人工智能、机器学习、深度学习三者之间的关系？人工智能、机器学习、深度学习三者之间的关系？有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活中的一部分。事实上，这些说法都是正确的，这一切都取决于你所指的是哪一种人工智能
人工智能、机器学习、深度学习三者之间的关系？
人工智能、机器学习、深度学习三者之间的关系？
有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活中的一部分。事实上，这些说法都是正确的，这一切都取决于你所指的是哪一种人工智能。例如{rú}，此前Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，就曾将人工智能（AI）、机器学习（Machine Learning）和深度{练：dù}学习（Deep Learning）都提到了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一【读：yī】回事。
要解释这三者之间的关系和应用，最简单的方法就是画《繁：畫》一个同心圆，如下图，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，也是当今(练：jīn)人工智能大爆炸的核心驱动。
从概念的提出到走向繁荣《繁：榮》
1956年，几位计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕在人们的脑海之中，并在科研实验室中慢慢孵化成形。在之后的几十年，人工智能一[练：yī]直在不停地两极反转，既有人《拼音：rén》把其称作人类文明耀眼的未来；也有人把其当做是技术疯子《读：zi》们的妄想，嗤之以鼻。坦白说，直到2012年之前，这两种声音都还同时存在[拼音：zài]。
过去几年，尤其[读：qí]是自2015年以来，人工智《读：zhì》能开始大爆发。很大一部分原因是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据），也使得图像数据、文本数（繁体：數）据、交易数据、映射数据全面海量爆发。
让我们慢慢[读：màn]梳理一下计算机科学家们是如何《读：hé》将人工智能从最早的一点点星星之火，发展到能够支撑那些每天被数亿用户使用的实际应（繁：應）用的。
人工智能（Artificial Intelligence）——为机器{读：qì}赋予人的智能
King me：扮演跳棋玩家[繁体：傢]的计算机程序，是最早的人工智能实例之一，在20世纪50年代激起了人工智能的早期浪潮《pinyin：cháo》。
早在1956年夏天的那次会议上，人工智能的《练：de》先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器，既我们所谓的“强人工智能”（General AI）。这是一个无所不能的机器，它有着我们所有的感知（甚至比人更多），以及我们所有的理性，可以像我们一样思考。人们在电影里也总是看到这样的机器人：像星球大战中友好的C-3PO；或者是邪恶的de 终结者。强人工智能目前还仅存(拼音：cún)在于电影和科幻小说中（拼音：zhōng），原因很简单，因为我们还没法实现它们，至少目前还不行。
我们目前能实现的，一般被称(繁体：稱)为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特[读：tè]定任务的技术。例如，Pinterest上的(读：de)图像分类；或者Facebook的人脸识别。
这些都是弱人工智能在实践中的例[拼音：lì]子。这些技术实现了人类智能中某些特定部分。但它们是如何实现的？这（繁体：這）种智能是《拼音：shì》从何而来？其答案就是同心圆中的第二层，机器学习。
机器学习—— 一种实现人《pinyin：rén》工智能的方法
Spam free diet：机器(读：qì)学习能够帮助你的收件箱（相对地）摆脱{繁：脫}垃圾邮件的困扰。
机器学习最基本的做法，是使用算法来解析数[拼音：shù]据、从中学习，然后对真实世界中的事件做《拼音：zuò》出决策和预测。与传统的为解决特定任务的人工编码程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直(读：zhí)接来源于早期的人工智能领域。传统算法包括决策树学[繁体：學]习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众{练：zhòng}所周知，我们现在还没有实现强人工智能，而早期机器学习方法甚至连弱人工智能都无法实现。
机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边(繁体：邊)缘检测{练：cè}滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测(繁：測)对象是不是有八条边；写分类器来识别字母“S-T-O-P”。使用以上这些手工编写《繁体：寫》的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。
这个结果还算不错，但还算不上是（拼音：shì）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清晰可见，澳门永利又或者被树遮挡一部分，算法就难以成功了。这也是为什么此前很长一段时间中，计算机视觉的性能一直无法接近到人类的水平。它太僵化，并且太容易出现错误。
随着时间的推进，学习算法的发展改变了一[拼音：yī]切。
深度学习——一yī 种实现机器学习的技术
Herding cats：从Y澳门永利ouTube视频中挑选猫的图像是《shì》深度学习的第一个突破性演示之一。
人工神经网络澳门新葡京（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经了数十年的推演。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发。但与大脑中一个神经元可以（读：yǐ）连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连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{练：yuán}也是完成类《繁体：類》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（繁：與）否与其执行的任务直接相开云体育关。最终的输出由这些权重加权决定。
我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车一样的红颜色、鲜明的字母、交通标志的典型尺寸{pinyin：cùn}和静止不动运动特性等等。神经网络的任务就是给出结论澳门永利，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
这个例lì 子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经《繁体：經》网络（繁体：絡），它的结论是否正确。
此前，这样的神经网络并没得到为人工智能圈的认可。然而，事实上在人工智能出现的早期，神经网络就已经存在了，只（繁体：祇）是神经网络对于“智能”的贡献微乎其微。其主要原因是因为即使是最基本的神经网络，也{yě}需要大量的运算。神经网络算法的运算需求难以得到满足。
不过，还是有一些虔诚的研究团队（例如：多伦（繁体：倫）多大学的Geoffrey Hinton）坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直{练：zhí}到GPU得【读：dé】到广泛应用，这些努力才见到成效。
我们回过头来看这个停止标志识别的例子。神经网络是调制、训(拼音：xùn)练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元《练：yuán》的输入的权值都被调制得十分精确，无论是否是雾天、晴天还是雨天，每次都能得到正确的结果。
只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子{zi}；或者在Facebook的应用里，神经网络学习了如何识别你妈（繁体：媽）妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样[拼音：yàng]子等等。
吴恩达教授的de 突破在于，把这些神经网(繁体：網)络从基础上显著地增大了。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。在他的示例中，数据是一千万YouTube视频中《练：zhōng》的图像
吴教授《读：shòu》为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”所指的，正{读：zhèng}是神经{繁体：經}网络中众多的层。
现在，经过深shēn 度学习训练的图像识别，在一些场景中甚至可以比(拼音：bǐ)人做得更好：从识别猫，到辨别血液中癌{ái}症的早期成分，再到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。
深度学习，给人工智能以璀璨的未来
深度学习（繁体：習）使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。如今，深度学习已经能够实现各种任务，几乎使得所有的机器辅助功能都变为可能。无人驾驶、预防性医疗，甚至是更精准的电影推荐，都已实现(繁体：現)，或即将实现
有了深度学习，人工智能甚至可以达到我们在科幻小说中所幻想的那般智能。当《繁：當》然，我们所期【拼音：qī】待(练：dài)的是像C-3PO那样的人工智能，终结者那样的还是算了。
本文链接：http://10.21taiyang.com/Scooters/5879614.html
机器学习物理规律 人（读：rén）工智能、机器学习、深度学习三者之间的关系？转载请注明出处来源
