人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是企業(yè)IT中的流行術(shù)語，有時(shí)可以互換使用，尤其是在公司營銷其產(chǎn)品時(shí)。但是，這些術(shù)語不是同義詞，它們之間有重要的區(qū)別。
人工智能是指機(jī)器對人類智能的模擬，它有一個(gè)不斷變化的定義。隨著新技術(shù)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(shù)包括機(jī)器學(xué)習(xí)（ML），而深度學(xué)習(xí)（deep learning）是機(jī)器學(xué)習(xí)的一個(gè)子集。同時(shí)，神經(jīng)網(wǎng)絡(luò)（neural networks）又是深度學(xué)習(xí)的一個(gè)子集。
為了更好地理解不同技術(shù)之間的關(guān)系，這里做一個(gè)關(guān)于人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)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(jī)器的斗爭：我們的智力。然而，定義智能是很棘手的，因?yàn)槲覀兏兄闹悄軙S著時(shí)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(jì)算機(jī)程序，可以解決一些復(fù)雜的問題。該程序沒有對軟件應(yīng)該做出的每個(gè)決策進(jìn)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(shí)填寫知識庫，然后推理引擎將查詢這些事實(shí)以得出結(jié)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?yàn)樗鼑?yán)重依賴人類的輸入，基于規(guī)則的系統(tǒng)缺乏學(xué)習(xí)和發(fā)展的靈活性，所以他們幾乎不再被認(rèn)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(xué)習(xí)，這使得它們可用于一系列應(yīng)用，如機(jī)器人、自動駕駛汽車、自然語言理解（NLU）。
雖然人工智能有時(shí)會在這些領(lǐng)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(xué)習(xí)——也就是說，只有幾個(gè)例子。人工智能需要接受大量數(shù)據(jù)的訓(xùn)練，才能理解任何主題。算法仍然無法將它們對一個(gè)領(lǐng)域的理解轉(zhuǎn)移到另一個(gè)領(lǐng)域。例如，如果我們學(xué)習(xí)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(gè)全新的世界，它必須從頭開始學(xué)習(xí)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(gè)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(yīng)該從人類身上期待什么。我們從來沒想過人類有四個(gè)輪子，像汽車一樣排放碳。然而，除非在足夠的數(shù)據(jù)上進(jìn)行訓(xùn)練，否則人工智能系統(tǒng)無法推測這一點(diǎn)。
人工智能的定義是一個(gè)變化的目標(biāo)。當(dāng)人工智能算法變得如此復(fù)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(shí)，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(dāng)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(gè)AI應(yīng)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(jī)器學(xué)習(xí)？
機(jī)器學(xué)習(xí)（簡稱ML）是 AI 的一個(gè)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(xùn)練 ML 模型如何做出決策或得出結(jié)論。
訓(xùn)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(yù)測。舉一個(gè)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(xùn)練算法的人為干預(yù)和反饋程度。
通常，ML 模型需要大量的人力來訓(xùn)練。在零售商示例中，訓(xùn)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(shí)現(xiàn)可能依賴于專門的人員來故意訓(xùn)練模型，以幫助系統(tǒng)識別模式、執(zhí)行任務(wù)并得出準(zhǔn)確的結(jié)論。ML 通常依賴于以已知、標(biāo)準(zhǔn)化的類型或格式提供的結(jié)構(gòu)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(jī)、樸素貝葉斯、k 最近鄰、k 均值、隨機(jī)森林和降維算法。
什么是深度學(xué)習(xí)？
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，它仍然涉及讓機(jī)器從數(shù)據(jù)中學(xué)習(xí)，但它標(biāo)志著人工智能發(fā)展的一個(gè)里程碑。
深度學(xué)習(xí)是基于我們對神經(jīng)網(wǎng)絡(luò)的理解而開發(fā)的?；谏窠?jīng)網(wǎng)絡(luò)構(gòu)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(xué)習(xí)才真正受到關(guān)注。就像機(jī)器學(xué)習(xí)的實(shí)現(xiàn)歸功于我們產(chǎn)生的大量數(shù)據(jù)一樣，深度學(xué)習(xí)的采用歸功于可用的更便宜的計(jì)算能力以及算法的進(jìn)步。
深度學(xué)習(xí)實(shí)現(xiàn)了比機(jī)器學(xué)習(xí)最初可能實(shí)現(xiàn)的更智能的結(jié)果?？紤]人臉識別示例，為了檢測人臉，我們應(yīng)該向人工智能提供什么樣的數(shù)據(jù)，以及它應(yīng)該如何學(xué)習(xí)尋找什么，因?yàn)槲覀兾ㄒ荒芴峁┑男畔⑹窍袼仡伾?/span>
深度學(xué)習(xí)利用信息處理層，每個(gè)層逐漸學(xué)習(xí)越來越復(fù)雜的數(shù)據(jù)表示。早期的層可能會學(xué)習(xí)顏色，接下來的層可以學(xué)習(xí)形狀，下面的層可以學(xué)習(xí)這些形狀的組合，最后是實(shí)際對象。深度學(xué)習(xí)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(gè)方面推動了人工智能的發(fā)展。
卷積神經(jīng)網(wǎng)絡(luò)。
遞歸神經(jīng)網(wǎng)絡(luò)。
長短期記憶網(wǎng)絡(luò)。
生成對抗網(wǎng)絡(luò)。
深度學(xué)習(xí)是 ML 的一種變體，支持更窄但更詳細(xì)的學(xué)習(xí)。深度學(xué)習(xí)模型廣泛使用自動化，攝取和使用非結(jié)構(gòu)化數(shù)據(jù)（如文本和圖像）來構(gòu)建全面的決策能力。
神經(jīng)網(wǎng)絡(luò)是一種 ML 算法，通常是深度學(xué)習(xí)模型中使用的算法的基礎(chǔ)。有時(shí)被稱為人工神經(jīng)網(wǎng)絡(luò)或模擬神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)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(luò)由決策節(jié)點(diǎn)層組成：輸入層、眾多決策層和輸出層。每個(gè)節(jié)點(diǎn)都是一個(gè)人工神經(jīng)元，它做出具有權(quán)重和閾值的計(jì)算決策。當(dāng)節(jié)點(diǎn)的輸入總和高于閾值時(shí)，節(jié)點(diǎn)將數(shù)據(jù)發(fā)送到網(wǎng)絡(luò)下一層中的一個(gè)或多個(gè)節(jié)點(diǎn)，否則，不傳遞任何數(shù)據(jù)。
神經(jīng)網(wǎng)絡(luò)的類型包括前饋、循環(huán)、卷積和模塊化。這些術(shù)語是指數(shù)據(jù)如何通過神經(jīng)網(wǎng)絡(luò)從一個(gè)節(jié)點(diǎn)傳遞到另一個(gè)節(jié)點(diǎn)。神經(jīng)網(wǎng)絡(luò)的架構(gòu)使計(jì)算過程具有高度關(guān)聯(lián)性和極高的效率，類似于大腦。
實(shí)際上，神經(jīng)網(wǎng)絡(luò)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(luò)通常構(gòu)成語音和圖像識別等復(fù)雜任務(wù)的支柱。
機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)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(luò)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(xué)習(xí)，然后從該訓(xùn)練數(shù)據(jù)中派生模式或關(guān)系。神經(jīng)網(wǎng)絡(luò)使用一系列 ML 算法，這些算法以模仿大腦架構(gòu)的方式組織。
ML 算法根據(jù)其訓(xùn)練數(shù)據(jù)做出決策，通常在人類指導(dǎo)下。神經(jīng)網(wǎng)絡(luò)以高度的自主性做出準(zhǔn)確的決策，通常可以從經(jīng)驗(yàn)和以前的錯誤中學(xué)習(xí)。
ML 模型可以自主接收、學(xué)習(xí)數(shù)據(jù)并根據(jù)數(shù)據(jù)做出決策。神經(jīng)網(wǎng)絡(luò)由許多 ML 算法構(gòu)建而成，非常適合特定類型的學(xué)習(xí)，例如識別圖像中的對象。
機(jī)器學(xué)習(xí)通常應(yīng)用于零售、電子商務(wù)、運(yùn)輸、物流和醫(yī)療保健等領(lǐng)域。神經(jīng)網(wǎng)絡(luò)通常用于預(yù)測、研究、風(fēng)險(xiǎn)管理以及語音和文本識別。
AI 與機(jī)器學(xué)習(xí)和深度學(xué)習(xí)
機(jī)器學(xué)習(xí)和深度學(xué)習(xí)有明確的定義，而我們認(rèn)為的人工智能會隨著時(shí)間的推移而變化。例如，光學(xué)字符識別曾經(jīng)被認(rèn)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(gè)手寫體上訓(xùn)練的深度學(xué)習(xí)算法可以將它們轉(zhuǎn)換為文本，這將被視為人工智能。
機(jī)器學(xué)習(xí)和深度學(xué)習(xí)為各種應(yīng)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(yīng)用程序。這些技術(shù)通過讓智能機(jī)器處理平凡的重復(fù)性任務(wù)來幫助企業(yè)增加員工隊(duì)伍，這使員工能夠?qū)Ｗ⒂趧?chuàng)造性或高思維的工作。
機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)，它使用復(fù)雜的神經(jīng)網(wǎng)絡(luò)來復(fù)制人類智能。深度學(xué)習(xí)和機(jī)器學(xué)習(xí)通常需要先進(jìn)的硬件才能運(yùn)行，如高端GPU，以及獲得大量能源。然而，深度學(xué)習(xí)模型的不同之處在于，它們通常比機(jī)器學(xué)習(xí)模型學(xué)習(xí)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(xué)習(xí)的應(yīng)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(jī)器學(xué)習(xí)和深度學(xué)習(xí)都代表了人工智能發(fā)展的重要里程碑。當(dāng)我們走向當(dāng)前的AGI時(shí)，可能會有許多其他人。
人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的相似之處
除了差異之外，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)還有以下相似之處：
這三個(gè)學(xué)科都有助于智能機(jī)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(dāng)今的復(fù)雜問題。
他們依靠算法進(jìn)行預(yù)測，識別數(shù)據(jù)中的重要模式并執(zhí)行任務(wù)。
數(shù)據(jù)質(zhì)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(xùn)練數(shù)據(jù)中的固有偏差，這些偏差可能導(dǎo)致輸出偏斜。高質(zhì)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(xué)習(xí)，以隨著時(shí)間的推移提高其性能。
source：https://www.techtarget.com/searchenterpriseai/tip/AI-vs-machine-learning-vs-deep-learning-Key-differences
