人工智能術語通常可以互換使用，但它們并不相同。閱讀下文了解人工智能、機器學習和深度學習、神經(jīng)網(wǎng)絡之間的區(qū)別。

人工智能、機器學習和深度學習是企業(yè)IT中的流行術語，有時可以互換使用，尤其是在公司營銷其產(chǎn)品時。但是，這些術語不是同義詞，它們之間有重要的區(qū)別。

人工智能是指機器對人類智能的模擬，它有一個不斷變化的定義。隨著新技術的出現(xiàn)以更好地模擬人類，人工智能的能力和局限性被重新審視。

這些技術包括機器學習（ML），而深度學習（deep learning）是機器學習的一個子集。同時，神經(jīng)網(wǎng)絡（neural networks）又是深度學習的一個子集。

為了更好地理解不同技術之間的關系，這里做一個關于人工智能、機器學習和深度學習的入門介紹。

什么是人工智能？

人工智能一詞自 1950 年代以來一直存在。它描繪了我們努力制造能夠挑戰(zhàn)使人類成為地球上主要生命形式的機器的斗爭：我們的智力。然而，定義智能是很棘手的，因為我們感知的智能會隨著時間的推移而變化。

早期的人工智能系統(tǒng)是基于規(guī)則的計算機程序，可以解決一些復雜的問題。該程序沒有對軟件應該做出的每個決策進行硬編碼，而是分為知識庫和推理引擎，開發(fā)人員將用事實填寫知識庫，然后推理引擎將查詢這些事實以得出結果（可以理解為專家系統(tǒng)）。

這種類型的人工智能是有限的，特別是因為它嚴重依賴人類的輸入，基于規(guī)則的系統(tǒng)缺乏學習和發(fā)展的靈活性，所以他們幾乎不再被認為是聰明的。

現(xiàn)代人工智能算法可以從歷史數(shù)據(jù)中學習，這使得它們可用于一系列應用，如機器人、自動駕駛汽車、自然語言理解（NLU）。

雖然人工智能有時會在這些領域產(chǎn)生超人的表現(xiàn)，但在人工智能與人類智能競爭之前，我們還有很長的路要走。

目前，還沒有人工智能可以像人類那樣學習——也就是說，只有幾個例子。人工智能需要接受大量數(shù)據(jù)的訓練，才能理解任何主題。算法仍然無法將它們對一個領域的理解轉移到另一個領域。例如，如果我們學習像星際爭霸這樣的游戲，我們可以同樣快速地玩星際爭霸II。但對于人工智能來說，這是一個全新的世界，它必須從頭開始學習每款游戲。

人類智能還具有將意義聯(lián)系起來的能力，例如，考慮人類這個詞。我們可以在圖片和視頻中識別人類，人工智能也獲得了這種能力。但我們也知道我們應該從人類身上期待什么。我們從來沒想過人類有四個輪子，像汽車一樣排放碳。然而，除非在足夠的數(shù)據(jù)上進行訓練，否則人工智能系統(tǒng)無法推測這一點。

人工智能的定義是一個變化的目標。當人工智能算法變得如此復雜以至于它們的表現(xiàn)優(yōu)于專業(yè)的人類放射科醫(yī)生時，我們感到驚訝。但后來我們了解到它們的局限性。這就是為什么我們現(xiàn)在區(qū)分當前的狹隘人工智能和我們正在追求的人類水平的人工智能版本：通用人工智能（AGI）。今天存在的每個AI應用程序都屬于狹義AI（也稱為弱AI），而AGI目前只是理論上的。

什么是機器學習？

機器學習（簡稱ML）是 AI 的一個子集。ML 使用一種稱為模型的算法來攝取和處理數(shù)據(jù)。這些數(shù)據(jù)用于訓練 ML 模型如何做出決策或得出結論。

訓練后，模型可以引入新數(shù)據(jù)，并根據(jù)該數(shù)據(jù)做出決策或預測。舉一個簡單的例子，在線零售商可能會使用 ML 來查看客戶的購買和偏好，然后根據(jù)客戶之前的行為和選擇向客戶提出未來的購買建議。

ML 模型可以分為有監(jiān)督、無監(jiān)督或半監(jiān)督，這是指用于訓練算法的人為干預和反饋程度。

通常，ML 模型需要大量的人力來訓練。在零售商示例中，訓練 ML 模型需要收集、清理和分析具有先前活動和記錄行為的客戶的數(shù)據(jù)。

其他 ML 實現(xiàn)可能依賴于專門的人員來故意訓練模型，以幫助系統(tǒng)識別模式、執(zhí)行任務并得出準確的結論。ML 通常依賴于以已知、標準化的類型或格式提供的結構化數(shù)據(jù)，例如數(shù)據(jù)庫。

用于分類和回歸的一些 ML 算法包括線性回歸、邏輯回歸、決策樹、支持向量機、樸素貝葉斯、k 最近鄰、k 均值、隨機森林和降維算法。

什么是深度學習？

深度學習是機器學習的一個子集，它仍然涉及讓機器從數(shù)據(jù)中學習，但它標志著人工智能發(fā)展的一個里程碑。

深度學習是基于我們對神經(jīng)網(wǎng)絡的理解而開發(fā)的?；谏窠?jīng)網(wǎng)絡構建人工智能的想法自 1980年代以來一直存在，但直到 2012 年，深度學習才真正受到關注。就像機器學習的實現(xiàn)歸功于我們產(chǎn)生的大量數(shù)據(jù)一樣，深度學習的采用歸功于可用的更便宜的計算能力以及算法的進步。

深度學習實現(xiàn)了比機器學習最初可能實現(xiàn)的更智能的結果。考慮人臉識別示例，為了檢測人臉，我們應該向人工智能提供什么樣的數(shù)據(jù)，以及它應該如何學習尋找什么，因為我們唯一能提供的信息是像素顏色？

深度學習利用信息處理層，每個層逐漸學習越來越復雜的數(shù)據(jù)表示。早期的層可能會學習顏色，接下來的層可以學習形狀，下面的層可以學習這些形狀的組合，最后是實際對象。深度學習展示了物體識別的突破，它的發(fā)明迅速在包括NLU在內(nèi)的多個方面推動了人工智能的發(fā)展。

深度學習是目前我們開發(fā)的最先進的人工智能架構。幾種深度學習算法包括：

• 卷積神經(jīng)網(wǎng)絡。
• 遞歸神經(jīng)網(wǎng)絡。
• 長短期記憶網(wǎng)絡。
• 生成對抗網(wǎng)絡。

深度學習和神經(jīng)網(wǎng)絡：ML 的一個子集

深度學習是 ML 的一種變體，支持更窄但更詳細的學習。深度學習模型廣泛使用自動化，攝取和使用非結構化數(shù)據(jù)（如文本和圖像）來構建全面的決策能力。

神經(jīng)網(wǎng)絡是一種 ML 算法，通常是深度學習模型中使用的算法的基礎。有時被稱為人工神經(jīng)網(wǎng)絡或模擬神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡旨在模仿大腦功能 -即神經(jīng)元如何相互發(fā)送信號。

神經(jīng)網(wǎng)絡由決策節(jié)點層組成：輸入層、眾多決策層和輸出層。每個節(jié)點都是一個人工神經(jīng)元，它做出具有權重和閾值的計算決策。當節(jié)點的輸入總和高于閾值時，節(jié)點將數(shù)據(jù)發(fā)送到網(wǎng)絡下一層中的一個或多個節(jié)點，否則，不傳遞任何數(shù)據(jù)。

神經(jīng)網(wǎng)絡的類型包括前饋、循環(huán)、卷積和模塊化。這些術語是指數(shù)據(jù)如何通過神經(jīng)網(wǎng)絡從一個節(jié)點傳遞到另一個節(jié)點。神經(jīng)網(wǎng)絡的架構使計算過程具有高度關聯(lián)性和極高的效率，類似于大腦。

實際上，神經(jīng)網(wǎng)絡是能夠識別模式的算法集合。這使它們成為分類和組織數(shù)據(jù)的理想選擇。因此，神經(jīng)網(wǎng)絡通常構成語音和圖像識別等復雜任務的支柱。

機器學習和神經(jīng)網(wǎng)絡之間的主要區(qū)別

簡而言之，ML的廣泛類別和神經(jīng)網(wǎng)絡的特定子類別可以區(qū)分如下：

• ML 算法從數(shù)據(jù)中提取、解析和學習，然后從該訓練數(shù)據(jù)中派生模式或關系。神經(jīng)網(wǎng)絡使用一系列 ML 算法，這些算法以模仿大腦架構的方式組織。
• ML 算法根據(jù)其訓練數(shù)據(jù)做出決策，通常在人類指導下。神經(jīng)網(wǎng)絡以高度的自主性做出準確的決策，通?？梢詮慕?jīng)驗和以前的錯誤中學習。
• ML 模型可以自主接收、學習數(shù)據(jù)并根據(jù)數(shù)據(jù)做出決策。神經(jīng)網(wǎng)絡由許多 ML 算法構建而成，非常適合特定類型的學習，例如識別圖像中的對象。
• 機器學習通常應用于零售、電子商務、運輸、物流和醫(yī)療保健等領域。神經(jīng)網(wǎng)絡通常用于預測、研究、風險管理以及語音和文本識別。

這兩個概念通過它們所需的基本技能集進一步區(qū)分。ML 專業(yè)人員通常在編程和算法開發(fā)、統(tǒng)計方法、大數(shù)據(jù)分析和基礎設施方面具有很強的背景，并且對 ML 框架有全面的了解。神經(jīng)網(wǎng)絡專家通常還擁有廣泛的技能，包括數(shù)據(jù)建模、線性代數(shù)和圖論。

AI 與機器學習和深度學習

機器學習和深度學習有明確的定義，而我們認為的人工智能會隨著時間的推移而變化。例如，光學字符識別曾經(jīng)被認為是人工智能，但現(xiàn)在不再是了。然而，根據(jù)今天的定義，在數(shù)千個手寫體上訓練的深度學習算法可以將它們轉換為文本，這將被視為人工智能。

機器學習和深度學習為各種應用程序提供支持，包括執(zhí)行自然語言處理、圖像識別和分類的應用程序。這些技術通過讓智能機器處理平凡的重復性任務來幫助企業(yè)增加員工隊伍，這使員工能夠專注于創(chuàng)造性或高思維的工作。

機器學習與深度學習

深度學習是一種機器學習，它使用復雜的神經(jīng)網(wǎng)絡來復制人類智能。深度學習和機器學習通常需要先進的硬件才能運行，如高端GPU，以及獲得大量能源。然而，深度學習模型的不同之處在于，它們通常比機器學習模型學習更快、更自主，并且可以更好地使用大型數(shù)據(jù)集。使用深度學習的應用程序可以包括面部識別系統(tǒng)、自動駕駛汽車和 deepfake 內(nèi)容。

機器學習和深度學習都代表了人工智能發(fā)展的重要里程碑。當我們走向當前的AGI時，可能會有許多其他人。

人工智能、機器學習和深度學習之間的相似之處

除了差異之外，人工智能、機器學習和深度學習還有以下相似之處：

• 這三個學科都有助于智能機器的創(chuàng)造。
• 與舊的編程方法相比，它們可以更輕松地解決當今的復雜問題。
• 他們依靠算法進行預測，識別數(shù)據(jù)中的重要模式并執(zhí)行任務。

所有這三個學科都使用數(shù)據(jù)來訓練模型。模型被饋送數(shù)據(jù)集，以分析和學習重要信息，如見解或模式。在從經(jīng)驗中學習，它們最終成為高性能模型。

數(shù)據(jù)質量和多樣性是每種形式的人工智能的重要因素。多樣化的數(shù)據(jù)集減輕了嵌入在訓練數(shù)據(jù)中的固有偏差，這些偏差可能導致輸出偏斜。高質量的數(shù)據(jù)最大限度地減少錯誤，以確保模型的可靠性。與人類一樣，模型必須迭代學習，以隨著時間的推移提高其性能。