(shù)

深度學(xué)習(xí)是用于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機制來解釋數(shù)據(jù)的一種機器學(xué)習(xí)技術(shù)。它的基本特點，是試圖模仿大腦的神經(jīng)元之間傳遞，處理信息的模式。深度學(xué)習(xí)本來并不是一種獨立的學(xué)習(xí)方法，其本身也會用到有監(jiān)督和無監(jiān)督的學(xué)習(xí)方法來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。但由于近幾年該領(lǐng)域發(fā)展迅猛，一些特有的學(xué)習(xí)手段相繼被提出（如殘差網(wǎng)絡(luò)），因此越來越多的人將其單獨看作一種學(xué)習(xí)的方法。

三者的區(qū)別和聯(lián)系

機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法，深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù)。我們就用最簡單的方法——同心圓，可視化地展現(xiàn)出它們?nèi)叩年P(guān)系。