人工智能 vs 机器学习 (ML) vs 深度学习——有什么区别

在您的日常生活中，您一定听说过人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 等术语。 您可能还注意到，这些术语经常可以互换使用。

但是这三个是一样的吗？ 你有自由交替使用它们吗？ 让我们来了解一下！

早在 1955 年，作为最早的 AI 教父之一，John McCarthy 继续将人工智能定义为“制造能够像人类一样实现目标的智能机器的科学和工程”。 4 年后，也就是 1959 年，Arthur Samuel 将机器学习描述为 AI 处理的一个巨大子领域， “它使计算机能够在没有明确编程的情况下进行学习”。 这意味着什么？

在机器学习中，一旦创建了程序，它就会逐渐学习如何完成超越编程界限的智能任务——它通过经验和数据来学习。 在这方面，ML 程序不同于具有预定义行为和目标的专用程序。

可能这张图片会让你更清楚一些：

现在，我们将深入研究人工智能、机器学习和深度学习及其差异。

人工智能与机器学习

简而言之，人工智能寻求设计特殊的计算机程序和算法，使机器能够像人类一样工作。 人们对人工智能最常见的误解是它是一个“系统”。 真相——人工智能不是一个系统； 这是一项研究（就像我们在“科学与工程”之前提到的），涉及如何训练计算机完成人类完成的任务。

AI可以分为3类：

• 狭义人工智能：它指的是可以对机器进行编程以执行特定任务的人工智能，但其方式比人类要好得多。
• 通用人工智能：指能够以与人类相同的准确度水平执行一系列智能/智能任务的人工智能。
• 主动人工智能：也许是最先进的人工智能形式，主动人工智能可以在特定任务中胜过人类。

既然人工智能是一项研究或开发智能机器的概念，它必须有一些技术手段来达到这个目的，对吧？

其中一种方法是机器学习。 在这里标记我们的话，ML 是我们执行 AI 概念的方式之一。 根据卡内基梅隆大学 ML 专家 Tom Mitchell 的说法：

“机器学习是对计算机算法的研究，它允许计算机程序通过经验自动改进。”

因此，实现了人工智能的目标——创造可以像人类一样从经验和试错中学习的机器。 机器学习算法以数据为食以从中学习。 每当一个新的输入被输入到算法中时，它都会调整它对这个变化的响应来执行新的任务。 机器学习的一个经典例子是推荐引擎。 您一定已经在 Netflix 和 Amazon 等在线平台上看到了这一点——这些应用程序会根据您搜索的内容，为您“希望”看到的内容提供个性化和定制的推荐列表。

当人工智能处于早期阶段时，科学家和研究人员的目标是创造能够执行需要智能的任务的机器。 最初，他们开发了可以解决基本逻辑问题并在国际象棋和跳棋等游戏中与人类竞争的程序（再次注意，执行人工智能计划需要程序）。 恰当的例子——IBM 的 Deep Blue 在国际象棋中击败了世界冠军 Gary Kasparov。

这是人工智能成功的第一个例子，不用说，它在计算机和技术爱好者中引起了巨大的兴奋——这是一个拥有全新可能性的世界的开始。 快进到今天，看看人工智能现在的位置——今天我们可以吹嘘现实生活中的人工智能应用，比如谷歌的自动驾驶汽车、机器人 Sophia、苹果的 Siri 和亚马逊的 Alexa 等智能虚拟助手、智能家居和物联网，以及这么多。 所有这些人工智能发明都有一个共同的驱动力——机器学习算法。

机器学习与深度学习

正如 ML 是 AI 的一个子集一样，深度学习也是 ML 的一个子集。

深度学习的本质是人工神经网络（ANN）。 由于人工智能的整个想法是模仿人脑的能力，因此创建了人工神经网络。 您可以将深度学习视为 ML 的进化分支，其中 ANN 是由数量难以理解的神经元组成的复杂网络，它们在层中彼此深度互连。

人工神经网络旨在解决传统机器学习算法和简单神经网络无法解决的复杂问题。 这并不是因为传统的神经网络以一种简单的方式连接起来——它们无法完成拥有超过 860 亿个神经元的人类大脑的繁重工作，从而形成了一种错综复杂的互连方式。

现在，正如我们之前所说，深度学习可以说是机器学习的一个子集。 从本质上讲，机器学习就是开发模型，这些模型在分配给它们的任务上会越来越好，但它们仍然需要某种指导。 如果 ML 算法返回不准确的结果，开发人员需要介入并进行必要的修改。 但是，深度学习模型——因为它使用复制人脑工作的人工神经网络——自行确定其预测的正确性，无需任何人工干预。

结论性的想法…

上面的讨论一定已经澄清了你可能对 AI、ML 或深度学习有过的许多疑问。 本质上，这三种技术的最终目标是相同的——让机器更智能。 这是他们采取的路线使他们彼此不同。

如果您仍然对什么是什么感到困惑，请随时给我们留言 - 我们会为您服务！