AI相關概念辨析

01-28

做PPT弄的，鑒於目前概念的混亂，理論和技術日後慢慢深挖慢慢更：

A.人工智慧 VS 機器學習 VS 深度學習

從內容廣度看：人工智慧>機器學習>深度學習

（1）人工智慧：用人工手段複製具有智能的行為和成果，一般意義上指基於計算機實現的智能（1956年達特茅斯會議），其目標是創造通過圖靈檢驗的智能對象或模式。

（2）機器學習：在計算機上實現人工智慧的一系列演算法的統稱，經歷了三個發展階段：

①早期連接主義階段：語義規則分析、有限狀態機、單層感知機等；

②統計學習階段：包括各種多元統計方法，SVM，人工神經網路（ANN），降維學習等，和大數據緊密聯繫；

③深度學習階段：人工神經網路方法的拓展，在高性能硬體環境下構造的多層複雜神經網路，如alpha-go，alpha-zero等，深度學習的成功也是連接主義全面復興的標誌；

（3）深度學習：機器學習的一個子概念，是機器學習發展的第三階段，其理論深度未顯著超出人工神經網路。

註：機器學習發展的階段二與階段三目前並非替代關係，是互補關係。

B.智能優化 VS 機器學習 VS 模式識別

（1）智能優化：運籌學的一系列演算法的簡稱，一般稱為仿生智能計算，和人工智慧的區別在於，人工智慧是要用計算創造智能（從0到1），而仿生智能計算式通過計算機模仿智能或非智能的收斂性行為抽象出演算法（從1到2），仿生智能計算的成果有：遺傳演算法（模仿基因重組）、粒子群演算法（模仿鳥類）、模擬退火演算法（模仿物理現象）、蟻群演算法（模仿螞蟻選擇路徑）、人工蜂群演算法、魚群演算法等；

註：人工智慧如果能夠創造出自然界不存在的智能行為模式（尤其是群體智能），就可以可以大大促進智能優化演算法的發展，因此人工智慧是一項基礎性的工作，有了智能就有了一切。

（2）模式識別：模式識別是用於發現對象特徵，如人面識別所用到照片圖像庫的基礎特徵（眼睛大小、鼻子長度等）。因此模式識別是機器學習演算法運行的前提條件，可以將一切提取特徵的工作理解為模式識別，業界將模式識別稱為特徵工程。由於SVM等機器學習演算法在模式識別中也有廣泛應用，因此模式識別的教科書和統計學習的教科書有所趨同，這是造成混淆的原因。

C.複雜網路 VS 人工神經網路

（1）人工神經網路（ANN）：是一種機器學習演算法，最經典的人工神經網路是負反饋的BP網路，人工神經網路由輸入層、中間層和輸出層構成，通過輸出層結果和訓練樣本結果對比，不斷反饋修正各層的權值閾值，最終實現和樣本結果的最小差異輸出。人工神經網路有多種演算法，例如徑向基神經網路、PID神經網路、小波網路、模糊神經網路等，已經發展成一個特別大的演算法家族。

註：深度學習網路可以看成一個建立在高性能硬體之上的，含有多個中間層的超級人工神經網路。

（2）複雜網路：複雜網路是一個數學、系統科學、計算機科學等多學科交叉的新學科，研究的是具有網路結構的對象的鏈接、傳輸、聚類等規律，例如客運網路、電子郵件網路、人際關係網路等，其核心方法是鏈路預測與社團劃分，和神經網路的是兩個兩個概念。神經網路作為一個規則的演算法對象，其複雜性還達不到複雜網路的水平。

註：近年來通過對複雜網路中群體智能湧現的研究，使得複雜網路和人工智慧有了交叉點。