AI、人工智能和机器学习有什么区别

人工智能，机器学习和深度学习 – 这些术语重叠并容易混淆，所以让我们从一些简短的定义开始。

AI意味着让计算机以某种方式模仿人类行为。

机器学习 是 AI 的一个子集，它包含的技术使计算机能够从数据中解决问题并提供 AI 应用程序。

与此同时，深度学习 是机器学习的一个子集，它使计算机能够解决更复杂的问题。

这些描述是正确的，但它们有点简洁。我想探索这些领域，并提供更多背景知识。

什么是 AI?

人工智能作为一门学科建立于 1956 年。现在的目标是让计算机执行被视为独特人类的任务：需要智慧的事物。最初，研究人员致力于解决诸如玩跳棋和解决逻辑问题等问题。

如果你查看其中一个跳棋程序的输出，你可以看到这些动作背后的某种形式的“人工智能”，特别是当计算机击败你时。早期的成功使得第一批研究人员对人工智能的可能性表现出几乎无限的热情，只与他们错误判断某些问题的严重程度相匹配。

然后，人工智能 指的是计算机的输出。计算机正在做一些聪明的事情，因此它展示了人为的智能。

AI 这个术语没有说明如何解决这些问题。有许多不同的技术，包括基于规则或专家系统。一类技术在 20 世纪 80 年代开始得到更广泛的应用：机器学习。

什么是机器学习?

那些早期研究人员发现一些问题要困难得多的原因是这些问题根本不适合用于人工智能的早期技术。硬编码算法或固定的，基于规则的系统对图像识别或从文本中提取含义等问题的效果不佳。

解决方案不仅模仿人类行为(AI)，而且模仿人类的学习方式。想想你是如何学习阅读的。在拿起第一本书之前，你没有学过拼写和语法。你读了简单的书，随着时间的推移逐渐变成更复杂的书。你实际上从阅读中学到了拼写和语法的规则(和例外)。换句话说，您处理了大量数据并从中学习。

这正是机器学习的想法。给一个算法 (而不是你的大脑) 提供大量数据并让它解决问题。为算法提供大量有关金融交易的数据，告诉它哪些是欺诈性的，并让它找出表明欺诈的内容，以便预测未来的欺诈行为。或者提供有关您的客户群的信息，并让它弄清楚如何最好地细分它们。了解更多有关 此机器学习技术。

随着这些算法的发展，它们可以解决许多问题。但人类发现容易的一些东西 (如语音或手写识别) 对机器来说仍然很难。然而，如果机器学习是模仿人类学习的方式，那么为什么不一直走模仿人类大脑呢? 这就是神经网络背后的想法。

使用人工神经元 (神经元，通过突触连接，是你大脑中的主要元素) 的想法已经存在了一段时间。在软件中模拟的神经网络开始用于某些问题。他们表现出很多希望，可以解决其他算法无法解决的一些复杂问题。

但机器学习仍然困扰着小学生轻松应对的许多事情：这张照片中有多少只狗，或者它们真的是狼? 走到那边，给我带来成熟的香蕉。是什么让书中的这个角色哭得那么厉害?

事实证明，问题不在于机器学习的概念。甚至是模仿人类大脑的想法。只是简单的神经网络具有 100s 甚至 1000s 的神经元，以相对简单的方式连接，只是无法复制人类大脑可以做的事情。如果你想一想，这应该不足为奇; 人脑拥有大约 860 亿个神经元和非常复杂的互连。

什么是深度学习?

简而言之，深度学习就是使用具有更多神经元，层和互连的神经网络。我们在模仿人类大脑的复杂性方面还有很长的路要走，但我们正朝着这个方向前进。

当你读到从自动驾驶汽车到 Go-playing 超级计算机到语音识别的计算方面的进展时，这就是深入学习的问题。你会遇到某种形式的人工智能。在幕后，人工智能由某种形式的深度学习提供动力。

让我们看看几个问题，看看深度学习与简单的神经网络或其他形式的机器学习有何不同。

深度学习如何运作

如果我给你马的图像，你会认出它们是马，即使你以前从未见过这种图像。如果这匹马躺在沙发上，或者像万圣节那样打扮成河马，这并不重要。你可以识别一匹马，因为你知道定义一匹马的各种元素：它的形状，腿的数量和位置等等。

深度学习可以做到这一点。这对包括自动驾驶汽车在内的很多事情都很重要。在汽车确定下一步行动之前，它需要知道它周围的情况。它必须能够识别人，自行车，其他车辆，道路标志等。在充满挑战的视觉环境中这样做。标准的机器学习技术不能做到这一点。