? ? ? ? ? ? ? ? ? ? ? ? 人工智能净捅、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別和聯(lián)系

?姓名：余玥 ? ? ? 學(xué)號：16010188033

?轉(zhuǎn)載自http://tech.163.com/16/0907/07/C0BHQND400097U80.html瓮栗，有刪節(jié)袍榆。

【嵌牛導(dǎo)讀】：人工智能的浪潮正在席卷全球廉羔，諸多詞匯時刻縈繞在我們耳邊：人工智能（Artificial Intelligence）溉痢、機(jī)器學(xué)習(xí)（Machine Learning）、深度學(xué)習(xí)（Deep Learning）憋他。不少人對這些高頻詞匯的含義及其背后的關(guān)系總是似懂非懂孩饼、一知半解。為了幫助大家更好地理解人工智能举瑰，這篇文章用最簡單的語言解釋了這些詞匯的含義捣辆，理清它們之間的關(guān)系。

【嵌牛鼻子】：AI/機(jī)器學(xué)習(xí)/深度學(xué)習(xí)

【嵌牛提問】：AI此迅、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別是什么汽畴？聯(lián)系是什么？

【嵌牛正文】：

有人說耸序，人工智能（AI）是未來忍些，人工智能是科幻，人工智能也是我們?nèi)粘Ｉ钪械囊徊糠挚补帧＿@些評價可以說都是正確的罢坝，就看你指的是哪一種人工智能。

今年早些時候搅窿，Google DeepMind的AlphaGo打敗了韓國的圍棋大師李世乭九段嘁酿。在媒體描述DeepMind勝利的時候，將人工智能（AI）男应、機(jī)器學(xué)習(xí)（machine learning）和深度學(xué)習(xí)（deep learning）都用上了闹司。這三者在AlphaGo擊敗李世乭的過程中都起了作用，但它們說的并不是一回事沐飘。

今天我們就用最簡單的方法——同心圓游桩，可視化地展現(xiàn)出它們?nèi)叩年P(guān)系和應(yīng)用牲迫。

如上圖，人工智能是最早出現(xiàn)的借卧，也是最大盹憎、最外側(cè)的同心圓；其次是機(jī)器學(xué)習(xí)铐刘，稍晚一點陪每；最內(nèi)側(cè)，是深度學(xué)習(xí)滨达，當(dāng)今人工智能大爆炸的核心驅(qū)動奶稠。

五十年代俯艰，人工智能曾一度被極為看好捡遍。之后，人工智能的一些較小的子集發(fā)展了起來竹握。先是機(jī)器學(xué)習(xí)画株，然后是深度學(xué)習(xí)。深度學(xué)習(xí)又是機(jī)器學(xué)習(xí)的子集啦辐。深度學(xué)習(xí)造成了前所未有的巨大的影響谓传。

|從概念的提出到走向繁榮

1956年，幾個計算機(jī)科學(xué)家相聚在達(dá)特茅斯會議（Dartmouth Conferences）芹关，提出了“人工智能”的概念续挟。其后，人工智能就一直縈繞于人們的腦海之中侥衬，并在科研實驗室中慢慢孵化诗祸。之后的幾十年，人工智能一直在兩極反轉(zhuǎn)轴总，或被稱作人類文明耀眼未來的預(yù)言直颅；或者被當(dāng)成技術(shù)瘋子的狂想扔到垃圾堆里。坦白說怀樟，直到2012年之前功偿，這兩種聲音還在同時存在。

過去幾年往堡，尤其是2015年以來械荷，人工智能開始大爆發(fā)。很大一部分是由于GPU的廣泛應(yīng)用虑灰，使得并行計算變得更快吨瞎、更便宜、更有效瘩缆。當(dāng)然关拒，無限拓展的存儲能力和驟然爆發(fā)的數(shù)據(jù)洪流（大數(shù)據(jù)）的組合拳，也使得圖像數(shù)據(jù)、文本數(shù)據(jù)着绊、交易數(shù)據(jù)谐算、映射數(shù)據(jù)全面海量爆發(fā)。

讓我們慢慢梳理一下計算機(jī)科學(xué)家們是如何將人工智能從最早的一點點苗頭归露，發(fā)展到能夠支撐那些每天被數(shù)億用戶使用的應(yīng)用的洲脂。

|人工智能（Artificial Intelligence）——為機(jī)器賦予人的智能

早在1956年夏天那次會議，人工智能的先驅(qū)們就夢想著用當(dāng)時剛剛出現(xiàn)的計算機(jī)來構(gòu)造復(fù)雜的剧包、擁有與人類智慧同樣本質(zhì)特性的機(jī)器恐锦。這就是我們現(xiàn)在所說的“強(qiáng)人工智能”（General AI）。這個無所不能的機(jī)器疆液，它有著我們所有的感知（甚至比人更多）一铅，我們所有的理性，可以像我們一樣思考堕油。

人們在電影里也總是看到這樣的機(jī)器：友好的潘飘，像星球大戰(zhàn)中的C-3PO；邪惡的掉缺，如終結(jié)者卜录。強(qiáng)人工智能現(xiàn)在還只存在于電影和科幻小說中，原因不難理解眶明，我們還沒法實現(xiàn)它們艰毒，至少目前還不行。

我們目前能實現(xiàn)的搜囱，一般被稱為“弱人工智能”（Narrow AI）丑瞧。弱人工智能是能夠與人一樣，甚至比人更好地執(zhí)行特定任務(wù)的技術(shù)犬辰。例如嗦篱，Pinterest上的圖像分類；或者Facebook的人臉識別幌缝。

這些是弱人工智能在實踐中的例子灸促。這些技術(shù)實現(xiàn)的是人類智能的一些具體的局部。但它們是如何實現(xiàn)的涵卵？這種智能是從何而來浴栽？這就帶我們來到同心圓的里面一層，機(jī)器學(xué)習(xí)轿偎。

|機(jī)器學(xué)習(xí)—— 一種實現(xiàn)人工智能的方法

機(jī)器學(xué)習(xí)最基本的做法典鸡，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)坏晦，然后對真實世界中的事件做出決策和預(yù)測萝玷。與傳統(tǒng)的為解決特定任務(wù)嫁乘、硬編碼的軟件程序不同，機(jī)器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”球碉，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)蜓斧。

機(jī)器學(xué)習(xí)直接來源于早期的人工智能領(lǐng)域。傳統(tǒng)算法包括決策樹學(xué)習(xí)睁冬、推導(dǎo)邏輯規(guī)劃挎春、聚類审洞、強(qiáng)化學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等等东且。眾所周知查吊，我們還沒有實現(xiàn)強(qiáng)人工智能精刷。早期機(jī)器學(xué)習(xí)方法甚至都無法實現(xiàn)弱人工智能。

機(jī)器學(xué)習(xí)最成功的應(yīng)用領(lǐng)域是計算機(jī)視覺息堂，雖然也還是需要大量的手工編碼來完成工作屎媳。人們需要手工編寫分類器尼酿、邊緣檢測濾波器拾积，以便讓程序能識別物體從哪里開始殉挽，到哪里結(jié)束丰涉；寫形狀檢測程序來判斷檢測對象是不是有八條邊拓巧；寫分類器來識別字母“ST-O-P”。使用以上這些手工編寫的分類器一死，人們總算可以開發(fā)算法來感知圖像肛度，判斷圖像是不是一個停止標(biāo)志牌。

這個結(jié)果還算不錯投慈，但并不是那種能讓人為之一振的成功承耿。特別是遇到云霧天，標(biāo)志牌變得不是那么清晰可見伪煤，又或者被樹遮擋一部分加袋，算法就難以成功了。這就是為什么前一段時間抱既，計算機(jī)視覺的性能一直無法接近到人的能力职烧。它太僵化，太容易受環(huán)境條件的干擾防泵。

隨著時間的推進(jìn)蚀之，學(xué)習(xí)算法的發(fā)展改變了一切。

|深度學(xué)習(xí)——一種實現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）是早期機(jī)器學(xué)習(xí)中的一個重要的算法捷泞，歷經(jīng)數(shù)十年風(fēng)風(fēng)雨雨足删。神經(jīng)網(wǎng)絡(luò)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同锁右，人工神經(jīng)網(wǎng)絡(luò)具有離散的層失受、連接和數(shù)據(jù)傳播的方向讶泰。

例如，我們可以把一幅圖像切分成圖像塊拂到，輸入到神經(jīng)網(wǎng)絡(luò)的第一層峻厚。在第一層的每一個神經(jīng)元都把數(shù)據(jù)傳遞到第二層。第二層的神經(jīng)元也是完成類似的工作谆焊，把數(shù)據(jù)傳遞到第三層惠桃，以此類推，直到最后一層辖试，然后生成結(jié)果辜王。

每一個神經(jīng)元都為它的輸入分配權(quán)重，這個權(quán)重的正確與否與其執(zhí)行的任務(wù)直接相關(guān)罐孝。最終的輸出由這些權(quán)重加總來決定呐馆。

我們?nèi)砸酝Ｖ梗⊿top）標(biāo)志牌為例。將一個停止標(biāo)志牌圖像的所有元素都打碎莲兢，然后用神經(jīng)元進(jìn)行“檢查”：八邊形的外形汹来、救火車般的紅顏色、鮮明突出的字母改艇、交通標(biāo)志的典型尺寸和靜止不動運動特性等等收班。神經(jīng)網(wǎng)絡(luò)的任務(wù)就是給出結(jié)論，它到底是不是一個停止標(biāo)志牌谒兄。神經(jīng)網(wǎng)絡(luò)會根據(jù)所有權(quán)重摔桦，給出一個經(jīng)過深思熟慮的猜測——“概率向量”。

這個例子里承疲，系統(tǒng)可能會給出這樣的結(jié)果：86%可能是一個停止標(biāo)志牌邻耕；7%的可能是一個限速標(biāo)志牌；5%的可能是一個風(fēng)箏掛在樹上等等燕鸽。然后網(wǎng)絡(luò)結(jié)構(gòu)告知神經(jīng)網(wǎng)絡(luò)兄世，它的結(jié)論是否正確。

即使是這個例子啊研，也算是比較超前了御滩。直到前不久，神經(jīng)網(wǎng)絡(luò)也還是為人工智能圈所淡忘悲伶。其實在人工智能出現(xiàn)的早期艾恼，神經(jīng)網(wǎng)絡(luò)就已經(jīng)存在了，但神經(jīng)網(wǎng)絡(luò)對于“智能”的貢獻(xiàn)微乎其微麸锉。主要問題是钠绍，即使是最基本的神經(jīng)網(wǎng)絡(luò)，也需要大量的運算花沉。神經(jīng)網(wǎng)絡(luò)算法的運算需求難以得到滿足柳爽。

不過媳握，還是有一些虔誠的研究團(tuán)隊，以多倫多大學(xué)的Geoffrey Hinton為代表磷脯，堅持研究蛾找，實現(xiàn)了以超算為目標(biāo)的并行算法的運行與概念證明。但也直到GPU得到廣泛應(yīng)用赵誓，這些努力才見到成效打毛。

我們回過頭來看這個停止標(biāo)志識別的例子。神經(jīng)網(wǎng)絡(luò)是調(diào)制俩功、訓(xùn)練出來的幻枉，時不時還是很容易出錯的。它最需要的诡蜓，就是訓(xùn)練熬甫。需要成百上千甚至幾百萬張圖像來訓(xùn)練，直到神經(jīng)元的輸入的權(quán)值都被調(diào)制得十分精確蔓罚，無論是否有霧椿肩，晴天還是雨天，每次都能得到正確的結(jié)果豺谈。

只有這個時候郑象，我們才可以說神經(jīng)網(wǎng)絡(luò)成功地自學(xué)習(xí)到一個停止標(biāo)志的樣子；或者在Facebook的應(yīng)用里核无，神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)了你媽媽的臉扣唱；又或者是2012年吳恩達(dá)（Andrew Ng）教授在Google實現(xiàn)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到貓的樣子等等。

吳教授的突破在于团南，把這些神經(jīng)網(wǎng)絡(luò)從基礎(chǔ)上顯著地增大了。層數(shù)非常多炼彪，神經(jīng)元也非常多吐根，然后給系統(tǒng)輸入海量的數(shù)據(jù)，來訓(xùn)練網(wǎng)絡(luò)辐马。在吳教授這里拷橘，數(shù)據(jù)是一千萬YouTube視頻中的圖像。吳教授為深度學(xué)習(xí)（deep learning）加入了“深度”（deep）喜爷。這里的“深度”就是說神經(jīng)網(wǎng)絡(luò)中眾多的層冗疮。

現(xiàn)在，經(jīng)過深度學(xué)習(xí)訓(xùn)練的圖像識別檩帐，在一些場景中甚至可以比人做得更好：從識別貓术幔，到辨別血液中癌癥的早期成分，到識別核磁共振成像中的腫瘤湃密。Google的AlphaGo先是學(xué)會了如何下圍棋诅挑，然后與它自己下棋訓(xùn)練四敞。它訓(xùn)練自己神經(jīng)網(wǎng)絡(luò)的方法，就是不斷地與自己下棋拔妥，反復(fù)地下忿危，永不停歇。

|深度學(xué)習(xí)没龙，給人工智能以璀璨的未來

深度學(xué)習(xí)使得機(jī)器學(xué)習(xí)能夠?qū)崿F(xiàn)眾多的應(yīng)用铺厨，并拓展了人工智能的領(lǐng)域范圍。深度學(xué)習(xí)摧枯拉朽般地實現(xiàn)了各種任務(wù)硬纤，使得似乎所有的機(jī)器輔助功能都變?yōu)榭赡芘汀o人駕駛汽車，預(yù)防性醫(yī)療保健咬摇，甚至是更好的電影推薦伐蒂，都近在眼前，或者即將實現(xiàn)肛鹏。

人工智能就在現(xiàn)在逸邦，就在明天。有了深度學(xué)習(xí)在扰，人工智能甚至可以達(dá)到我們暢想的科幻小說一般缕减。你的C-3PO我拿走了，你有你的終結(jié)者就好了芒珠。