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，此前Google DeepMind的AlphaGo打败了韩国(繁：國)的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，就曾《读：céng》将人工智能（AI）、机器学习（Machine Learning）和深度学习（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回事。
要解释[繁体：釋]这三者之间的关系和应用，最简单的方法就是画一个同心圆，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《繁：內》侧，是深度学习，也是当《繁体：當》今人工智能大爆炸的核心驱动。
从概念的提出[繁：齣]到走向繁荣
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[繁：驗]室中慢慢孵化成形。在之后的几十年，人工智能一直在不停地两极反转，既有人把其称作人类文{练：wén}明耀眼的未来；也有人把其当做是技术疯子们的妄想(pinyin：xiǎng)，嗤之以鼻。坦白说，直到2012年之前，这两种声音都还同时存在。
过去几年，尤其是自2015年以来，人工智能开始大爆发。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《拼音：biàn》宜、更有效。当然，无限拓展（pinyin：zhǎn）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、文本数据、交易数据、映射数据全面海量爆发。
让我们慢慢梳理一下计算机[繁：機]科学家们是如何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（pinyin：xiē）每天被数亿用户使用的实际应用（yòng）的。
人工智能（Artificial Intelligence）——为机器(练：qì)赋予人的智能
King me：扮演跳棋玩家的计算机程序，是最早的人工智《拼音：zhì》能实例之一，在20世纪50年代[练：dài]激起了人工智能的早期浪（pinyin：làng）潮。
早在1956年夏天的那次会议上，人工智能的先驱们（繁体：們）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：像星幸运飞艇球大战中友好的C-3PO；或者是邪恶的终结者。强人工智能目前还仅存在于电影和科幻小说中，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，一般被称为“弱(ruò)人工{练：gōng}智能”（Narrow AI）。弱[拼音：ruò]人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；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？这种智能是从何而来？其答案就是（shì）同心圆中【读：zhōng】的第二层，机（繁：機）器学习。
机器学习—— 一种实现人工《拼音：gōng》智能的方法
Spam free diet：机器学习xí 能够帮助你的收(读：shōu)件箱（相对地）摆脱垃(练：lā)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据、从中学习，然后对真实世界中的事件做出决策和预测。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。
机器学习直接来源于早期的人工智能领域。传统算法包括决策树学(xué)习、推导逻辑规划、聚类、强化学习和贝叶斯网络等澳门博彩等。众所周知，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shì 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、边缘检测滤波器，以便{练：biàn}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(繁：錯)，但还算不上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清晰可见，又或者被树遮挡一部分，算法(fǎ)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切(读：qiè)。
深度学习《繁体：習》——一种实现机器学习的技术
Herding cats：从YouTube视(拼音：shì)频中挑选猫的图像是深度学（繁：學）习(繁体：習)的第一个突破性演示之一。
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。但与澳门永利大脑中一个神经元可以连接一【练：yī】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（繁：們）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皇冠体育完成类似的工作，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关。最终的输出由这些权重加权决定{读：dìng}。
我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像[拼音：xiàng]的所有元素都打碎，然后用神经元进行“检查”：八边形{xíng}的外形、救火车一样的红颜色、鲜明的字《拼音：zì》母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，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”。
这个例子里，系统可能会给出这样的{de}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《繁体：絡》结构告知神经网络，它的结{繁体：結}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{shàng}在人工智能出现的早期，神经网络就已经存在了，只是神经网络对于“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，也需要大量的运算。神经网络算法【读：fǎ】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：多伦多大学的Geoffrey Hinton）坚持研究，实（繁：實）现了以超算为目标的并行算法的运行{练：xíng}与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效xiào 。
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、训练出来的【pinyin：de】，时不时还是很容易出错(繁体：錯)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；或(pinyin：huò)者在Facebook的应用里，神经网络学{练：xué}习了如何识别你妈妈的脸；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子等等。
吴恩达教授的突破在于，把这些神经网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视频中的《de》图(繁体：圖)像
吴教(jiào)授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”所指{练：zhǐ}的，正是神经网络中众多的（de）层。
现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更（pinyin：gèng）好：从识别猫，到辨别血液中癌症的早期成分，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[繁：經]网络的（de）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《繁体：給》人工智能以璀璨的未来
深度学习使得机器学习能够实现众多的应用，并拓展了人(拼音：rén)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《读：dōu》已实现，或即将实现
有了深度学习，人工智能甚至可以《读：yǐ》达到我们在科幻小说中所幻想的那般智能澳门威尼斯人。当然，我们所期待的是像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/Shooter-GamesGames/5879614.html
机器学习物(wù)理规律 人工智能、机器学习、深度学习三者之间的关系？转载请注明出处来源
