人工智能、機器學習和深度學習的區別和聯繫

人工智能（Artificial Intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）。

人工智能：從概念提出到走向繁榮

1956年，幾個計算機科學家相聚在達特茅斯會議，提出了「人工智能」的概念，夢想着用當時剛剛出現的計算機來構造複雜的、擁有與人類智慧一樣本質特性的機器。其後，人工智能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。以後的幾十年，人工智能一直在兩極反轉，或被稱做人類文明耀眼將來的預言，或被當成技術瘋子的狂想扔到垃圾堆裏。直到2012年以前，這兩種聲音還在同時存在。

2012年之後，得益於數據量的上漲、運算力的提高和機器學習新算法（深度學習）的出現，人工智能開始大爆發。據領英近日發佈的《全球AI領域人才報告》顯示，截至2017年一季度，基於領英平臺的全球AI（人工智能）領域技術人才數量超過190萬，僅國內人工智能人才缺口達到500多萬。

人工智能的研究領域也在不斷擴大，圖二展現了人工智能研究的各個分支，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、天然語言處理、推薦系統等。

圖二　人工智能研究分支

但目前的科研工做都集中在弱人工智能這部分，並頗有但願在近期取得重大突破，電影裏的人工智能多半都是在描繪強人工智能，而這部分在目前的現實世界裏難以真正實現（一般將人工智能分爲弱人工智能和強人工智能，前者讓機器具有觀察和感知的能力，能夠作到必定程度的理解和推理，而強人工智能讓機器得到自適應能力，解決一些以前沒有遇到過的問題）。

弱人工智能有但願取得突破，是如何實現的，「智能」又從何而來呢？這主要歸功於一種實現人工智能的方法——機器學習。

機器學習：一種實現人工智能的方法

機器學習最基本的作法，是使用算法來解析數據、從中學習，而後對真實世界中的事件作出決策和預測。與傳統的爲解決特定任務、硬編碼的軟件程序不一樣，機器學習是用大量的數據來「訓練」，經過各類算法從數據中學習如何完成任務。

舉個簡單的例子，當咱們瀏覽網上商城時，常常會出現商品推薦的信息。這是商城根據你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，而且願意購買的產品。這樣的決策模型，能夠幫助商城爲客戶提供建議並鼓勵產品消費。

機器學習直接來源於早期的人工智能領域，傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習算法能夠分爲監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。

傳統的機器學習算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習算法的出現。

深度學習：一種實現機器學習的技術

深度學習原本並非一種獨立的學習方法，其自己也會用到有監督和無監督的學習方法來訓練深度神經網絡。但因爲近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），所以愈來愈多的人將其單獨看做一種學習的方法。

最初的深度學習是利用深度神經網絡來解決特徵表達的一種學習過程。深度神經網絡自己並非一個全新的概念，可大體理解爲包含多個隱含層的神經網絡結構。爲了提升深層神經網絡的訓練效果，人們對神經元的鏈接方法和激活函數等方面作出相應的調整。其實有很多想法早年間也曾有過，但因爲當時訓練數據量不足、計算能力落後，所以最終的效果不盡如人意。

深度學習摧枯拉朽般地實現了各類任務，使得彷佛全部的機器輔助功能都變爲可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。

三者的區別和聯繫

機器學習是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。咱們就用最簡單的方法——同心圓，可視化地展示出它們三者的關係。

圖三　三者關係示意圖

目前，業界有一種錯誤的較爲廣泛的意識，即「深度學習最終可能會淘汰掉其餘全部機器學習算法」。這種意識的產生主要是由於，當下深度學習在計算機視覺、天然語言處理領域的應用遠超過傳統的機器學習方法，而且媒體對深度學習進行了大肆誇大的報道。

深度學習，做爲目前最熱的機器學習方法，但並不意味着是機器學習的終點。起碼目前存在如下問題：

1. 深度學習模型須要大量的訓練數據，才能展示出神奇的效果，但現實生活中每每會遇到小樣本問題，此時深度學習方法沒法入手，傳統的機器學習方法就能夠處理；

2. 有些領域，採用傳統的簡單的機器學習方法，能夠很好地解決了，不必非得用複雜的深度學習方法；

3. 深度學習的思想，來源於人腦的啓發，但毫不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車以後，再見到哪怕外觀徹底不一樣的自行車，小孩也十有八九能作出那是一輛自行車的判斷，也就是說，人類的學習過程每每不須要大規模的訓練數據，而如今的深度學習方法顯然不是對人腦的模擬。

深度學習大佬 Yoshua Bengio 在 Quora 上回答一個相似的問題時，有一段話講得特別好，這裏引用一下，以回答上述問題：

Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

這段話的大體意思是，科學不是戰爭而是合做，任何學科的發展歷來都不是一條路走到黑，而是同行之間互相學習、互相借鑑、博採衆長、相得益彰，站在巨人的肩膀上不斷前行。機器學習的研究也是同樣，你死我活那是邪教，開放包容纔是正道。

結合機器學習2000年以來的發展，再來看Bengio的這段話，深有感觸。進入21世紀，縱觀機器學習發展歷程，研究熱點能夠簡單總結爲2000-2006年的流形學習、2006年-2011年的稀疏學習、2012年至今的深度學習。將來哪一種機器學習算法會成爲熱點呢？深度學習三大巨頭之一吳恩達曾表示，「在繼深度學習以後，遷移學習將引領下一波機器學習技術」。但最終機器學習的下一個熱點是什麼，誰用能說得準呢。

 

參考：

http://blog.sciencenet.cn/blog-2888249-1082369.html

https://baijiahao.baidu.com/s?id=1624500448515634322&wfr=spider&for=pc