一張圖看懂AI、機器學習和深度學習的區別

AI（人工智慧）是未來，是科幻小說，是我們日常生活的一部分。所有論斷都是正確的，只是要看你所談到的AI到底是什麼。

　　例如，當谷歌DeepMind開發的AlphaGo程式打敗韓國職業圍棋高手Lee Se-dol，媒體在描述DeepMind的勝利時用到了AI、機器學習、深度學習等術語。AlphaGo之所以打敗Lee Se-dol，這三項技術都立下了汗馬功勞，但它們並不是一回事。

　　要搞清它們的關係，最直觀的表述方式就是同心圓，最先出現的是理念，然後是機器學習，當機器學習繁榮之後就出現了深度學習，今天的AI大爆發是由深度學習驅動的。

　　從衰敗到繁榮

　　1956年，在達特茅斯會議（Dartmouth Conferences）上，電腦科學家首次提出了“AI”術語，AI由此誕生，在隨後的日子裡，AI成為實驗室的“幻想物件”。幾十年過去了，人們對AI的看法不斷改變，有時會認為AI是預兆，是未來人類文明的關鍵，有時認為它只是技術垃圾，只是一個輕率的概念，野心過大，註定要失敗。坦白來講，直到2012年AI仍然同時具有這兩種特點。

　　在過去幾年裡，AI大爆發，2015年至今更是發展迅猛。之所以飛速發展主要歸功於GPU的廣泛普及，它讓並行處理更快、更便宜、更強大。還有一個原因就是實際儲存容量無限擴充，資料大規模生成，比如圖片、文字、交易、地圖資料資訊。

　　AI：讓機器展現出人類智力

　　回到1956年夏天，在當時的會議上，AI先驅的夢想是建造一臺複雜的機器（讓當時剛出現的計算機驅動），然後讓機器呈現出人類智力的特徵。

　　這一概念就是我們所說的“強人工智慧（General AI）”，也就是打造一臺超棒的機器，讓它擁有人類的所有感知，甚至還可以超越人類感知，它可以像人一樣思考。在電影中我們經常會看到這種機器，比如 C-3PO、終結者。

　　還有一個概念是“弱人工智慧（Narrow AI）”。簡單來講，“弱人工智慧”可以像人類一樣完成某些具體任務，有可能比人類做得更好，例如，Pinterest服務用AI給圖片分類，Facebook用AI識別臉部，這就是“弱人工智慧”。

　　上述例子是“弱人工智慧”實際使用的案例，這些應用已經體現了一些人類智力的特點。怎樣實現的？這些智力來自何處？帶著問題我們深入理解，就來到下一個圓圈，它就是機器學習。

　　機器學習：抵達AI目標的一條路徑

　　大體來講，機器學習就是用演算法真正解析資料，不斷學習，然後對世界中發生的事做出判斷和預測。此時，研究人員不會親手編寫軟體、確定特殊指令集、然後讓程式完成特殊任務，相反，研究人員會用大量資料和演算法“訓練”機器，讓機器學會如何執行任務。

　　機器學習這個概念是早期的AI研究者提出的，在過去幾年裡，機器學習出現了許多演算法方法，包括決策樹學習、歸納邏輯程式設計、聚類分析(Clustering)、強化學習、貝葉斯網路等。正如大家所知的，沒有人真正達到“強人工智慧”的終極目標，採用早期機器學習方法，我們連“弱人工智慧”的目標也遠沒有達到。

　　在過去許多年裡，機器學習的最佳應用案例是“計算機視覺”，要實現計算機視覺，研究人員仍然需要手動編寫大量程式碼才能完成任務。研究人員手動編寫分級器，比如邊緣檢測濾波器，只有這樣程式才能確定物件從哪裡開始，到哪裡結束；形狀偵測可以確定物件是否有8條邊；分類器可以識別字元“S-T-O-P”。通過手動編寫的分組器，研究人員可以開發出演算法識別有意義的形象，然後學會下判斷，確定它不是一個停止標誌。

　　這種辦法可以用，但並不是很好。如果是在霧天，當標誌的能見度比較低，或者一棵樹擋住了標誌的一部分，它的識別能力就會下降。直到不久之前，計算機視覺和影像偵測技術還與人類的能力相去甚遠，因為它太容易出錯了。

　　深度學習：實現機器學習的技術

　　“人工神經網路（Artificial Neural Networks）”是另一種演算法方法，它也是早期機器學習專家提出的，存在已經幾十年了。神經網路（Neural Networks）的構想源自於我們對人類大腦的理解——神經元的彼此聯絡。二者也有不同之處，人類大腦的神經元按特定的物理距離連線的，人工神經網路有獨立的層、連線，還有資料傳播方向。

　　例如，你可能會抽取一張圖片，將它剪成許多塊，然後植入到神經網路的第一層。第一層獨立神經元會將資料傳輸到第二層，第二層神經元也有自己的使命，一直持續下去，直到最後一層，並生成最終結果。

　　每一個神經元會對輸入的資訊進行權衡，確定權重，搞清它與所執行任務的關係，比如有多正確或者多麼不正確。最終的結果由所有權重來決定。以停止標誌為例，我們會將停止標誌圖片切割，讓神經元檢測，比如它的八角形形狀、紅色、與眾不同的字元、交通標誌尺寸、手勢等。

　　神經網路的任務就是給出結論：它到底是不是停止標誌。神經網路會給出一個“概率向量”，它依賴於有根據的推測和權重。在該案例中，系統有86%的信心確定圖片是停止標誌，7%的信心確定它是限速標誌，有5%的信心確定它是一支風箏卡在樹上，等等。然後網路架構會告訴神經網路它的判斷是否正確。

　　即使只是這麼簡單的一件事也是很超前的，不久前，AI研究社群還在迴避神經網路。在AI發展初期就已經存在神經網路，但是它並沒有形成多少“智力”。問題在於即使只是基本的神經網路，它對計算量的要求也很高，因此無法成為一種實際的方法。儘管如此，還是有少數研究團隊勇往直前，比如多倫多大學Geoffrey Hinton所領導的團隊，他們將演算法平行放進超級電腦，驗證自己的概念，直到GPU開始廣泛採用我們才真正看到希望。

　　回到識別停止標誌的例子，如果我們對網路進行訓練，用大量的錯誤答案訓練網路，調整網路，結果就會更好。研究人員需要做的就是訓練，他們要收集幾萬張、甚至幾百萬張圖片，直到人工神經元輸入的權重高度精準，讓每一次判斷都正確為止——不管是有霧還是沒霧，是陽光明媚還是下雨都不受影響。這時神經網路就可以自己“教”自己，搞清停止標誌的到底是怎樣的；它還可以識別Facebook的人臉影像，可以識別貓——吳恩達（Andrew Ng）2012年在谷歌做的事情就是讓神經網路識別貓。

　　吳恩達的突破之處在於：讓神經網路變得無比巨大，不斷增加層數和神經元數量，讓系統執行大量資料，訓練它。吳恩達的專案從1000萬段YouTube視訊呼叫圖片，他真正讓深度學習有了“深度”。

　　到了今天，在某些場景中，經過深度學習技術訓練的機器在識別影像時比人類更好，比如識別貓、識別血液中的癌細胞特徵、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學習圍棋，它自己與自己不斷下圍棋並從中學習。

　　有了深度學習AI的未來一片光明

　　有了深度學習，機器學習才有了許多實際的應用，它還擴充了AI的整體範圍。 深度學習將任務分拆，使得各種型別的機器輔助變成可能。無人駕駛汽車、更好的預防性治療、更好的電影推薦要麼已經出現，要麼即使出現。AI既是現在，也是未來。有了深度學習的幫助，也許到了某一天AI會達到科幻小說描述的水平，這正是我們期待已久的。你會有自己的C-3PO，有自己的終結者。

 

轉載地址：https://blog.csdn.net/dukai392/article/details/70271574