人工智能 vs 機器學習 (ML) vs 深度學習——有什麼區別

在您的日常生活中，您一定聽說過人工智能 (AI)、機器學習 (ML) 和深度學習 (DL) 等術語。 您可能還注意到，這些術語經常可以互換使用。

但是這三個是一樣的嗎？ 你有自由交替使用它們嗎？ 讓我們來了解一下！

早在 1955 年，作為最早的 AI 教父之一，John McCarthy 繼續將人工智能定義為“製造能夠像人類一樣實現目標的智能機器的科學和工程”。 4 年後，也就是 1959 年，Arthur Samuel 將機器學習描述為 AI 處理的一個巨大子領域， “它使計算機能夠在沒有明確編程的情況下進行學習”。 這意味著什麼？

在機器學習中，一旦創建了程序，它就會逐漸學習如何完成超越編程界限的智能任務——它通過經驗和數據來學習。 在這方面，ML 程序不同於具有預定義行為和目標的專用程序。

可能這張圖片會讓你更清楚一些：

現在，我們將深入研究人工智能、機器學習和深度學習及其差異。

人工智能與機器學習

簡而言之，人工智能尋求設計特殊的計算機程序和算法，使機器能夠像人類一樣工作。 人們對人工智能最常見的誤解是它是一個“系統”。 真相——人工智能不是一個系統； 這是一項研究（就像我們在“科學與工程”之前提到的），涉及如何訓練計算機完成人類完成的任務。

AI可以分為3類：

• 狹義人工智能：它指的是可以對機器進行編程以執行特定任務的人工智能，但其方式比人類要好得多。
• 通用人工智能：指能夠以與人類相同的準確度水平執行一系列智能/智能任務的人工智能。
• 主動人工智能：也許是最先進的人工智能形式，主動人工智能可以在特定任務中勝過人類。

既然人工智能是一項研究或開發智能機器的概念，它必須有一些技術手段來達到這個目的，對吧？

其中一種方法是機器學習。 在這裡標記我們的話，ML 是我們執行 AI 概念的方式之一。 根據卡內基梅隆大學 ML 專家 Tom Mitchell 的說法：

“機器學習是對計算機算法的研究，它允許計算機程序通過經驗自動改進。”

因此，實現了人工智能的目標——創造可以像人類一樣從經驗和試錯中學習的機器。 機器學習算法以數據為食以從中學習。 每當一個新的輸入被輸入到算法中時，它都會調整它對這個變化的響應來執行新的任務。 機器學習的一個經典例子是推薦引擎。 您一定已經在 Netflix 和 Amazon 等在線平台上看到了這一點——這些應用程序會根據您搜索的內容，為您“希望”看到的內容提供個性化和定制的推薦列表。

當人工智能處於早期階段時，科學家和研究人員的目標是創造能夠執行需要智能的任務的機器。 最初，他們開發了可以解決基本邏輯問題並在國際象棋和跳棋等遊戲中與人類競爭的程序（再次注意，執行人工智能計劃需要程序）。 恰當的例子——IBM 的 Deep Blue 在國際象棋中擊敗了世界冠軍 Gary Kasparov。

這是人工智能成功的第一個例子，不用說，它在計算機和技術愛好者中引起了巨大的興奮——它是一個擁有全新可能性的世界的開始。 快進到今天，看看人工智能現在的位置——今天我們可以吹噓現實生活中的人工智能應用，比如穀歌的自動駕駛汽車、機器人 Sophia、蘋果的 Siri 和亞馬遜的 Alexa 等智能虛擬助手、智能家居和物聯網，以及這麼多。 所有這些人工智能發明都有一個共同的驅動力——機器學習算法。

機器學習與深度學習

正如 ML 是 AI 的一個子集一樣，深度學習也是 ML 的一個子集。

深度學習的本質是人工神經網絡（ANN）。 由於人工智能的整個想法是模仿人腦的能力，因此創建了人工神經網絡。 您可以將深度學習視為 ML 的進化分支，其中 ANN 是由數量難以理解的神經元組成的複雜網絡，它們在層中彼此深度互連。

人工神經網絡旨在解決傳統機器學習算法和簡單神經網絡無法解決的複雜問題。 這並不是因為傳統的神經網絡以一種簡單的方式連接起來——它們無法完成擁有超過 860 億個神經元的人類大腦的繁重工作，從而形成了一種錯綜複雜的互連方式。

現在，正如我們之前所說，深度學習可以說是機器學習的一個子集。 從本質上講，機器學習就是開發模型，這些模型在分配給它們的任務上會越來越好，但它們仍然需要某種指導。 如果 ML 算法返回不准確的結果，開發人員需要介入並進行必要的修改。 但是，深度學習模型——因為它使用複制人腦工作的人工神經網絡——自行確定其預測的正確性，無需任何人工干預。

結論性的想法…

上面的討論一定已經澄清了你可能對 AI、ML 或深度學習有過的許多疑問。 本質上，這三種技術的最終目標是相同的——讓機器更智能。 這是他們採取的路線使他們彼此不同。

如果您仍然對什麼是什麼感到困惑，請隨時給我們留言 - 我們會為您服務！