我們都熟悉“人工智能”這個詞。畢竟，它一直是《終結(jié)者》、《黑客帝國》和《機械姬》(我個人的最愛)等電影的熱門焦點。但是您最近可能聽說過其他術(shù)語，例如“機器學(xué)習(xí)”和“深度學(xué)習(xí)”，有時可以與人工智能互換使用。因此，人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別可能非常不清楚。

我將首先快速解釋人工智能 (AI)、機器學(xué)習(xí) (ML) 和深度學(xué)習(xí) (DL) 的實際含義以及它們的不同之處。然后，我將分享 AI 和物聯(lián)網(wǎng)如何密不可分地交織在一起，幾項技術(shù)進步同時融合在一起，為 AI 和物聯(lián)網(wǎng)的爆發(fā)奠定了基礎(chǔ)。

那么 AI、ML 和 DL 之間有什么區(qū)別呢?

人工智能于1956年由約翰麥卡錫首次創(chuàng)造，它涉及可以執(zhí)行人類智能特征任務(wù)的機器。雖然這很籠統(tǒng)，但它包括計劃、理解語言、識別物體和聲音、學(xué)習(xí)和解決問題等。

我們可以把人工智能分為兩類，一般的和狹義的。通用人工智能將具有人類智能的所有特征，包括上述能力。狹義人工智能展示了人類智能的某些方面，并且可以非常好地完成這方面的工作，但在其他領(lǐng)域則有所欠缺。一臺擅長識別圖像但僅此而已的機器將是狹義人工智能的一個例子。

從本質(zhì)上講，機器學(xué)習(xí)只是實現(xiàn)人工智能的一種方式。

亞瑟·塞繆爾 (Arthur Samuel) 于1959年在人工智能出現(xiàn)后不久創(chuàng)造了這個短語，將其定義為“無需明確編程即可學(xué)習(xí)的能力”。你看，你可以在不使用機器學(xué)習(xí)的情況下獲得人工智能，但這需要構(gòu)建數(shù)百萬行具有復(fù)雜規(guī)則和決策樹的代碼。

因此，機器學(xué)習(xí)不是使用特定指令來完成特定任務(wù)的硬編碼軟件例程，而是一種“訓(xùn)練”算法以便它可以學(xué)習(xí)如何學(xué)習(xí)的方式。“訓(xùn)練”涉及向算法提供大量數(shù)據(jù)，并允許算法進行自我調(diào)整和改進。

舉個例子，機器學(xué)習(xí)已被用于對計算機視覺(機器識別圖像或視頻中的對象的能力)進行重大改進。您收集了數(shù)十萬甚至數(shù)百萬張圖片，然后讓人類標(biāo)記它們。例如，人類可能會標(biāo)記有貓的圖片與沒有貓的圖片。然后，該算法嘗試構(gòu)建一個模型，該模型可以準(zhǔn)確地將圖片標(biāo)記為包含貓或不包含人類。一旦準(zhǔn)確率足夠高，機器現(xiàn)在就“學(xué)習(xí)”了一只貓的樣子。

深度學(xué)習(xí)是機器學(xué)習(xí)的眾多方法之一。其他方法包括決策樹學(xué)習(xí)、歸納邏輯編程、聚類、強化學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等。

深度學(xué)習(xí)的靈感來自大腦的結(jié)構(gòu)和功能，即許多神經(jīng)元的互連。人工神經(jīng)網(wǎng)絡(luò) (ANN) 是模擬大腦生物結(jié)構(gòu)的算法。

在ANN中，存在具有離散層和與其他“神經(jīng)元”連接的“神經(jīng)元”。每層挑選一個特定的特征來學(xué)習(xí)，例如圖像識別中的曲線/邊緣。正是這種分層賦予了深度學(xué)習(xí)的名稱，深度是通過使用多個層而不是單個層來創(chuàng)建的。

人工智能和物聯(lián)網(wǎng)密不可分

我認為人工智能和物聯(lián)網(wǎng)之間的關(guān)系就像人腦和身體之間的關(guān)系。

我們的身體收集感官輸入，例如視覺、聲音和觸覺。我們的大腦接受這些數(shù)據(jù)并理解它，將光轉(zhuǎn)化為可識別的物體，并將聲音轉(zhuǎn)化為可理解的語音。然后，我們的大腦做出決定，將信號發(fā)送回身體以指揮諸如拿起物體或說話之類的動作。

構(gòu)成物聯(lián)網(wǎng)的所有連接傳感器就像我們的身體，它們提供世界上正在發(fā)生的事情的原始數(shù)據(jù)。人工智能就像我們的大腦，理解這些數(shù)據(jù)并決定要執(zhí)行的操作。物聯(lián)網(wǎng)的連接設(shè)備再次像我們的身體一樣，執(zhí)行身體動作或與他人交流。

釋放彼此的潛力

人工智能和物聯(lián)網(wǎng)的價值和承諾因?qū)Ψ蕉靡詫崿F(xiàn)。

近年來，機器學(xué)習(xí)和深度學(xué)習(xí)為人工智能帶來了巨大飛躍。如上所述，機器學(xué)習(xí)和深度學(xué)習(xí)需要大量數(shù)據(jù)才能工作，而這些數(shù)據(jù)正在由物聯(lián)網(wǎng)中不斷上線的數(shù)十億傳感器收集。物聯(lián)網(wǎng)讓人工智能變得更好。

改進人工智能還將推動物聯(lián)網(wǎng)的采用，創(chuàng)造一個良性循環(huán)，這兩個領(lǐng)域都將大幅加速。那是因為人工智能使物聯(lián)網(wǎng)變得有用。

在工業(yè)方面，人工智能可用于預(yù)測機器何時需要維護或分析制造過程以大幅提高效率，從而節(jié)省數(shù)百萬美元。

在消費者方面，技術(shù)可以適應(yīng)我們，而不是必須適應(yīng)技術(shù)。我們可以簡單地向機器詢問我們需要什么，而不是點擊、輸入和搜索。我們可能會要求提供諸如天氣之類的信息或諸如為房子準(zhǔn)備就寢時間之類的操作(調(diào)低恒溫器、鎖門、關(guān)燈等)。

融合的技術(shù)進步使這成為可能

縮小計算機芯片和改進制造技術(shù)意味著更便宜、更強大的傳感器。

快速改進電池技術(shù)意味著這些傳感器可以使用數(shù)年而無需連接到電源。

由智能手機的出現(xiàn)推動的無線連接意味著可以以低廉的價格大量發(fā)送數(shù)據(jù)，允許所有這些傳感器將數(shù)據(jù)發(fā)送到云端。

云的誕生允許幾乎無限地存儲這些數(shù)據(jù)和幾乎無限的計算能力來處理它。

當(dāng)然，也有一兩個AI對我們的社會和我們的未來的影響的擔(dān)憂。但隨著人工智能和物聯(lián)網(wǎng)的進步和采用不斷加速，有一件事是肯定的;影響將是深遠的。