去年早些时候 Google DeepMind 的 AlphaGo 项目在全球瞩目的围棋比赛中一举击败了韩国选手李世石，媒体便是利用了人工智能、机器学习和深度学习这几个术语，来阐明 DeepMind 得胜的缘故原由，并将它们混为一谈。
但是三者实在不是一回事。

本文借助Michael Copeland的讲解，让我们撩开人工智能、机器学习和深度学习的观点，深入理解它们的关系和差异。
为了搞清三者关系，我们来看一张图：

如图所示：人工智能最大，此观点也最先问世；然后是机器学习，涌现的稍晚；末了才是深度学习。

在之前的文章机器学习的发展进程 一文中，我们详细的先容了机器学习的发展历史。

自从 1956 年打算机科学家们在达特茅斯会议（Dartmouth Conferences）上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，研究职员也在不遗余力地研究。
在此后的几十年间，人工智能先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃。

但是在过去几年中，人工智能涌现了爆炸式的发展，尤其是 2015 年之后。
大部分缘故原由，要归功于图形处理器（GPU）的广泛运用，使得并行处理更快、更便宜、更强大。
其余，人工智能的发展还得益于险些无限的存储空间和海量数据的涌现（大数据运动）：图像、文本、交易数据、舆图数据，搜罗万象。

下面我们从发展的进程中来逐一展开对人工智能、机器学习和深度学习的深度学习。

人工智能先驱们在达特茅斯开会时，心中的梦想是希望通过当时新兴的打算机，打造拥有相称于人类智能的繁芜机器。
这便是我们所说的“通用人工智能”（General AI）观点，拥有人类五感（乃至更多）、推理能力以及人类思维办法的神奇机器。
在电影中我们已经看过无数这样的机器人，对人类友好的 C-3PO，以及人类的仇敌闭幕者。
通用人工智能机器至今只存在 于电影和科幻小说里，情由很大略：我们还实现不了，至少目前为止。

我们力所能及的，算是“弱人工智能”（Narrow AI）：实行特界说务的水平与人类相称，乃至超越人类的技能。
现实中有很多弱人工智能的例子。
这些技能有人类智能的一壁。
但是它们是如何做到的？智能来自哪里？这就涉及到下一个同心圆：机器学习。

机器学习是实现人工智能的一种方法。
机器学习的观点来自早期的人工智能研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。
大略来说，机器学习便是利用算法剖析数据，从中学习并做出推断或预测。
与传统的利用特定指令集手写软件不同，我们利用大量数据和算法来“演习”机器，由此带来机器学习如何完成任务。

许多年来，打算机视觉一贯是机器学习最佳的领用领域之一，只管还须要大量的手动编码才能完成任务。
研究者会手动编写一些分类器（classifier），如边缘检测筛选器，帮助程序辨别物体的边界；图形检测分类器，判断物体是否有八个面；以及识别“S-T-O-P”的分类器。
在这些手动编写的分类器的根本上，他们再开拓用于理解图像的算法，并学习如何判断是否有停滞标志。

但是由于打算机视觉和图像检测技能的滞后，常常随意马虎出错。

深度学习是实现机器学习的一种技能。
早期机器学习研究者中还开拓了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。
神经网络是受人类大脑的启示而来的：神经元之间的相互连接关系。
但是，人类大脑中的神经元可以与特定例模内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。

举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中。
在第一层中做初步打算，然后神经元将数据传至第二层。
由第二层神经元实行任务，依次类推，直到末了一层，然后输出终极的结果。

每个神经元都会给其输入指定一个权重：相对付实行的任务该神经元的精确和缺点程度。
终极的输出由这些权重共同决定。
因此，我们再来看看上面提到的停滞标志示例。
一张停滞标志图像的属性，被逐一细分，然后被神经元“检讨”：形状、颜色、字符、标志大小和是否运动。
神经网络的任务是判断这是否是一个停滞标志。
它将给出一个“概率向量”（probability vector），这实在是基于权重做出的预测结果。
在本文的示例中，系统可能会有 86% 的把握认定图像是一个停滞标志，7% 的把握认为是一个限速标志，等等。
网络架构然后会奉告神经网络其判断是否精确。

不过，问题在于纵然是最根本的神经网络也要耗费巨大的打算资源，因此当时不算是一个可行的方法。
不过，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采取这种方法，终极让超级打算机能够并行实行该算法，并证明该算法的浸染。
如果我们回到停滞标志那个例子，很有可能神经网络受演习的影响，会常常给出错误的答案。
这解释还须要不断的演习。
它须要成千上万张图片，乃至数百万张图片来演习，直到神经元输入的权重调度到非常精确，险些每次都能够给出精确答案。
不过值得光彩的是Facebook 利用神经网络记住了你母亲的面孔；吴恩达 2012 年在谷歌实现了可以识别猫的神经网络。

如今，在某些情形下，通过深度学习演习过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等。
谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的演习：不断的和自己比赛。

人工智能的根本在于智能，而机器学习则是支配支持人工智能的打算方法。
大略的将，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上造诣了人工智能。