【掃盲】如何快速區分人工智慧，機器學習和深度學習

原作者 Calum McClelland

編譯 CDA 編譯團隊

本文為 CDA 數據分析師原創作品，轉載需授權

我們都熟悉「人工智慧」這一概念。畢竟，這個詞常常在熱門電影中出現，如《終結者》、《黑客帝國》、《機械姬》。 但最近你也可能常常聽到其他術語，如「機器學習」和「深度學習」，這些詞有時與人工智慧交替使用。

首先我將簡單介紹一下人工智慧（ Artificial Intelligence ），機器學習（ Machine Learning ）和深度學習（ Deep Learning ）三者的區別。 然後，我將分析人工智慧和物聯網為何是不可分割的，技術的不斷進步和融合逐漸為為人工智慧和物聯網爆炸奠定了基礎。

三者的區別

人工智慧（ AI ）

「人工智慧」這一概念於 1956 年首次被計算機科學家 John McCarthy 提出。指的是在處理任務時具有人類智力特點的機器。包括具有組織和理解語言，識別物體和聲音，以及學習和解決問題等能力。

我們可以把人工智慧分廣義和狹義兩方面來理解。 廣義上包括上述所有人類智力的特徵。 狹義上的指在某些領域具有人工智慧，且能在這些領域發揮到極致，但僅局限於此領域。 例如一個極為擅長識別圖像的機器，但在其他方面表現欠佳，這就是狹義上的人工智慧。

機器學習（ ML ）

機器學習是一種實現人工智慧的方式。

在人工智慧這一概念出現後不久， Arthur Samuel 在 1959 年提出「機器學習」這一概念即「（計算機）無需專門編程就能自主學習」。你可以在不使用機器學習的情況實現人工智慧，但這意味著需要編寫數百萬行規則複雜的代碼。

因此，和傳統編程以明確的指令使計算機完成任務不同的是，機器學習通過「訓練」使其學習如何完成任務。 「訓練」包括向模型中載入大量數據，並且能夠自動調整和改進演算法。

舉例來說機器學習已經被用於改進計算機視覺（機器通過圖像或視頻識別對象的能力）。人們收集數十萬甚至數百萬張圖片，並一一標記。比如，人類可以標記當中有貓的圖片，而不標記那些沒有貓的。那麼，演算法嘗試建立一個模型，就可以實現像人一樣準確地標記包含貓的圖片。一旦達到一定的精確度，我們就可以認為機器現在「學會」了識別貓的樣子。

深度學習（ DL ）

深度學習是實現機器學習的途徑之一。 其他途徑包括策樹，歸納邏輯程序設計，聚類，強化學習和貝葉斯網路等。

深度學習這一概念的靈感來自大腦的結構和功能，即眾多神經元的相互連接。 人工神經網路（ ANNs ）即為模擬大腦生物結構的演算法。

在 ANNs 中，存在具有獨立處理層的「神經元」，且這些「神經元」與其他「神經元」相接。其中每個處理層具有特定的學習特徵，如圖像識別中的曲線/邊緣。 正是這種分層賦予深度學習這一概念的名稱，其中的深度是通過使用多個層而不是單個獨立層實現的。

人工智慧與物聯網不可分割

人工智慧與物聯網之間的關係正如人類的大腦和身體。

我們的身體獲取感官輸入，如視覺，聽覺和觸覺。 我們的大腦進一步處理這些數據，使其具有意義。如把光轉化為可識別的對象，把聲音變成可以理解的語言。 然後大腦做出決定，發送信號給身體，發出指令運動，如撿起一個物體或說話。

構成物聯網並相互連接的感測器都像我們的身體，它們提供了來自外界的原始數據。人工智慧就像我們的大腦，處理這些數據並決定要執行的動作。這些感測器又再次像我們的身體一樣，進行物理動作或與他人溝通。

釋放彼此的潛力

人工智慧和物聯網由於彼此實現自身的價值和願景。

機器學習和深度學習已促使人工智慧在近年來實現了巨大的飛躍。如上所述，機器學習和深度學習需要大量的數據來工作，這些數據由數十億在物聯網中持續鏈接的感測器所收集。因此，物聯網促進人工智慧的發展。

同時，改進人工智慧也將促進物聯網發展，從而創造一個良性循環，這將大大促進兩者的發展。這是由於人工智慧使得物聯網更實用的內因。

在工業方面，人工智慧可以用於預測機器何時需要維護，或者何時需要分析製造進程，從而大幅度提高效率，節省成本。

在消費者方面，不是讓人類去適應技術，而是讓技術適應人類。摒棄繁瑣的點擊，輸入和搜索，我們可以直接給機器下達指令，實現我們的需求。比如詢問天氣信息，或者營造更好地入睡環境如發出一系列指令（關閉恆溫器，鎖上門，關燈等）。

技術的進步與融合

計算機晶元的變小和製造技術的改進意味著帶來成本更低，功能更強大的感測器。

迅速改進的電池技術意味著這些感測器可以不需要電源使用很久。

智能手機的出現帶來的無線連接，意味著數據可以以更低的成本實現高容量的傳送，同時使發送數據到雲。

而雲計算的出現為我們提供了幾乎無限的存儲空間和計算能力處理數據。

人工智慧對我們的社會和未來帶來的影響是不可預計的。可以肯定的是，隨著人工智慧和物聯網的進步和持續發展，帶來的影響必將是深遠的。

ref：

https://iot-for-all.com/artificial-intelligence-machine-learning-and-deep-learning-169a4a136f62#.326vb9me4

推薦閱讀：