人工智能 vs 机器学习 vs 深度学习 |区别

如今，人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 等术语变得非常普遍。它们经常互换使用，尤其是在处理大数据、分析以及搜索和索引时。尽管这三个术语非常相关，但它们并不是一回事。

在今天的故事中，我们将向您解释 AI、ML 和 DL 的确切含义，以及它们之间的区别。别担心；我们不会使用任何复杂的科学术语——我们会尽量简短。

AI 是计算机科学的一个分支，由 John McCarthy 于 1956 年首次提出。计算机通常执行我们命令的任务。然而，人工智能是一种构建机器或软件的方式，它可以像人类一样智能地思考和自我执行。这包括理解语言、识别声音和视觉效果、学习、计划和解决问题等。

例如，传统程序只能回答特定问题，而人工智能程序可以回答一般问题。

人工智能有四种类型——

*虽然第三种和第四种机器实际上并不存在，但它们在科幻电影中得到了展示，例如星球大战的R2D2（type-3）和Ex Machina的Eva（type-4）。

ML 是 AI 的一个子集，它为系统提供了从经验中学习、行动和改进的能力，而无需明确编程。因此，ML 不是用特定指令明确编写所有方法来完成特定任务，而是一种训练程序的技术，以便它可以从过去的经验中学习。在这里，训练是指向程序提供大量数据，并允许程序进行自我配置和改进。

例如，如果您向 ML 算法提供数千张猫图片，它就会开始识别猫的样子——它们的身高、颜色、脸型等。最终，它可以识别图片中的猫并自动标记它们。一旦准确率足够高，算法就可以准确地分辨出一只猫的样子。

机器学习的类型：

深度学习是机器学习的一个子领域，处理受人脑结构和功能或许多神经元互连启发的算法。这些算法被称为模拟大脑生物结构的人工神经网络 (ANN)。

神经元具有离散的层和与其他神经元的连接。人们可以将这些层可视化为相关概念或决策树的嵌套层次结构。每一层都能够选择一个特定的特征来学习或遵循特定的路径。深度由多层构建 - 网络层数越多，它就越深/复杂。

为了得到良好的训练，深度学习网络需要大量的项目。系统不是为定义项目的每条边编写代码，而是从暴露于数百万个数据点中学习。

谷歌大脑是深度学习识别猫的一个完美例子，它接收了超过一千万个图像样本。这些网络不需要使用定义项目的特定标准进行编码；暴露于大量样本后，他们可以识别边缘。

2017 年 10 月，Google Brain 负责人 Jeff Dean 在伯克利的 VB 峰会上表示 –

今天，基于深度学习开发的图像识别系统比人类更好——从识别猫到识别 MRI 扫描中的血癌和肿瘤指标。

谷歌 AlphaGo 对围棋（比国际象棋复杂得多）进行了训练，它通过反复与自己对弈来改进其神经网络。 2016年3月，它成为第一个击败职业人类围棋选手的计算机程序。

阅读：基于评分的 18 个最佳国际象棋引擎

图片来源：Nvidia

考虑 AI、ML 和 DL 关系的最简单方法是将它们可视化为同心圆，其中首先是人工智能，然后是机器学习，最后是推动当前人工智能爆炸的深度学习。

自 1956 年以来，人工智能一直是人类想象力的一部分，并在研究实验室中酝酿。自 2012 年以来的 7 年里，我们在文本低估、信号处理、语音和图像等众多关键人工智能问题上取得的进展比过去 25 年要多认可（一项艰巨的工作）。

过去几年 AI 爆炸式增长的主要原因是 GPU 的广泛可用性，这使得并行处理速度更快、成本更低。它还与几乎无限的存储和整个大数据运动有关 - 文本、图像、交易，应有尽有。

如今，所有科技巨头公司都在大力投资人工智能项目，每天有数十亿人通过网络搜索引擎、社交媒体和电子商务平台与人工智能软件互动。我们最常接触的人工智能类型之一（或者您可以说是唯一类型）是机器学习。
根据 statista 的数据，到 2025 年，人工智能市场的全球收入将超过 59 万亿美元。

阅读：关于量子计算机的 18 个最有趣的事实

深度学习通过分解任务使所有类型的机器辅助看起来都成为可能，从而实现了机器学习的多种实际应用。更好的产品推荐和故事建议、更好的预防保健、无人驾驶汽车——今天，所有这些都是可能的。在深度学习的帮助下，人工智能甚至可能达到人类长期以来所想象的科幻状态。

工业技术