除了“人工智能”，我们还常常听到“机器学习”、“深度学习”……

这些术语都是啥意思？它们之间有什么关系呢？

人工智能——Artificial Intelligence

说到人工智能，大家的第一反应可能是科幻电影里那些拥有人类聪慧的机器人，但实际上，人工智能可不仅仅是机器人哦。

人工智能是由约翰·麦卡锡（John McCarthy）于1956年提出来的，当时的定义是“制造智能机器的科学与工程”。

现在的人工智能是指“研究、开拓用于仿照、延伸和扩展人的智能的理论、方法、技能及运用系统的一门新的技能科学”。

听起来有点绕是不是，文档君来总结一下，人工智能便是让机器能够仿照人类的思维能力，让机器能像人一样去感知、思考乃至决策。

时至今日，人工智能已经不再是一门纯挚的学科，而是涉及了打算机、生理学、措辞学、逻辑学、哲学等多个学科的交叉领域。

人工智能看起来是博识的科技，实际上是一个覆盖范围很广的观点。
我们的身边，早就有了各种人工智能，例如：自动驾驶、人脸识别、智能机器人、机器翻译等等。

面对多种多样的人工智能，我们按照人工智能的实力，可将其分成三类：

弱人工智能（Artificial Narrow Intelligence，ANI）

善于于某个方面的人工智能，只能实行特定的任务。
例如，人脸识别系统就只能识别图像，你假如问它来日诰日景象怎么样，它可不知道怎么回答。

强人工智能（Artificial General Intelligence，AGI）

类似于人类级别的人工智能，能够在多个领域表现出类似于人的聪慧，能理解、学习和实行各种任务。
目前，强人工智能尚未实现，仍是人工智能研究的长期目标。

超人工智能（Artificial Superintelligence，ASI）

超越人类聪慧的人工智能，在各个领域都比人类聪明，可以实行任何智力任务并且在许多方面超越人类。
只管超人工智能在科幻作品中常常涌现，但在实际中只是一个理论观点，目前还没有实现的可能。

说到这里，你知道打败围棋天下冠军的AlphaGo属于什么人工智能吗？

机器学习——Machine Learning

前面提到，人工智能的目的是让机器能够像人一样思考并决策，到底如何实现呢？

回忆一下，我们刚出生时基本上什么都不会，经由了几十年的学习，我们学会了各种知识、技能。

机器也是一样的，要让它会思考，就要让它先学习，从履历中总结规律，进而拥有一定的决策和辨别能力，这便是人工智能的核心——机器学习。

机器学习专门研究打算机若何仿照或实现人类的学习行为，通过学习获取新的知识、技能，从而重新组织已有的知识构造，不断改进自身性能。

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、算法繁芜度理论等多门学科。

机器是若何学习的呢？我们先来看一下人的学习过程：

上课：学习理论知识，进行知识输入

总结复习：通过复习，强化理解

梳理知识框架：整理知识，形成体系

课后作业：通过练习，进一步加深理解

每周测验：检讨节制情形

查漏补缺：改进学习方法

期末考试：检讨终极学习成果

机器的学习过程也是类似的，包括以下7个步骤：

数据获取：网络干系的数据

数据处理：对数据进行转换，统一数据格式

模型选择：选择适宜的算法

模型演习：利用数据演习模型，优化算法

模型评估：根据预测结果评估模型性能

模型调度：调度模型参数，优化模型性能

模型预测：对未知结果数据进行预测

简而言之，机器学习便是从数据中通过算法自动归纳逻辑或规则，并根据归纳的结果与新数据来进行预测。

举个例子，如果我们想让打算机看到狗时能判断出是狗，就须要给打算机展示大量狗的图片，同时见告它这便是狗。

经由大量的演习，打算机会总结出一定的规律，当下次看到狗时，捕捉到对应的特色，得出“这是狗”的结论。

如果算法不足完善，可能会把猫误认为狗，这就须要打算机通过履历数据自动改进算法，从而增强预测能力。

按照学习办法，机器学习可分为以下四类：

监督学习

从有标记的数据中学习，即数据中包含自变量和因变量，通过学习已知的输入和输出数据来进行预测，如分类任务和回归任务。

分类任务：预测数据所属的种别，如垃圾邮件检测 、识别动植物种别等。

回归任务：根据先前不雅观察到的数据预测数据，如房价预测，身高体重预测等。

无监督学习

剖析没有标签的数据，即数据中只有自变量没有因变量，创造数据的规律，如聚类、降维等。

聚类：把相似的东西聚在一起，并不关注这类东西是什么，如客户分组。

降维：通过提取特色，将高维数据压缩用低维表示，如将汽车的里程数和利用年限合并为磨损值。

半监督学习

演习数据只有部分有标记，先利用无监督学习对数据进行处理，再用监督学习对模型进行演习和预测。

例如手机可以识别同一个人的照片（无监督学习），当把同一个人的照片打上标签后，之后新增的这个人的照片也会自动加上对应的标签（监督学习）。

强化学习

通过与环境进行交互，根据褒奖或惩罚来优化算法，直到得到最大褒奖，产生最优策略。
例如扫地机器人撞到障碍物后，会优化清扫路径。

深度学习——Deep Learning

通过上面的理解，相信大家对机器学习已经不陌生了。
那么深度学习又是个啥？跟机器学习有什么关系？

深度学习是机器学习领域的一个新的研究方向，是一种通过多层神经网络来学习和理解繁芜数据的算法。

机器通过学习样本数据的深层表示来学习繁芜任务，终极能够像人一样具有剖析学习能力，能够识别笔墨、图像和声音等。

与传统机器学习不同的是，深度学习利用了神经网络构造，神经网络的长度称为模型的“深度”，因此基于神经网络的学习被称为“深度学习”。

神经网络仿照了人类大脑的神经元网络，神经元节点可以对数据进行处理和转换。
通过多层神经网络，数据的特色可以被不断地提取和抽象，从而使机器能更好地办理各种问题。

范例的深度学习算法有以下四种类型：

卷积神经网络（Convolutional Neural Network，CNN）：常用于图像识别和分类任务。

递归神经网络（Recurrent Neural Network，RNN）：适用于处理序列数据，如自然措辞处理。

是非期影象网络（Long Short-Term Memory，LSTM）：一种分外的RNN构造，能够更好地处理长序列数据。

天生对抗网络（Generative Adversarial Network，GAN）：用于天生新的数据，如图像、音频或文本。

在深度学习的加持下，人工智能得以快速发展，相信在不久的将来，我们将拥有一个全新的AI时期。

结束语

有用的知识又增加了，文档君来浅浅总结一下吧：

“人工智能”是一个广泛的观点，目的是让机器像人一样思考和实行任务。

“机器学习”是实现人工智能的一种方法，目的是从数据中学习规律，传统的机器学习须要人工确定数据特色。

“深度学习”是机器学习的一个特定分支，基于神经网络，能够自动学习数据特色。

相信大家通过本日的学习，再也不会傻傻分不清楚了~~

除了本日先容的这三个词，与AI干系的术语还有很多，你还知道哪些呢，欢迎在留言区谈论~~

来源：复兴文档

编辑：7号机

转载内容仅代表作者不雅观点

不代表中科院物理所态度

如需转载请联系原公众号