人工智能、機器學習和深度學習之間的區別

科技世界——近年來，隨著工業革命4.0的爆發，人工智能（AI）、機器學習、深度學習等術語逐漸流行起來，成為4.0時代公民必須掌握的概念。

這三個概念之間的關係可以通過將它們視為圓圈來解釋，其中人工智能——最早的想法——是最大的圓圈，其次是機器學習——隨後出現的概念。最後是深度學習——驅動當前AI繁榮——是最小的圈子。

構建一個人工智能係統當然是極其複雜的，但理解它並不是那麼困難。當前的大多數人工智能只是非常好的猜測機器（類似於我們的大腦）。您給系統一組數據（例如數字 1 到 10）並要求系統創建模型（x + 1，從 0 開始）並進行預測。（下一個數字將是十一）。沒有魔法，這就是人類大腦每天都在做的事情：用我們所知道的來猜測未知。

AI與其他計算機程序的不同之處在於，我們不必為每個案例創建特定的程序，我們可以完全教授AI（機器學習），並且它還具有自動深度學習的能力。這三個概念基本上可以定義如下：

人工智能（AI）： 一種可以模仿人類行為和思維的機器。

機器學習： 一種人工智能功能，允許專家訓練人工智能識別數據模式並做出預測。

深度學習： 一種允許機器自我訓練的小型機器學習技術。

具體概念

人工智能——機器形式的人腦

人工智能可以定義為處理智能行為自動化的計算機科學的一個分支。人工智能是計算機科學的一部分，因此它必須基於該領域健全、適用的理論原則。簡單地說：它是人類創造的機器的智能。這種智能可以像人類智能一樣思考、思考、學習……。在比人類更大、更大規模、更系統、更科學和更快的水平上處理數據。

然而，目前，人工智能技術仍然非常有限。例如，Alexa——一位偉大的管家，人工智能應用程序最受歡迎的圖標之一，但仍然無法通過圖靈測試。

簡而言之，我們今天用人工智能做的是“狹義人工智能”的概念。該技術能夠以與人類相似或優於人類的方式執行特定任務。實踐中“狹義人工智能”的例子包括 Pinterest 的圖像分類技術或在 Facebook 上標記朋友的面部識別。

這些技術代表了人類智能的某些方面，但這怎麼可能呢？那智慧從何而來？讓我們進入下一個循環：機器學習。

機器學習——人工智能的一種方法

機器學習是一個廣義的術語，指的是你教計算機改進它正在執行的任務的行為。更具體地說，機器學習是指計算機在執行任務時的性能在多次完成該任務後變得更好的任何系統。換句話說，機器學習最基本的能力是使用一種算法來分析可用的信息，從中學習，然後對相關的事情做出決定或預測。不是創建具有詳細說明和操作的軟件來執行特定任務，而是使用大量數據和算法“訓練”計算機來學習如何執行任務。

如果沒有機器學習，當前的人工智能將非常有限，因為它使計算機能夠在沒有明確編程的情況下解決問題。作為一種機器學習的示例，假設您希望程序能夠識別圖片中的貓：

• 首先，你給AI一組貓的特徵供機器識別，比如毛色、體型、大小等。
• 接下來，你將一些圖像提供給 AI，其中部分或全部圖像可能會被標記為“貓”，以便機器可以更有效地選擇與貓相關的特徵和細節。
• 機器接收到所有必要的貓數據後，它必須知道如何在圖片中找到貓——“如果圖像包含某些 X、Y 或 Z 細節，則有 95% 的機會在圖片中找到貓. 也許它是一隻貓。

總的來說，今天機器學習的應用非常流行，它的用處是無可爭議的。

深度學習——一種機器學習技術

可以說，到目前為止，人工智能已經取得了很大的進步。可以將其視為一種具有深度“神經網絡”的機器學習，可以以與人腦類似的方式處理數據。這裡的主要區別在於，人類不必教深度學習程序貓長什麼樣子，只需給它所有必要的貓的照片，它就會自己弄清楚，自我學習。要做的步驟如下：

• 給機器很多貓的照片。
• 該算法將檢查圖像以查看圖像之間的共同特徵和細節。
• 每個圖像都將在多個層次上進行詳細解碼，從大的一般形狀到越來越小的圖塊。如果一個形狀或線條重複多次，算法會將其標記為重要屬性。
• 在分析了足夠多的必要圖像後，算法現在知道哪些模式提供了貓的最強證據，而人類所要做的就是提供原始數據。

簡而言之：深度學習是機器自我訓練的一種機器學習。深度學習比機器學習需要更多的數據輸入和計算能力，但它已經開始被 Facebook 和亞馬遜等大型科技公司實施。其中，機器學習中最著名的名字之一是 AlphaGo，它是一台可以與自己下圍棋直到能夠預測出足以擊敗許多世界冠軍的最準確棋步的計算機。

得出結論

深度學習使許多真實機器問題的應用成為可能，同時擴展了人工智能的整體領域。深度學習通過使各種輔助機器可以工作、接近或與人類相同，從而顛覆了人類的工作方式。無人駕駛汽車、更好的醫療保健……這一切都在這個時代實現了。人工智能是世界的現在和未來。借助深度學習，人工智能可以實現我們臆想已久的科幻夢想。