人工智能、机器学习和深度学习有何区别？

文章给大家渐渐梳理一下计算机迷信家们是如何将人工智能从最早的一点点苗头，发展到可以支撑那些每天被数亿用户运用的运用的。

人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当古人工智能大爆炸的核心驱动。

五十年代，人工智能曾一度被极为看好。之后，人工智能的一些较小的子集发展了起来。先是机器学习，然后是深度学习。深度学习又是机器学习的子集，深度学习形成了史无前例的宏大的影响。

从概念的提出到走向繁荣


1956年，几个计算机迷信家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就不断萦绕于人们的脑海之中，并在科研实验室中渐渐孵化。之后的几十年，人工智能不断在两极反转，或被称作人类文明耀眼将来的预言；或者被当成技术疯子的狂想扔到渣滓堆里。坦率说，直到2012年之前，这两种声响还在同时存在。

过去几年，尤其是2015年以来，人工智能末尾大迸发。很大一部分是由于GPU的广泛运用，使得并行计算变得更快、更便宜、更有效。当然，有限拓展的存储才能和骤然迸发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、买卖数据、映射数据片面海量迸发。

让我们渐渐梳理一下计算机迷信家们是如何将人工智能从最早的一点点苗头，发展到可以支撑那些每天被数亿用户运用的运用的。

1. 人工智能（Artificial Intelligence）——为机器赋予人的智能


成王（King me）：能下国际跳棋的程序是早期人工智能的一个典型运用，在二十世纪五十年代曾掀起一阵风潮。（译者注：国际跳棋棋子到达底线地位后，可以成王，成王棋子可以向后移动）。

早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧异样本质特性的机器。这就是我们如今所说的“强者工智能”（General AI）。这个无所不能的机器，它有着我们一切的感知（甚至比人更多），我们一切的感性，可以像我们一样思索。

人们在电影里也总是看到这样的机器：敌对的，像星球大战中的C-3PO；罪恶的，如终结者。强者工智能如今还只存在于电影和科幻小说中，缘由不难了解，我们还没法完成它们，至少目前还不行。

我们目前能完成的，普通被称为“弱人工智能”（Narrow AI）。弱人工智能是可以与人一样，甚至比人更好地执行特定义务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸辨认。

这些是弱人工智能在实际中的例子。这些技术完成的是人类智能的一些详细的部分。但它们是如何完成的？这种智能是从何而来？这就带我们离开同心圆的外面一层，机器学习。

2. 机器学习—— 一种完成人工智能的方法

健康食谱（Spam free diet）：机器学习可以帮你过滤电子信箱里的（大部分）渣滓邮件。（译者注：英文中渣滓邮件的单词spam来源于二战中美国曾大量援助英国的午餐肉品牌SPAM。直到六十年代，英国的农业不断没有从二战的损失中恢复，因此从美国大量出口了这种廉价的罐头肉制品。据传闻不甚好吃且充斥市场。）

机器学习最基本的做法，是运用算法来解析数据、从中学习，然后对真实世界中的事情做出决策和预测。与传统的为处理特定义务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，经过各种算法从数据中学习如何完成义务。

机器学习直接来源于早期的人工智能范畴，传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有完成强者工智能，早期机器学习方法甚至都无法完成弱人工智能。

机器学习最成功的运用范畴是计算机视觉，虽然也还是需求大量的手工编码来完成工作。人们需求手工编写分类器、边缘检测滤波器，以便让程序能辨认物体从哪里末尾，到哪里结束；写外形检测程序来判别检测对象是不是有八条边；写分类器来辨认字母“ST-O-P”。运用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判别图像是不是一个中止标志牌。

这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么明晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段工夫，计算机视觉的功能不断无法接近到人的才能。它太僵化，太容易受环境条件的干扰。

随着工夫的推进，学习算法的发展改变了一切。

3. 深度学习——一种完成机器学习的技术


放猫（Herding Cats）：从YouTube视频外面寻觅猫的图片是深度学习杰出功能的初次展现。（译者注：herdingcats是英语习语，照顾一群喜欢自在，不喜欢征服的猫，用来描画场面混乱，义务难以完成。）

人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启示。但与大脑中一个神经元可以衔接一定间隔内的恣意神经元不同，人工神经网络具有团圆的层、衔接和数据传播的方向。

例如：我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成相似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。

每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的义务直接相关。最终的输入由这些权重加总来决议。

我们仍以中止（Stop）标志牌为例。将一个中止标志牌图像的一切元素都打碎，然后用神经元停止“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和运动不动运动特性等等。神经网络的义务就是给出结论，它到底是不是一个中止标志牌。神经网络会根据一切权重，给出一个经过沉思熟虑的猜测——“概率向量”。

这个例子里，系统能够会给出这样的结果：86%能够是一个中止标志牌；7%的能够是一个限速标志牌；5%的能够是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论能否正确。

即便是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其真实人工智能出现的早期，神经网络就曾经存在了，但神经网络对于“智能”的贡献微乎其微。次要成绩是，即便是最基本的神经网络，也需求大量的运算。神经网络算法的运算需求难以得到满足。

不过，还是有一些忠诚的研讨团队，以多伦多大学的Geoffrey Hinton为代表，坚持研讨，完成了以超算为目的的并行算法的运转与概念证明。但也直到GPU得到广泛运用，这些努力才见到成效。

我们回过头来看这个中止标志辨认的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需求的，就是训练。需求成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得非常准确，无论能否有雾，晴天还是雨天，每次都能得到正确的结果。

只要这个时分，我们才可以说神经网络成功地自学习到一个中止标志的样子；或者在Facebook的运用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google完成了神经网络学习到猫的样子等等。

吴教授的打破在于，把这些神经网络从基础上分明地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。

如今，经过深度学习训练的图像辨认，在一些场景中甚至可以比人做得更好：从辨认猫，到辨别血液中癌症的早期成分，到辨认核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它本人下棋训练。它训练本人神经网络的方法，就是不断地与本人下棋，反复地下，永不停歇。

深度学习，给人工智能以璀璨的将来


深度学习使得机器学习可以完成众多的运用，并拓展了人工智能的范畴范围。深度学习摧枯拉朽般地完成了各种义务，使得似乎一切的机器辅助功能都变为能够。无人驾驶汽车，预防性医疗保健，甚至是更好的电影引荐，都近在眼前，或者即将完成。

本文由 @黄东东 原创发布于人人都是产品经理。未经答应，制止转载

题图来自Unsplash，基于CC0协议

人工智能、机器学习、深度学习和人工神经网络的引见和发展

dnn是hinton老爷子搞的 跟吴恩达有毛关系

360做什么硬件东西都做不长

分享了

我有一个大胆的想法。。。

我擦！我要沙发！