你们长得太像了！但又不一样！

科技时代，我们更加怀念温暖邂逅的时光

后台回复“想要”，得到近期有温度的推荐

全文共2876字，预计阅读时长3分钟

人工智能、机器学习、深度学习……你是不是已经被这些名词搞晕了？究竟他们到底在说什么，他们之间有什么关系，今天这篇文章绝对让你了解透彻。

要搞清它们的关系，最直观的表述方式就是同心圆，最先出现的是人工智能，然后是机器学习，当机器学习繁荣之后就出现了深度学习，今天的AI大爆发是由深度学习驱动的。

AI：让机器展现出人类智力

别看现在人工智能在业界是炙手可热，所有的互联网公司以及各路大迦们纷纷表态AI将是下一个时代的革命性技术，可与互联网、移动互联网时代的变更相媲美，要知道在2012年以前，大部分人对它持否定态度，甚至认为它是技术垃圾，只是一个轻率的概念，是没有好下场的。

直到AlphaGo在围棋领域战胜人类最顶尖的棋手，让大众第一次直观认知到了AI的威力和强大，于是大家都不禁在思考到底什么是人工智能， 它将带给人类一个什么样的变化和未来?

让我们回到1956年夏天，在达特茅斯会议上，计算机科学家首次提出了“AI”术语之时，就设想是否有一天机器可以像人一样拥有意识(consciousness)、自我（Self)和心智（Mind)，随着计算机工业和科学的飞速发展，曾经的幻想和遥不可及的设想已经可以看到变成现实的曙光。

那人工智能到底是什么呢？

上图展示了人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。

说到底，人工智能就是学会人脑一样的思考、分析、推理和学习，具备人类相应的智商和独立思考能力；进而可能具备自我迭代和进化能力，帮助人类共同进行进化，极大提升目前人类社会的智能化程度。

AI先驱的梦想是建造一台复杂的机器（让当时刚出现的计算机驱动），然后让机器呈现出人类智力的特征。

这一概念就是我们所说的“强人工智能（General AI）”，也就是打造一台超棒的机器，让它拥有人类的所有感知，甚至还可以超越人类感知，它可以像人一样思考。在电影中我们经常会看到这种机器，比如 C-3PO、终结者。

还有一个概念是“弱人工智能（Narrow AI）”。简单来讲，“弱人工智能”可以像人类一样完成某些具体任务，有可能比人类做得更好，例如，Pinterest服务用AI给图片分类，Facebook用AI识别脸部，这就是“弱人工智能”。

人工智能究竟是怎样实现的？这些智力来自何处？带着问题我们深入理解，就来到下一个圆圈，它就是机器学习。

机器学习：抵达AI目标的一条路径

大体来讲，机器学习就是用算法真正解析数据，不断学习，然后对世界中发生的事做出判断和预测。此时，研究人员不会亲手编写软件、确定特殊指令集、然后让程序完成特殊任务，相反，研究人员会用大量数据和算法“训练”机器，让机器学会如何执行任务。

举个简单的例子，当我们网购时，经常会出现商品推荐的信息，这是网站根据你往期的购物记录和冗长的收藏清单，识别出这其中哪些是你真正感兴趣，并且愿意购买的产品。这样的决策模型，可以帮助商城为客户提供建议并鼓励产品消费。

机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。

上图为决策树学习方法

上图为贝叶斯网络学习方法

传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。

深度学习：一种实现机器学习的技术

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。它模仿人脑的机制来解释数据，例如图像，声音和文本。

深度学习的概念源于人工神经网络的研究。它也是早期机器学习专家提出的，存在已经几十年了。神经网络的构想源自于我们对人类大脑的理解——神经元的彼此联系。

深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。晦涩难懂的概念，略微有些难以理解，但是在其高冷的背后，却有深远的应用场景和未来。

深度学习是实现机器学习的一种方式和一条路径。其核心是模拟和学习人类大脑的神经元工作方式，使用独立的层、连接，还有数据传播方向。比如最近大火的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能，让机器认知过程逐层进行，逐步抽象，从而大幅度提升识别的准确性和效率。

这时神经网络就可以自己“教”自己，搞清停止标志的到底是怎样的；它还可以识别Facebook的人脸图像，可以识别猫——吴恩达（Andrew Ng）2012年在谷歌做的事情就是让神经网络识别猫。

吴恩达的突破之处在于：让神经网络变得无比巨大，不断增加层数和神经元数量，让系统运行大量数据，训练它。吴恩达的项目从1000万段YouTube视频调用图片，他真正让深度学习有了“深度”。

到了今天，在某些场景中，经过深度学习技术训练的机器在识别图像时比人类更好，比如识别猫、识别血液中的癌细胞特征、识别MRI扫描图片中的肿瘤。谷歌AlphaGo学习围棋，它自己与自己不断下围棋并从中学习。

目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。

深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：

1. 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；

2. 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法；

3. 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟。举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。

读芯君开扒

因为有了是深度学习，机器学习才有了很多实际的应用，而且拓展了人工智能的整体范围。AI既是现在，也是未来。有了深度学习的帮助，也许到了某一天AI会达到科幻小说描述的水平，这正是我们期待已久的。

纵观机器学习发展历程，在此领域的研究热点可以简单总结为三个阶段：2000至2006年的流形学习、2006年至2011年的稀疏学习、2012年至今的深度学习。

我们现在争论哪种机器学习方法会一家独大甚至是取代其他的方法显然是不明智的。不同的学习方法适应着不同的科技发展阶段，每个阶段又会继续产生和发展不同的学习方法，彼此相互作用共同推进科技的进步。

深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。但最终机器学习的下一个热点是什么，谁又能说得准呢。

深度学习大佬 Yoshua Bengio 有一段话讲得好：“科学不是战争而是合作，任何学科的发展从来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。机器学习的研究也是一样，你死我活那是邪教，开放包容才是正道。”

留言 点赞 发个朋友圈

我们一起探讨AI落地的最后一公里

作者：二岳初

参考文献链接：

https://www.zhihu.com/question/57770020

http://blog.csdn.net/dukai392/article/details/70271574

如需转载，请后台留言，遵守转载规范

推荐文章阅读

长按识别二维码可添加关注

读芯君爱你