深度學習和人工智慧之間是什麼樣的關係？

01-05

請從本質上談，兩者本質上都是做什麼的，區別和聯繫是什麼？還有深度學習和機器學習是一回事嗎？

蟹妖。

1. 深度學習與AI。本質上來講，人工智慧相比深度學習是更寬泛的概念。人工智慧現階段分為弱人工智慧和強人工智慧，實際上當下科技能實現的所謂「人工智慧」都是弱AI，奧創那種才是強AI（甚至是boss級的）。而深度學習，是AI中的一種技術或思想，曾被MIT技術評論列為2013年十大突破性技術（Deep Learning居首）。或者換句話說，深度學習這種技術（我更喜歡稱其為一種思想，即end-to-end）說不定就是實現未來強AI的突破口。

2. 深度學習與ML。DL與ML兩者其實有著某種微妙的關係。在DL還沒有火起來的時候，它是以ML中的神經網略學習演算法存在的，隨著計算資源和big data的興起，神經網路搖身一變成了如今的DL。學界對DL一般有兩種看法，一種是將其視作feature extractor，僅僅用起提取powerful feature；而另一種則希望將其發展成一個新的學習分支，也就是我上面說的end-to-end的「深度學習的思想」。

本文內容來自於矽谷投資人Lake Dai，LDV Partners合伙人。嚴肅編輯整理。

人工智慧(Artificial Intelligence)是一個最廣泛的概念，人工智慧的目的就是讓計算機這台機器能夠象人一樣思考，而機器學習(Machine Learning)是人工智慧的分支，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，使之不斷改善自身的性能。

深度學習(Deep Learning)是一種機器學習的方法，它試圖使用包含複雜結構或由多重非線性變換構成的多個處理層（神經網路）對數據進行高層抽象的演算法。

神經網路是一組大致模仿人類大腦構造設計的演算法，用於識別模式。神經網路通過機器感知系統解釋感測器數據，能夠對原始輸入進行標記或聚類等操作。神經網路所能識別的模式是數值形式，因此圖像、聲音、文本、時間序列等一切現實世界的數據必須轉換為數值。

在深度學習網路中，每一個節點層在前一層輸出的基礎上學習識別一組特定的特徵。隨著神經網路深度增加，節點所能識別的特徵也就越來越複雜，因為每一層會整合併重組前一層的特徵。

（Why Deep Learning Is Suddenly Changing Your Life）

上圖顯示了一個神經網路用於判定一個圖片是不是一條狗的過程，輸入是圖片，通過深層神經網路對狗的低層特徵進行抽象，最後輸出是圖片是狗的概率。

深度學習的過程同樣是分為訓練和推理（既「評估」）兩個過程，通過訓練過程來獲得數據模型，然後用於評估新的數據。

數據模型分為兩種，一種是所謂判別模型(Discriminative Model)，也就是說模型可以直接用來判別事物的。這裡所說的判別事物，最典型的就是做分類。既然直接可以用來分類，也就是說我們可以在已知屬性的條件下，對該記錄進行判斷。所以，判別模型是對條件概率進行的建模，也就是p(Y|X)。這裡X就是屬性集合，實際上就是一個向量；而Y則可能是一個值（此時對應分類問題），可能是一個向量（此時對應序列標註問題）。判別模型常用於處理分類問題（比如鑒定垃圾郵件）、圖像識別等等。

再說一說生成模型(Generative Model)。生成模型可以描述數據的生成過程。換句話說，已知了這個模型，我們就可以產生該模型描述的數據。而數據由兩部分組成，也就是(X,Y)，前者是特徵，後者則是類別(Y是標量)或者序列類別(Y是向量)。要描述整個數據，也就是要對p(X,Y)進行建模，所以是對聯合概率進行建模。生成模型本身不是做分類或者序列標註的，但是可以用來解決這些問題，也可以用於生成式問題，比如聊天機器人、比如AI譜曲等問題。

而機器學習可以分成下面幾種類別：

監督學習從給定的訓練數據集中學習出一個函數，當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求是包括輸入和輸出，也可以說是特徵和目標。訓練數據中的目標是由人標註的。常見的監督學習演算法包括回歸分析和統計分類。
無監督學習與監督學習相比，訓練集沒有人為標註的結果。常見的無監督學習演算法有聚類。
半監督學習介於監督學習與無監督學習之間。它主要考慮如何利用少量的標註樣本和大量的未標註樣本進行訓練和分類的問題。。
增強學習通過觀察來學習做成如何的動作。每個動作都會對環境有所影響，學習對象根據觀察到的周圍環境的反饋來做出判斷。

在傳統的機器學習領域，監督學習最大的問題是訓練數據標註成本比較高，而無監督學習應用範圍有限。利用少量的訓練樣本和大量無標註數據的半監督學習一直是機器學習的研究重點。

當前非常流行的深度學習GAN模型和半監督學習的思路有相通之處，GAN是「生成對抗網路」（Generative Adversarial Networks）的簡稱，包括了一個生成模型G和一個判別模型D，GAN的目標函數是關於D與G的一個零和遊戲，也是一個最小-最大化問題。

GAN實際上就是生成模型和判別模型之間的一個模仿遊戲。生成模型的目的，就是要盡量去模仿、建模和學習真實數據的分布規律；而判別模型則是要判別自己所得到的一個輸入數據，究竟是來自於真實的數據分布還是來自於一個生成模型。通過這兩個內部模型之間不斷的競爭，從而提高兩個模型的生成能力和判別能力。

（圖片來自Nvidia Deep Learning Training Workshop）

目前主流的深度學習框架:

Caffe 由Berkeley提出
TensorFlow 由Google提出 (Apache 2.0)
Torch (BSD License), facebook是主要使用者
MXNet 一個相對中立的機器學習框架(Apache 2.0), 被Amazon AWS使用
CNTK2 由Microsoft提出 (MIT License)

人工智慧在各個行業的公司分布

（圖片來源 Shivon Zilis - Machine Intelligence）

目前人工智慧在各個領域的初創公司數量（2016年的數據）：

Deep learning/機器學習（通用）(123家公司)
Deep learning/機器學習 (應用) (260家公司)
NLP (通用) (154家公司)
NLP (語音識別) (78家公司)
計算機視覺/圖像識別 (通用) (106家公司)
計算機視覺/圖像識別 (應用) (83 家公司)
手勢控制 (33 家公司)
虛擬個人助理 (92 家公司)
智能機器人 (65 家公司)
推薦系統 (60 家公司)
Context aware computing (28 家公司)
語音即時翻譯 (15 家公司)
視頻識別 (14 家公司)
---------------------------------------------
最後歡迎關注 @矽谷密探，緊盯全球創新趨勢~

謝邀。

你可以這樣理解，人工智慧是一個嬰兒的大腦，而深度學習就是讓這個嬰兒的大腦又能力看世界、聽世界、感受世界。直觀的說，深度學習只是服務於人工智慧一個工具（也許若干年後，一種全新的工具可以代替深度學習實現人工智慧），把這個工具用在語音識別領域，就能讓機器更會聽；把他用在了計算機視覺領域，就能讓機器更會看。

深度學習的本質就是各種神經網路，從最早最簡單的感知機，再到多層神經網路，再到現在很火的CNN、RNN，其目的都是構建一個合適的神經網路結構，讓機器有能力「自己思考」——我們也稱之為「智能」。

關於機器學習，它是比深度學習更為廣泛的概念，發展的也比較早。在人工智慧屆有一種說法：認為機器學習是人工智慧領域中最能夠體現智能的一個分支。從歷史上看，機器學習似乎也是人工智慧中發展最快的分支之一。機器學習發展早期，限於計算機計算能力、樣本量等因素，很多演算法無法實現。而近些年來，計算機的計算能力和存儲能力都有了很大的提高，數據發掘引領了大數據時代的到來，使得原來複雜度很高的演算法能夠實現，得到的結果也更為精細。理論上，只要計算機計算能力足夠強、樣本數據量足夠大，就可以不斷增加神經網路的層數以及改變神經網路的結構，這就是「深度學習」，在理論和技術上，並沒有太多的創新。只是深度學習代表了機器學習的新方向，同時也推動了機器學習的發展。

以上。

謝邀

深度學習是人工智慧的基礎，人工智慧是深度學習的目的

機器學習包括深度學習

深度學習其實就是要讓機器能向人類智能發展，甚至超越人類智能。人類可以由他人教導以學習知識，也可以通過自學來學習知識。深度學習，更加像人類的」自學「

你要說本質上兩者都是幹什麼的，很簡單。人類想要開發出無限智能的人工替代品，它可以做任何事情

很顯然，兩者的關係就如圖中所示：人工智慧是最早出現的，也是範圍最大的；其次是機器學習，稍晚一點範圍相對較小；深度學習，是出現最晚的，範圍最小的，也是當今人工智慧大爆炸的核心驅動。

五十年代，人工智慧曾一度被極為看好，之後，人工智慧就迅速的發展起來。先是機器學習，然後是深度學習。深度學習又是機器學習的子集。深度學習造成了前所未有的巨大的影響。

1956年，首次提出了「人工智慧」的概念。其後，人工智慧就一直縈繞於人們的腦海之中，並在科研實驗室中慢慢孵化。尤其是2015年以來，人工智慧開始大爆發。很大一部分是由於GPU的廣泛應用，使得並行計算變得更快、更便宜、更有效。當然，無限拓展的存儲能力和大數據的組合，也使得圖像數據、文本數據、交易數據、映射數據全面海量爆發。

人工智慧——為機器賦予人的智能

1956年夏，人工智慧的先驅們就用當時剛剛出現的計算機來構造複雜的、擁有與人類智慧同樣本質特性的機器。這就是我們現在所說的「強人工智慧」。這個無所不能的機器，它有著我們所有的感知、理性，可以像我們一樣思考。

強人工智慧現在還只存在於電影和科幻小說中，原因不難理解，我們還沒法實現它們，至少目前還不行。我們目前能實現的，一般被稱為「弱人工智慧」（Narrow AI）。弱人工智慧是能夠與人一樣，甚至比人更好地執行特定任務的技術。如，圖像分類、人臉識別。

機器學習—— 一種實現人工智慧的方法

機器學習最基本的做法，是使用演算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟體程序不同，機器學習是用大量的數據來「訓練」，通過各種演算法從數據中學習如何完成任務。

機器學習直接來源於早期的人工智慧領域。傳統演算法包括決策樹學習、推導邏輯規劃、聚類、強化學習和貝葉斯網路等等。早期機器學習方法甚至都無法實現弱人工智慧。

機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器、邊緣檢測濾波器，以便讓程序能識別物體從哪裡開始，到哪裡結束；寫形狀檢測程序來判斷檢測對象是不是有八條邊；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，人們總算可以開發演算法來感知圖像，判斷圖像是不是一個停止標誌牌。

這個結果還算不錯，但並不是那種能讓人為之一振的成功。遇到特殊天氣或是特殊情況，演算法就難以成功了。它太僵化，太容易受環境條件的干擾，所以計算機視覺的性能一直無法接近到人的能力。

深度學習是個工具，人工智慧是個結果

也就是說（1）人工智慧不是非要用深度學習來實現，它也有其他多種多樣的演算法來做。

而（2）深度學習也不是只能去做人工智慧的工作

只不過目前深度學習在一些領域裡表現的最佳，所以就總提到它

但是：深度學習=/=人工智慧

當然，還有一類包含與被包含的理解，其實兩種理解都是可以成立的

如上面的圖所示，具體兩者是什麼關係，取決於你選擇什麼分類法

如今其實人工智慧是個很飄渺的定義，學術界目前也不是很好界定這東西的邊界到底在哪裡

因為其實很多機器學習的問題都可以算成人工智慧

但是如今處理方式，是把大問題拆成小問題、子問題

所以才會分出更多的學科來：比如有自然語言處理（NLP）、計算機視覺（CV）。

上面的學科，是需要用到機器學習，乃至深度學習的有關知識

但是也會使用學科內部所特有的概念來解決問題。

如果你非要籠統的跟別人介紹，這些其實都規划到人工智慧也未嘗不可。

但是真正學術界的人自己心裡很清楚，每一個問題都會有自己很大一個領域，很多的課題需要去研究，遠飛一個「人工智慧」就可以解釋的清楚的

人工智慧是終極目標，機器學習是實現人工智慧的一種方法，人工神經網路是機器學習中的一類演算法，深度學習就是其中一種神經網路演算法。

人工智慧，作為計算機科學的一個分支。

從1956年夏季麥卡賽、明斯基、羅切斯特和申農等一批有遠見卓識的年輕科學家首次提出，到2006年機器學習泰斗Geoffrey Hinton和他的學生RuslanSalakhutdinov在《科學》上發表了一篇開啟深度學習在學術界和工業界浪潮的文章，50多年時間，無數科學家提出了很多機器學習的演算法，試圖讓計算機具備與人一樣的智力水平，但直到2006年深度學習演算法的成功，才帶來了一絲解決的希望。

過去的十年，從谷歌大腦項目到百度深度學習研究院，從國家4部委聯合制定《「互聯網+」人工智慧三年行動實施方案》到教育部門論證「智能科學與技術」作為一級學科，人工智慧從頂層設計到大眾普及教育均實現了爆炸式發展。這主要得益於3個方面：

1. 深度學習演算法大大提升了人工智慧在語音、圖像處理等應用層面的準確度；

2. 存儲設備的容量變得越來越大，獲取海量數據（無論是圖片、文字、交易信息，還是地圖數據）的成本越來越低；

3. GPU的發展使並行計算變得速度更快、成本更低、性能更強大。

當前的計算機科學領域，人工智慧、機器學習、深度學習是大家經常提到的詞，但它們之間的關係是什麼呢？

人工智慧是應用範疇的辭彙，機器學習是一種實現人工智慧的方法，深度學習是機器學習的子類，也是現有機器學習方法中，最奏效的一類。我們就用最簡單的方法——同心圓，可視化地展現出它們三者的關係和應用。

機器學習應用最成功的領域是計算機視覺，包括人臉識別、指紋識別、圖像檢索、目標跟蹤等。隨著信息技術和智能技術的飛速發展，全球視覺數據正在呈現爆炸式增長，而視覺數據規模的增加也是深度學習能夠很好地解決視覺問題的重要因素。近年來，深度學習在計算機視覺中應用的文章如雨後春筍般湧現出來，其達到的效果要遠遠超出傳統的計算機視覺方法。

　　人工智慧的一個比較流行的定義，也是該領域較早的定義，是由約翰·麥卡錫(John McCarthy|)在1956年的達特矛斯會議(Dartmouth Conference)上提出的：人工智慧就是要讓機器的行為看起來就象是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智慧的可能性(見下)。另一個定義指人工智慧是人造機器所表現出來的智能性。總體來講，目前對人工智慧的定義大多可劃分為四類，即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這裡「行動」應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。

　　強人工智慧: 強人工智慧觀點認為有可能製造出真正能推理(Reasoning)和解決問題(Problem_solving)的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：類人的人工智慧，即機器的思考和推理就像人的思維一樣。非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

　　弱人工智慧:弱人工智慧觀點認為不可能製造出能真正地推理(Reasoning)和解決問題(Problem_solving)的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。主流科研集中在弱人工智慧上，並且一般認為這一研究領域已經取得可觀的成就。強人工智慧的研究則處於停滯不前的狀態下。

　　當前深度學習還是其他演算法，更多的是弱人工智慧，根本就沒有思考和推斷的能力，深度學習說low一點，本質上做的還是分類。

人工智慧

人工智慧先驅們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當於人類智能的複雜機器。這就是我們所說的「通用人工智慧」（General AI）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經看過無數這樣的機器人，對人類友好的 C-3PO，以及人類的敵人終結者。通用人工智慧機器至今只存在於電影和科幻小說里，理由很簡單：我們還實現不了，至少目前為止。

我們力所能及的，算是「弱人工智慧」（Narrow AI）：執行特定任務的水平與人類相當，甚至超越人類的技術。現實中有很多弱人工智慧的例子。這些技術有人類智能的一面。

深度學習

深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：神經元之間的相互連接關係。但是，人類大腦中的神經元可以與特定範圍內的任意神經元連接，而人工神經網路中數據傳播要經歷不同的層，傳播方向也不同。

舉個例子，你可以將一張圖片切分為小塊，然後輸入到神經網路的第一層中。在第一層中做初步計算，然後神經元將數據傳至第二層。由第二層神經元執行任務，依次類推，直到最後一層，然後輸出最終的結果。

每個神經元都會給其輸入指定一個權重：相對於執行的任務該神經元的正確和錯誤程度。最終的輸出由這些權重共同決定。因此，我們再來看看上面提到的停止標誌示例。一張停止標誌圖像的屬性，被一一細分，然後被神經元「檢查」：形狀、顏色、字元、標誌大小和是否運動。神經網路的任務是判斷這是否是一個停止標誌。它將給出一個「概率向量」（probability vector），這其實是基於權重做出的猜測結果。在本文的示例中，系統可能會有 86% 的把握認定圖像是一個停止標誌，7% 的把握認為是一個限速標誌，等等。網路架構然後會告知神經網路其判斷是否正確。

如今，在某些情況下，通過深度學習訓練過的機器在圖像識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 AlphaGo 學會了圍棋，並為比賽進行了大量的訓練，不斷的和自己比賽。

總結：人工智慧的根本在於智能，而機器學習則是部署支持人工智慧的計算方法。簡單的說，人工智慧是科學，機器學習是讓機器變得更加智能的演算法，機器學習在某種程度上成就了人工智慧。

人工智慧的意思是指：「機器像人的大腦一樣智能」，人工智慧只是一個名詞；「人工智慧」也可以稱為「機器智能」；「深度學習」是「機器智能」的一種演算法，有了「深度學習」這種演算法「機器」才能有像人腦一樣的判斷能力或決策能力；機器智能的演算法有人工神經網路（人工神經網路更強度的學習深度學習）、最大熵模型、邏輯自回歸等...深度學習是機器智能（人工智慧）的一種「演算法」；

感覺深度學習是ai的一種方法吧，未來也許會有更好的方法

人工智慧相比深度學習是更寬泛的概念。人工智慧現階段分為弱人工智慧和強人工智慧，實際上當下科技能實現的所謂「人工智慧」都是弱AI，奧創那種才是強AI（甚至是boss級的）。而深度學習，是AI中的一種技術或思想，曾被MIT技術評論列為2013年十大突破性技術（Deep Learning居首）。或者換句話說，深度學習這種技術（我更喜歡稱其為一種思想，即end-to-end）說不定就是實現未來強AI的突破口。